pengembangan perangkat identifikasi mutu fisik … · built with 13 input layers, 20 hidden layers...
TRANSCRIPT
PENGEMBANGAN PERANGKAT IDENTIFIKASI
MUTU FISIK BERAS MENGGUNAKAN REAL TIME
IMAGE PROCESSING
AGUS SUPRIATNA SOMANTRI
SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
BOGOR
2014
PERNYATAAN MENGENAI TESIS DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa tesis berjudul Pengembangan Perangkat
Identifikasi Mutu Fisik Beras Menggunakan Real Time Image Processing adalah
benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan
dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang
berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari
penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di
bagian akhir tesis ini.
Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut
Pertanian Bogor.
Bogor, Januari 2014
Agus Supriatna Somantri
NIM F153110111
RINGKASAN
AGUS SUPRIATNA SOMANTRI. Pengembangan Perangkat Identifikasi Mutu
Fisik Beras Menggunakan Real Time Image Processing. Dibimbing oleh EMMY
DARMAWATI dan I WAYAN ASTIKA.
Inspeksi mutu fisik merupakan faktor yang sangat penting pada beras
sebelum beras dipasarkan. Sampai saat ini inspeksi mutu beras masih dilakukan
secara manual (visual) oleh tenaga penguji yang telah ahli dan berpengalaman,
namun cara seperti ini memiliki kelemahan seperti: (1) adanya faktor subjektivitas
yang menyebabkan hasil pengujian mutu beras menjadi bias di antara satu
pengamat dengan pengamat lainnya; (2) adanya faktor psikis akibat kelelahan
fisik, sehingga hasil pengamatan menjadi tidak konsisten; serta (3) waktu
pengamatan relatif lebih lama. Tujuan penelitian ini adalah mengembangkan
teknologi pengolahan citra dan jaringan syaraf tiruan untuk idenitifikasi mutu fisik
beras secara real-time.
Metode yang digunakan adalah dengan menggunakan pengolahan citra
digital dan jaringan syaraf tiruan. Arsitektur JST untuk menduga mutu fisik beras
dibangun dengan 13 buah parameter pada input layer, 20 hidden layer dan 8
output layer, sedangkan JST untuk menduga derajat sosoh dibangun dengan 9
buah parameter pada input layer, 20 hidden layer dan 5 buah output layer.
Hasil penelitian menunjukkan bahwa perangkat identifikasi mutu fisik beras
secara real time yang telah dibuat semua komponennya secara fungsional dapat
bekerja dengan baik, baik perangkat kerasnya maupun perangkat lunaknya. Hasil
training dan validasi terhadap 5 varietas beras menunjukkan hasil yang baik
terutama dalam menduga beras kepala rata-rata akurasinya di atas 90%. Hal ini
menunjukkan bahwa penggunaan 13 input parameter dengan 20 lapisan
tersembunyi pada JST telah dapat mengenali dengan baik 8 jenis output mutu fisik
beras. Sebaliknya pada pengujian derajat sosoh dengan menggunakan 9 input
parameter dan 20 lapisan tersembunyi, tidak mampu menduga 5 jenis derajat
sosoh beras, karena hasil validasinya tidak menunjukkan akurasi yang baik,
sehingga tidak dapat dilanjutkan pada proses aplikasinya.
Kata kunci : Real-time image processing, jaringan syaraf tiruan, mutu fisik, beras
SUMMARY
AGUS SUPRIATNA SOMANTRI. Development of Machine for Evaluating
Quality of Rice by Using Real Time Image Processing. Supervised by EMMY
DARMAWATI and I WAYAN ASTIKA.
Quality assessment of rice prior to marketing is very important. Up to now,
the rice quality inspection is conducted visually by trained examiners who have
expertise and experience, but the method used has disadvantages such as: (1) the
subjectivity factor that causes rice quality testing results to be biased between the
observer, (2) the physical exhaustion of observer causes the observation result is
inconsistent, and (3) the time required relatively much longer. The purpose of this
study was to develop a method of determining the physical quality of rice by
image processing techniques in real-time.
The method used was the technology of image processing and artificial
neural networks. Architecture of ANN to predict the physical quality of rice was
built with 13 input layers, 20 hidden layers and 8 output layers, while the ANN to
predict the degree of rice milling was built with 9 input layers, 20 hidden layers
and 5 output layers.
The results showed that the machine for testing rice physical quality in real
time had worked functionally as expected, both hardware and software. The
training process of the 5 rice varieties showed good results, especially in the
estimation of head rice which was above the average 90 %, whereas the accuracy
of validation decreased due to predictive accuracy of foreign matter dropped
drastically due to the irregular shape and varied colors, making it difficult for the
system to recognize it. The test results show rice milling training and validation
results are not consistent, so it can not be resumed in the application process.
Keywords: Rice, quality, real-time image processing, artificial neural network.
© Hak Cipta Milik IPB, Tahun 2014
Hak Cipta Dilindungi Undang-Undang
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan
atau menyebutkan sumbernya. Pengutipan hanya untuk kepentingan pendidikan,
penelitian, penulisan karya ilmiah, penyusunan laporan, penulisan kritik, atau
tinjauan suatu masalah; dan pengutipan tersebut tidak merugikan kepentingan
IPB
Dilarang mengumumkan dan memperbanyak sebagian atau seluruh karya tulis ini
dalam bentuk apa pun tanpa izin IPB
Tesis
sebagai salah satu syarat untuk memperoleh gelar
Magister Sains
pada
Program Studi Teknologi Pascapanen
PENGEMBANGAN PERANGKAT IDENTIFIKASI
MUTU FISIK BERAS MENGGUNAKAN REAL TIME
IMAGE PROCESSING
SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
BOGOR
2014
AGUS SUPRIATNA SOMANTRI
Penguji Luar Komisi pada Ujian Tesis: Dr Ridwan Rachmat, MAgr
Judul Tesis : Pengembangan Perangkat Identifikasi Mutu Fisik Beras
Menggunakan Real Time Image Processing
Nama : Agus Supriatna Somantri
NIM : F153110111
Disetujui oleh
Komisi Pembimbing
Dr Ir Emmy Darmawati, MSi
Ketua
Dr Ir I Wayan Astika, MS
Anggota
Diketahui oleh
Ketua Program Studi
Teknologi Pascapanen
Prof Dr Ir Sutrisno, MAgr
Dekan Sekolah Pascasarjana
Dr Ir Dahrul Syah, MScAgr
Tanggal Ujian: 24 Januari 2014
Tanggal Lulus:
PRAKATA
Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas
segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Tema yang
dipilih dalam penelitian yang dilaksanakan sejak bulan September 2012 ini ialah
sistem pendugaan mutu fisik beras, dengan judul Pengembangan Perangkat
Identifikasi Mutu Fisik Beras Menggunakan Real Time Image Processing.
Terima kasih penulis ucapkan kepada Ibu Dr. Ir. Emmy Darmawati, MSi
selaku pembimbing utama dan Bapak Dr. Ir. I Wayan Astika, MS selaku
pembimbing pendamping, serta Kepala Balai Besar Penelitian dan Pengembangan
Pascapanen Pertanian yang telah memberikan ijin untuk dapat menempuh jenjang
pendidikan S2 di IPB. Di samping itu, penghargaan penulis sampaikan kepada
Pandu dan Cecep yang telah banyak membantu dalam pelaksanaan penelitian ini,
serta Bapak Ir. Sigit Nugraha beserta staf dari Instalasi Penelitian Pascapanen
Karawang, yang telah membantu selama pengumpulan data. Ungkapan terima
kasih juga disampaikan kepada ibunda tercinta, istri dan anakku tercinta serta
seluruh keluarga, atas segala doa dan kasih sayangnya.
Semoga karya ilmiah ini bermanfaat.
Bogor, Januari 2014
Agus Supriatna Somantri
DAFTAR ISI
DAFTAR TABEL vi
DAFTAR GAMBAR vi
DAFTAR LAMPIRAN vii
1 PENDAHULUAN 1 Latar Belakang 3
Perumusan Masalah 3
Tujuan Penelitian 3
Manfaat Penelitian 3
Ruang Lingkup Penelitian 3
2 TINJAUAN PUSTAKA 4
Beras 4
Pengolahan Citra 7
Jaringan Syaraf Tiruan 8
3 METODE 11
Bahan 11
Alat 12
Prosedur Analisis Data 12
4 HASIL DAN PEMBAHASAN 19
Perangkat Real Time Image Processing 19
Karakteristik Citra Beras 28
Training dan Validasi Mutu Fisik Beras 34
Aplikasi Sistem Penduga Mutu Fisik Beras Secara Real Time 36
Karakteristik Derajat Sosoh Beras 38
Training dan Validasi Derajat Sosoh Beras 42
5 SIMPULAN DAN SARAN 45
Simpulan 45
Saran 45
DAFTAR PUSTAKA 46
LAMPIRAN 49
RIWAYAT HIDUP 60
DAFTAR TABEL
1 Spesifikasi persyaratan mutu beras (SNI 6128:2008)
2 Standarisasi tipe beras berdasarkan ukuran dan bentuk biji
3 Definisi untuk kriteria mutu fisik beras berdasarkan SNI 6128: 2008
4 Hasil training beras pada perangkat RICE
5 Hasil validasi beras pada perangkat RICE
6 Hasil pengujian mutu fisik beras secara real time
7 Data aktual sampel beras Inpari 19
4
5
7
35
35
36
37
DAFTAR GAMBAR
1 Bagian-bagian beras (SNI 6128: 2008)
2 Sistem terdepan dari pengolahan citra Model multilayer network
3 Model multilayer network
4 Arsitektur Jaringan Syaraf Tiruan untuk menentukan klas mutu beras
5 Arsitektur JST untuk menentukan derajat sosoh beras
6 Diagram alir prosedur penelitian pengolahan citra digital dan
Jaringan Syaraf Tiruan (JST) untuk menentukan mutu beras.
7 Perangkat pengujian mutu fisik beras dengan pengolahan citra digital
8 Bagian luar perangkat pengujian mutu fisik beras
9 Bagian dalam perangkat pengujian mutu fisik beras
10 Algoritma pengambilan citra beras
11 Tampilan antar muka pengambilan untuk pengambilan citra beras
12 Algoritma pengolahan citra dan training beras
13 Tampilan antar muka pengolahan citra beras
14 Tampilan antar muka training mutu fisik beras
15 Algoritma penentuan klasifikasi mutu fisik beras
16 Kotak kontrol otomatik
17 Sensor LDR
18 Algoritma sistem pergerakan motor
19 Tampilan antar muka sistem pengujian mutu fisik beras
20 Citra beras yang diambil dari perangkat pemutuan “RICE”
21 Karakteristik R setiap parameter mutu fisik beras
22 Karakteristik G setiap parameter mutu fisik beras
23 Karakteristik B setiap parameter mutu fisik beras
24 Karakteristik Roundness setiap parameter mutu fisik beras
25 Karakteristik Luas setiap parameter mutu fisik beras
26 Karakteristik Keliling setiap parameter mutu fisik beras
27 Karakteristik Panjang setiap parameter mutu fisik beras
28 Karakteristik H setiap parameter mutu fisik beras
29 Karakteristik S setiap parameter mutu fisik beras
30 Karakteristik I setiap parameter mutu fisik beras
31 Karakteristik indeks R setiap parameter mutu fisik beras
32 Karakteristik indeks G setiap parameter mutu fisik beras
7
8
9
16
17
18
19
19
20
21
22
23
24
24
25
26
26
27
28
29
30
30
30
31
31
31
31
32
32
32
32
33
33 Karakteristik indeks B setiap parameter mutu fisik beras
34 Sampel beras Inpari 19 yang diuji
35 Hasil pendugaan mutu fisik beras Inpari 19
36 Citra beras pada berbagai derajat sosoh
37 Karakteristik R beras sosoh
38 Karakteristik G beras sosoh
39 Karakteristik B beras sosoh
40 Karakteristik R indeks beras sosoh
41 Karakteristik G indeks beras sosoh
42 Karakteristik B indeks beras sosoh
43 Karakteristik H beras sosoh
44 Karakteristik S beras sosoh
45 Karakteristik I beras sosoh
46 Grafik pendugaan derajat sosoh dan derajat sosoh real.
47 Nilai Hue butiran beras pada setiap tingkatan derajat sosoh
33
37
37
39
40
40
40
41
41
41
41
42
42
43
44
DAFTAR LAMPIRAN
1. Hasil training beras varietas Inpari 10 49
2. Hasil validasi beras varietas Inpari 10 50
3. Hasil training beras varietas Inpari 13 51
4. Hasil validasi beras varietas Inpari 13 52
5. Hasil training beras varietas Inpari 19 53
6. Hasil validasi beras varietas Inpari 19 54
7. Hasil training beras varietas Muncul 55
8. Hasil validasi beras varietas Muncul 56
9. Hasil training beras varietas Fatmawati 57
10. Hasil validasi beras varietas Fatmawati 58
11. Komponen perangkat “RICE” dan fungsinya 59
1
1 PENDAHULUAN
Latar Belakang
Beras merupakan komoditas strategis sekaligus komoditas politis karena
menyangkut kebutuhan pokok bagi 95% rakyat Indonesia, sehingga
ketersediaanya harus selalu dipantau baik di tingkat pusat maupun di daerah.
Sejalan dengan program pemerintah dalam program swasembada beras yang
berkelanjutan, maka ketersediaan beras perlu diikuti oleh konsistensi mutunya
untuk memenuhi kebutuhan konsumen atau untuk keperluan perdagangan, baik
untuk ekpsor maupun domestik. Pemerintah melalui Badan Standardisasi
Nasional telah menetapkan standar mutu beras giling (SNI 6128: 2008) dengan
lima tingkatan yaitu mutu I, II, III, IV, dan V (Anonymous 2008).
Mutu beras sangat ditentukan oleh mutu gabah dan peralatan mekanis yang
digunakan dalam perontokan, pengeringan dan penggilingan (Soerjandoko, 2010).
Secara fisik pengujian mutu beras meliputi beras utuh, beras kepala, beras patah,
butir menir, beras rusak. Pengujian mutu tersebut membutuhkan ketelitian.
Penggantian operator dari manusia ke sistem yang otomatis mulai banyak
dilakukan, mengingat operasional yang dilakukan oleh manusia sering tidak
konsisten, lambat, dan kurang efisien (Narendra dan Hareesh 2010).
Sampai saat ini inspeksi mutu beras masih dilakukan secara manual (visual)
oleh tenaga penguji yang telah ahli dan berpengalaman, namun cara seperti ini
memiliki kelemahan seperti : (1) adanya faktor subjektivitas yang menyebabkan
hasil pengujian mutu beras menjadi bias di antara satu pengamat dengan pengamat
lainnya; (2) adanya kelelahan fisik bila pengamat bekerja terlalu lama sehingga
hasil pengamatan menjadi tidak konsisten; serta (3) waktu yang diperlukan untuk
pengamatan relatif lebih lama. Sehubungan dengan permasalahan di atas, maka
diperlukan suatu cara untuk mengidentifikasi mutu fisik beras yang cepat, akurat
dan mudah pengoperasiannya, sehingga dapat meningkatkan efisiensi kerja
identifikasi mutu fisik beras.
Menentukan mutu fisik beras dengan cara sortasi dan grading otomatis
untuk tujuan produksi komersial merupakan proses yang membutuhkan keahlian
dengan mengintegrasikan berbagai disiplin ilmu. Pengertian otomatisasi adalah
setiap aksi yang dibutuhkan untuk mengontrol suatu proses pada tingkat efisiensi
tertentu, dikontrol menggunakan suatu sistem yang dioperasikan menggunakan
instruksi yang telah diprogram (Raji and Alamutu 2005). Sistem tersebut pada
banyak kasus lebih cepat dan murah. Namun membutuhkan beberapa infrastruktur
dasar yang dibutuhkan pada sistem tersebut.
Teknologi image processing telah berkembang sejak tahun 1960 (Narendra
dan Hareesh 2010). Teknologi tersebut digunakan untuk mengetahui karakteristik
mutu produk pangan dan pertanian secara visual, dan termasuk dalam pengujian
yang non destruktif (Timmermans 1998). Kegunaan utama dari pengolahan citra
biasanya dikategorikan dalam tiga kategori yaitu: analisis citra, visi robotik dan
pengawasan. Hasil penelitian citra yang lain adalah deteksi kerusakan akibat
green mould pada jeruk dapat memperbaiki tingkat vaidasi dari 65% menjadi 94%
dengan menggunakan image fluorescens (Blasco 2007), kemudian dilanjutkan
2
dengan sortasi buah delima dengan Bayesian Linear Discriminant Analysis (LDA)
dalam rentang RGB dan memberikan hasil validasi 90% (Blasco 2009).
Beberapa penelitian penggunaan image processing diantaranya adalah yang
dilakukan oleh Yam dan Spyridon (2003) yang menggunakan metode image
sederhana untuk mengukur dan menganalisis warna pada permukaan pangan
untuk mengevaluasi mutunya secara non-destruktif. Alchanatis et al. (1993)
menggunakan jaringan syaraf (neural network) sebagai pengganti penggunaan
kamera konvensional dan feature geometris untuk pengelompokan secara
otomatis segmen-segmen kultur jaringan pada tanaman kentang. Penggunaan
sinar-X dan magnetic resonant imaging (MRI) untuk mendeteksi penyakit dan
kerusakan pada produk pertanian dan makanan (Chen et al. 1989; Schatzki et al.
1997). Ahmad et al. (2004), telah melakukan penelitian pengolahan citra yang
diintegrasikan dengan mesin untuk grading buah mangga. Muir (1998),
menggunakan informasi spasial dari citra dengan 8 panjang gelombang untuk
mendeteksi 12 sampai 15 jenis noda pada kentang. Mesin visual dengan cahaya
monochrome juga telah dikembangkan untuk grading apel (Rehkhugler and
Throop 1989; Throop et al. 1995). Sudibyo et al. (2006) melakukan penelitian
pemutuan edamame. Selain itu penggunaan kamera digital dengan efisiensi tinggi
telah banyak digunakan dalam penelitian status nutrisi N pada pertumbuhan
tanaman dan hasil analisisnya menunjukkan keberhasilan dengan akurasi yang
baik (Kawashima and Nakatani 1998; Ku et al. 2004; Jia et al. 2004; Behrens and
Diepenbrock 2006; Pagola et al. 2009; Li et al. 2010; Yuan et al. 2013; Lee et al.
2013). Hung et al. (2012), bahkan menggunakan teknologi pengolahan citra
untuk menduga kadar air pada padi selama proses pengeringan.
Teknologi image processing dan jaringan syaraf tiruan (JST) bisa menjadi
alternatif pilihan untuk mengatasi permasalahan identifikasi mutu fisik beras.
Cara kerja dari teknologi ini sangat cepat dalam sistem pemrosesannya, serta
tingkat akurasinya dapat dipercaya, sehingga sangat prospektif untuk
dikembangkan dengan memperhatikan kemudahan dalam pengoperasiannya. Gao
and Tan (1996), menyatakan bahwa sistem yang paling rumit adalah terletak pada
perangkat lunaknya, sehingga diperlukan pemahaman tentang sistem kerja dari
image processing dan JST yang selanjutnya dituangkan ke dalam bentuk sistem
pemrograman. Cara ini memiliki kemampuan yang lebih peka karena dilengkapi
dengan sensor elektro-optika yang bisa dipastikan akan lebih tepat dan obyektif
jika dibandingkan dengan cara visual manusia yang bersifat subyektif dan sangat
dipengaruhi oleh kondisi psikis pengamatnya.
Penelitian image processing untuk mengidentifikasi mutu fisik beras sudah
pernah dilakukan di IPB dan di BB-Pascapanen (Somantri 2010), namun
identifikasi beberapa karakteristik mutu fisiknya masih dilakukan secara parsial
dan belum bersifat real-time. Proses akuisisi citranya masih dilakukan secara
manual menggunakan kamera digital dan citra yang telah diambil harus disimpan
dalam folder sebelum diidentifikasi. Hal ini tentu saja kurang efektif dan kurang
efisien, sehingga perlu dicarikan cara yang cepat, bersifat real-time dan
terintegrasi seluruh komponen mutunya, sehingga pengguna lebih mudah dalam
mengoperasikannya.
Ahmed et al. (2005), menyebutkan bahwa real time object tracking
merupakan suatu bidang studi khusus yang mencakup image processing dan
analisis secara umum dimana manusia dapat menelusuri suatu obyek dengan tepat,
3
cepat, dan mampu menelusuri tingkat kesulitan yang tinggi pada obyek, dan
variasi non linier pada latar belakang, bidang target, orientasi dan ukuran.
Perangkat pengolahan citra yang bersifat real-time memungkinkan kendala
tersebut di atas dapat diatasi.
Perumusan Masalah
Pada saat ini perkembangan teknologi image processing berkembang sangat
pesat dan sangat dibutuhkan dalam penyelesaian masalah yang bersifat non
destruktif disegala bidang. Pertanyaan yang muncul sekarang ini adalah, apakah
teknologi real time image processing dapat membantu mengatasi permasalahan
dalam menentukan mutu fisik beras? Jawabannya akan sangat tergantung pada
kecanggihan perangkat lunak dan perangkat keras penunjang sistem, serta
keberhasilan training dan validasi dari sistem real time image processing tersebut.
Tujuan Penelitian
Tujuan penelitian ini adalah untuk mengembangkan teknologi pengolahan
citra dan jaringan syaraf tiruan untuk pengujian mutu fisik beras secara real-time.
Tujuan yang lebih khusus adalah :
1. Mengembangkan perangkat pengolahan citra untuk pendugaan mutu fisik beras
menggunakan pengolahan citra digital berdasarkan panjang, lebar, diameter
dan warna beras, dan
2. Melakukan training dan validasi pada perangkat pemutuan beras berdasarkan
algoritma pengolahan citra dan jaringan syaraf tiruan yang telah dibangun.
Manfaat Penelitian
1. Memberikan kemudahan bagi petugas pemutuan beras dalam mengidentifikasi
mutu fisik beras.
2. Memberikan hasil pengujian mutu lebih konsisten karena dibantu oleh
perangkat komputer yang sudah diberikan training sampai diperoleh tingkat
akurasi tertinggi.
Ruang Lingkup Penelitian
Ruang lingkup penelitian meliputi kegiatan perekayasaan alat pengujian
mutu fisik beras yang bersifat real time, sehingga prosesnya dapat berjalan secara
kontinyu dan waktu yang dibutuhkan untuk pengujian lebih pendek jika
dibandingan dengan cara pengujian secara manual. Parameter mutu yang
digunakan mengacu pada standar mutu SNI 6128:2008 yang meliputi derajat
sosoh, butir kepala, butir patah, butir menir, butir merah, butir kuning/rusak, butir
mengapur, benda asing dan butir gabah. Varietas beras yang digunakan dalam
penelitian ini adalah Inpari 10, Inpari 13, Inpari 19, Muncul dan Fatmawati.
Keseluruhan kegiatan penelitian dilakukan di Laboratorium Penanganan BB-
Pascapanen Bogor dan Laboratorium Instalasi Penelitian Pascapanen, Karawang.
4
2 TINJAUAN PUSTAKA
Beras
1. Mutu beras
Pada saat ini mutu beras dapat dikategorikan dalam empat kelompok
yang meliputi : (1) mutu pasar atau mutu fisik, (2) mutu tanak, rasa, dan
prosesing, (3) mutu gizi dan (4) standar spesifik untuk penampakan dan
kemurnian biji. Semua kategori mutu tersebut secara bersamaan memegang
peranan penting dalam penetapan kriteria mutu beras yang sesuai dengan
penggunaannya. Klasifikasi mutu fisik beras terutama ditentukan oleh ukuran
biji, derajat sosoh, derajat beras pecah/beras kepala dan butir mengapur,
disamping juga ditentukan oleh butir merah, gabah, dan butir rusak
(Damardjati 1987).
Pedoman untuk standarisasi dan grading mutu beras saat ini dibuat oleh
Bulog. Standarisasi ini memberikan keuntungan diantaranya adalah harga
beras dari berbagai grade dapat dibedakan dengan pasar ditempat lain,
memudahkan konsumen dalam memilih grade beras seperti yang dikehendaki
menurut selera mereka, dan menyederhanakan proses pemasaran dengan
mengadakan akumulasi grade beras dari beberapa daerah produksi. Adapun
kerugian yang timbul sebagai akibat tidak adanya grade adalah sulitnya
mengadakan identifikasi berbagai kualitas beras yang berakibat terhadap
sulitnya penentuan harga dan sering terjadinya pencampuran beras dengan
katul, dedak, gabah, pasir, atau dengan kualitas beras yang lebih rendah untuk
mendapatkan keuntungan dengan sengaja (Anonymous 1972). Standarisasi
beras untuk mutu III dan IV yang ditetapkan untuk pengadaan pangan oleh
Bulog dapat dilihat pada Tabel 1.
Tabel 1 Spesifikasi persyaratan mutu beras (SNI 6128: 2008)
No Komponen Mutu Satuan Mutu
I
Mutu
II
Mutu
III
Mutu
IV
Mutu
V
1. Derajat sosoh (min) (%) 100 100 95 95 85
2. Kadar air (maks) (%) 14 14 14 14 15
3. Butir kepala (min) (%) 95 89 78 73 60
4. Butir patah (maks) (%) 5 10 20 25 35
5. Butir menir (maks) (%) 0 1 2 2 5
6. Butir merah (maks) (%) 0 1 2 3 3
7. Butir kuning/rusak (maks) (%) 0 1 2 3 5
8. Butir mengapur (maks) (%) 0 1 2 3 5
9. Benda asing (maks) (%) 0 0.02 0.02 0.05 0.20
10. Butir gabah (maks) butir/100g 0 1 1 2 3
Damardjati (1991) menyatakan bahwa di pasaran internasional,
disamping persyaratan tersebut di atas, masih ada lagi persyaratan fisik yang
lebih ditentukan oleh faktor genetik yaitu penampakkan biji. Berdasarkan
ukuran dan bentuk beras, dalam standarisasi mutu beras di pasaran
5
internasional dikenal empat tipe ukuran panjang beras, yaitu biji sangat
panjang (extra long), biji panjang (long grain), biji sedang (medium grain), dan
biji pendek (short grain). Berdasarkan bentuknya yang ditetapkan berdasar
nisbah panjang/lebar, beras juga dibagi atas empat tipe, yaitu : lonjong
(slender), sedang (medium), agak bulat (bold), dan bulat (round) seperti pada
Tabel 2.
Tabel 2 Standarisasi tipe beras berdasarkan ukuran dan bentuk biji
Ukuran Skala USDA
Beras pecah kulit Beras giling
Panjang (mm)
Sangatpanjang (extra long) 7.5 7.0
Panjang (long grain) 6.61 – 7.5 6.0 – 6.99
Sedang (medium grain) 5.51 – 6.6 5.5 – 5.99
Pendek (short grain) 5.51 5.0
Bentuk (rasio : panjang/lebar)
Lonjong (slender) 3.0 3.0
Sedang (medium) 2.1 – 3.0 -
Agakbulat (bold) 2.1 2.0 – 3.0
Bulat (round) - 2.0
2. Beras Patah
Rangkaian kegiatan pascapanen ditingkat petani meliputi pemanenan,
perontokan, pembersihan, pengeringan, pengemasan, penyimpanan, dan
penggilingan. Faktor-faktor ini sangat mempengaruhi terjadinya butir patah.
Mutu beras secara umum dipengaruhi oleh empat faktor utama, yaitu : (1) sifat
genetik, (2) lingkungan dan kegiatan pra-panen, (3) perlakuan pemanenan dan
(4) perlakuan pascapanen. Rangkaian kegiatan pascapanen ditingkat petani
meliputi pemanenan, perontokan, pembersihan, pengeringan, pengemasan,
penyimpanan, dan penggilingan. Faktor-faktor ini sangat mempengaruhi
terjadinya butir patah (Damardjati 1987). Di Indonesia, mutu beras lebih
dikenal berdasarkan cara pengolahan, seperti beras tumbuk atau beras giling,
berdasarkan derajat sosoh seperti beras slip, berdasarkan asal daerah seperti
beras Cianjur, dan berdasarkan jenis atau kelompok varietas seperti beras IR
(Damardjati dan Purwani 1991).
Allidawati dan Kustianto (1989) menyatakan bahwa varietas-varietas
padi mempunyai ketahanan yang berbeda-beda terhadap moisture stress.
Ketahanan ini dikenal sebagai sebagai crack resistance. Varietas dengan crack
resistance tinggi dapat mengurangi produksi yang hilang akibat banyaknya
butir hancur. Disamping itu panjang, bentuk, dan kebeningan beras juga
mempengaruhi besarnya persentase beras kepala. Pada umumnya, varietas
atau galur yang berukuran beras panjang (6.61 mm) dan yang mempunyai
pengapuran dalam endospermanya akan menghasilkan beras kepala lebih
sedikit bila dibandingkan dengan yang berukuran medium (5.50-6.60 mm).
Sifat ini dapat diturunkan secara genetik.
Keretakan gabah bukan disebabkan oleh proses pengeringan yang cepat,
akan tetapi oleh penyerapan air kembali setelah proses pengeringan selesai.
Peretakan ini dapat terjadi juga di lapang bila pada fase pemasakan butir
6
terdapat perbedaan suhu udara yang cukup besar antara siang dan malam hari,
sehingga terjadi penguapan dan penyerapan air secara berganti-ganti.
Keretakan gabah ini akan berpengaruh terhadap persentase beras patah dan
menir. Selain itu, pembasahan dan pengeringan oleh hujan dan panas akan
menimbulkan sun cracking yang menyebabkan biji menjadi mudah patah
dalam penggilingan (Allidawati dan Kustianto 1989).
Cara-cara bercocok tanam untuk memperbaiki mutu hasil terutama
diarahkan untuk memperbaiki pertumbuhan tanaman yang menunjang
keserempakan dan kesempurnaan pemasakan gabah. Biji yang masih belum
matang akan mempertinggi persentase butir hijau dan yang terlalu matang akan
mempertinggi beras patah. Kemasakan yang tidak seragam disebabkan oleh
pertumbuhan tanaman di sawah yang tidak merata. Hal ini dapat disebabkan
oleh penggarapan tanah yang tidak baik, pemupukan tidak merata, tanam tidak
teratur, benih yang dipergunakan tidak murni, dan cara bercocok tanam kurang
baik (Damardjati dan Purwani 1991)
Cara panen juga mempengaruhi mutu gabah. Pemanenan dengan sabit
yang dirontok dengan mesin perontok (power thresher) akan menghasilkan
beras kepala yang lebih rendah dibandingkan dengan cara panen dengan ani-
ani dan diiles. Cara panen dengan sabit dan mesin perontok akan
menimbulkan kerusakan mekanis pada gabah yang lebih besar yang berupa
keretakan biji akibat pukulan oleh alat perontok yang berbentuk jeruji-jeruji.
Keretakan biji tersebut mempunyai hubungan erat dengan kepatahan beras
setelah digiling (Allidawati dan Kustianto 1989).
Beras patah dapat terjadi juga selama penumpukan baik secara curah
maupun dalam karung. Menurut Marzempi et al (1995) semakin besar ukuran
tumpukan beras, maka prosentase beras patah meningkat dengan nyata. Hal ini
disebabkan perbedaan suhu antara ukuran tumpukan yang berbeda, sehingga
menghasilkan prosentase beras patah berbeda. Disamping ukuran tumpukan,
prosentase beras patah juga dipengaruhi oleh lama penumpukan. Semakin
lama padi ditumpuk di lapangan, prosentase beras patah nyata meningkat.
Peningkatan prosentase beras patah akibat penumpukan diduga disebabkan
perubahan sifat dan struktur biji yang mengalami pengeringan dan pembasahan
silih berganti selama penumpukan yang dapat menimbulkan keretakan pada
gabah. Gabah yang retak akan patah selama proses penggilingan.
Fungsi utama penggilingan beras adalah untuk menghilangkan sekam
dari bijinya dan lapisan aleuron sebagian maupun seluruhnya agar
menghasilkan beras yang putih serta beras patah sekecil mungkin. Setelah
gabah dikupas kulitnya dengan mengggunakan alat pecah kulit lalu
dimasukkan ke dalam alat penyosoh untuk membuang lapisan aleuron yang
menempel pada beras. Selama penyosohan berlangsung terjadi penekanan
terhadap butir beras sehingga terjadi butir patah. Menir merupakan kelanjutan
penghancuran dari butir patah menjadi bentuk yang lebih kecil dari butir patah
(Daradjat et al. 1999).
Menurut Katsuragi dan Yamoto (1998) tingkat kepatahan pada beras
panjang Indica dibedakan menjadi tiga kategori. Beras kepala adalah butir
dengan panjang 3/4 atau lebih dari panjang beras. Patah besar yaitu jika
panjangnya 3/8 sampai dengan 3/4 dari panjang rata-rata beras dan tidak dapat
7
melewati ayakan dengan ukuran diameter lubang 1.4 mm. Sedangkan patah
kecil dapat melewati ayakan dengan ukuran diameter lubang 1.4 mm.
Kelas mutu fisik beras yang berlaku secara nasional mengacu pada SNI
6128: 2008 (BSN 2008). Struktur bagian-bagian beras seperti ditunjukkan
pada Gambar 1. Definisi untuk masing-masing kriteria tingkat kepatahannya
seperti pada Tabel 3.
Tabel 3 Definisi untuk masing-masing kriteria mutu fisik beras berdasarkan
SNI 6128: 2008
No. Mutu fisik Definisi
1. Butir utuh Butir beras baik sehat maupun cacat, yang utuh
(ukuran 8/8) atau tidak ada yang patah sama sekali
2. Butir kepala Butir beras baik sehat maupun cacat yang mempunyai
ukuran lebih besar atau sama dengan 0.75 bagian dari
butir beras utuh
3, Butir patah Butir beras baik sehat maupun cacat yang mempunyai
ukuran lebih besar dari 0.25 sampai dengan lebih kecil
0.75 dari butir beras utuh
4. Butir menir Butir beras baik sehat maupun cacat yang mempunyai
ukuran lebih kecil dari 0.25 bagian butir beras utuh
Gambar 1 Bagian-bagian beras (SNI 6128: 2008)
Pengolahan Citra
Pengolahan citra (image processing) merupakan proses pengolahan dan
analisis citra yang banyak melibatkan persepsi visual. Proses ini mempunyai ciri
data masukan dan informasi keluaran yang berbentuk citra. Citra yang digunakan
adalah citra digital, karena citra jenis ini dapat diproses oleh komputer digital.
8
Citra digital dapat diperoleh secara otomatis dari sistem penangkap citra digital
yang melakukan penjelajahan citra dan membentuk suatu matrik dimana elemen-
elemennya menyatakan nilai intensitas cahaya pada suatu himpunan diskrit dari
titik-titik. Sistem tersebut merupakan bagian terdepan dari suatu sistem
pengolahan citra seperti terlihat pada Gambar 2.
Gambar 2 Sistem terdepan dari pengolahan citra (Arymurty dan Suryana
1992).
Citra digital merupakan suatu array dua dimensi atau suatu matrik yang
elemen-elemennya menyatakan tingkat keabuan dari elemen gambar. Perangkat
pengolahan citra terdiri dari perangkat keras dan perangkat lunak. Komponen
utama dari perangkat keras citra digital adalah komputer dan alat peraga komputer
yang digunakan bisa dari jenis komputer multiguna atau dari jenis khusus yang
dirancang untuk pengolahan citra digital. Proses pengolahan citra umumnya
dilakukan dari piksel ke piksel yang bersifat paralel.
Jaringan Syaraf Tiruan (JST)
Jaringan Syaraf Tiruan (JST) merupakan salah satu representasi buatan dari
otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran
pada otak manusia. Seperti halnya otak manusia, JST terdiri dari beberapa
neuron, dan ada hubungan antara neuron-neuron tersebut (Gambar 3). Neuron-
neuron tersebut akan mentransformasikan informasi yang diterima melalui
sambungan keluarnya menuju ke neuron-neuron yang lain. Pada JST, hubungan
ini dikenal dengan nama bobot. Informasi yang diberikan pada JST akan
dirambatkan lapisan ke lapisan, mulai dari input layer sampai ke output layer
melalui lapisan yang lainnya, yang sering dikenal dengan hidden layer.
Umumnya, neuron-neuron yang terletak pada lapisan yang sama akan memiliki
keadaan yang sama. Faktor terpenting dalam menentukan kelakuan suatu neuron
adalah fungsi aktivasi dan pola bobotnya. Pada setiap lapisan yang sama, neuron-
neuron akan memiliki fungsi aktivasi yang sama. Apabila neuron-neuron dalam
suatu lapisan (misalkan hidden layer) akan dihubungkan dengan neuron-neuron
pada lapisan yang lain (misalkan output layer), maka setiap neuron pada lapisan
tersebut (hidden layer) juga harus dihubungkan dengan setiap lapisan pada
lapisan lainnya (output layer).
9
Keterangan :
xi = variabel input noda i pada lapisan input, i = 0, 1, 2, …, i
Hh = output noda j pada lapisan hidden, h = 0, 1, 2, …, h
zm = output noda k pada lapisan output, m = 1, 2, 3,..., m
wij = bobot yang menghubungkan noda i pada lapisan input dengan
noda j pada lapisan hidden
vjk = bobot yang menghubungkan noda j pada lapisan hidden dengan
noda k pada lapisan output
Gambar 3 Model multilayer network (Rich and Knight 1983).
Metode pelatihan (training) JST dapat diklasifikasikan menjadi tiga yaitu
supervised, reinforcement, dan unsupervised. Metode pelatihan supervised yaitu
metode pembelajaran yang terawasi, output yang diharapkan telah diketahui
sebelumnya. Pada proses pembelajaran, satu pola input akan diberikan kesatu
neuron pada input layer. Pola ini akan dirambatkan di sepanjang jaringan syaraf
hingga sampai ke neuron pada output layer. Output layer ini akan
membangkitkan pola output yang nantinya akan dicocokkan dengan pola output
targetnya, contohnya adalah algoritma back propagation.
Metode pelatihan reinforcement adalah dengan diasumsikan adanya guru
yang hadir selama proses pelatihan, tetapi nilai target tidak diberikan, hanya
diberikan indikasi bahwa nilai output adalah benar atau salah, indikasi ini
digunakan oleh JST untuk memperbaiki kinerja jaringan.
Metode pelatihan unsupervised adalah metode pembelajaran yang tak
terawasi dan tidak memerlukan target output. Pada metode ini, tidak dapat
ditentukan hasil yang diharapkan selama proses pembelajaran. Selama proses
pembelajaran, nilai bobot disusun dalam suatu range tertentu tergantung pada nilai
input yang diberikan. Tujuan pembelajaran ini adalah mengelompokkan unit-unit
yang hampir sama dalam suatu area tertentu. Pembelajaran ini biasanya sangat
cocok untuk pengelompokkan (klasifikasi) pola, contohnya adalah algoritma
kohonen (Kusumadewi 2003).
10
Algoritma yang digunakan dalam penelitian ini adalah algoritma back
propogation. Algoritma ini sudah umum digunakan dan data yang dipakai adalah
data kontinyu, sehingga diharapkan sistem dapat mempelajari hubungan antara
input dengan nilai target yang diinginkan dan dapat menduga hasil output setelah
proses pelatihan dan validasi.
Menurut Rich dan Knight (1983), algoritma pelatihan back propagation
adalah sebagai berikut:
1. Inisialisasi
b. Normalisasi data input xi dan data target tk dalam range (0 dan1)
c. Seluruh pembobot (wij dan vjk) awal diberi nilai random antara -1
sampai 1
d. Inisialisasi aktivasi thresholding unit, x0 = 1 dan h0 = 1
2. Aktivasi unit-unit dari input layer ke hidden layer dengan fungsi :
iij xwj
eh
1
1 …………………................……………………(1)
dimana :
wij = pembobot w yang menghubungkan node unit ke-i pada input layer
dengan noda ke-j pada hidden layer
3. Aktivasi unit-unit dari hidden layer ke output layer dengan fungsi :
jjk hvk
ey
1
1 ………………………………...…….....……....(2)
dimana :
σ = konstanta logistik (logistic contant)
vjk = pembobot v yang menghubungkan node unit ke-j pada hidden layer
dengan noda ke-k pada output layer
4. Menghitung error dari unit-unit pada output layer (δk) dan
menyesuaikannya dengan bobot vjk
kkkk yty 1 ……...…………...………….……..……..………(3)
dimana:
tk = target output pada noda ke-k
jkjkjk holdvv ………….………………................…..…………(4)
dimana :
β = konstanta laju pembelajaran
vjk old = pembobot vjk sebelumnya
5. Menghitung error dari unit-unit pada hidden layer (τj) dan
menyesuaikannya dengan bobot wij
jkkjjj vkhh 1 …………………………….…..…...…….(5)
ijijij xoldww ……………….....…………………….....……….(6)
11
6. Training set (learning) dihentikan jika yk mendekati tk. Proses
pembelajaran juga dapat dihentikan berdasarkan error. Salah satu
persamaan untuk nilai error adalah dengan menggunakan Root Mean
Square Error (RMSE).
n
i
ii
n
apRMSE
1
2
……………………………….....…….….(7)
%100(%) 1
n
a
ap
Error
n
i i
ii
…………………….........…..…....(8)
Keterangan:
pi = nilai dugaan output ulangan ke-i
ai = nilai aktual output ulangan ke-i
n = jumlah contoh data
7. Pengulangan (iterasi)
Keseluruhan proses ini dilakukan pada setiap contoh dari setiap
iterasi sampai sistem mencapai keadaaan optimum. Iterasi mencakup
pemberian contoh pasangan input dan output, perhitungan nilai aktivasi
dan perubahan nilai pembobot.
3 METODE
Waktu dan Tempat
Penelitian ini dilakukan di Balai Besar Penelitian dan Pengembangan
Pascapanen Pertanian, Bogor. Persiapan bahan dan penggilingan padi dilakukan
di Instalasi Penelitian Pascapanen, Karawang, Jawa Barat. Waktu penelitian
adalah selama 15 bulan dari bulan September 2012 sampai dengan Bulan
Nopember 2013.
Bahan
Contoh padi diperoleh dari Balai Penelitian Tanaman Padi (Balitpa),
Sukamandi, Jawa Barat sebanyak lima varietas dengan berat setiap varietas 5 kg.
Padi tersebut kemudian digiling dan disosoh menjadi beras dengan derajat sosoh
80, 85, 90, 95% dan 100%. Jumlah contoh beras yang diambil untuk penelitian
ini berasal dari lima varietas dengan cara pengambilan secara acak. Varietas beras
yang digunakan dalam penelitian ini adalah Inpari 10, Inpari 13, Inpari 19,
Muncul dan Fatmawati.
12
Alat
a. Penyiapan Sampel Beras
Alat-alat yang digunakan dalam proses penyiapan bahan, yaitu :
- Moisture Tester merk Kett Global Tipe PM-400 Ina,yang berfungsi untuk
mengukur kadar air gabah dan beras.
- GAT (Grain Analyse Tester) type IR-3, untuk memisahkan butir
hampa/kotoran dengan gabah (blower), memecah kulit (husker),
menyosoh (polisher).
- Sample devider merk Tsukasa CoLTD, yang berfungsi untuk mencampur
dan membagi rata beras menjadi dua bagian.
- Triple Beam Balance (Timbangan analisa) merk OHAUS, yangberfungsi
untuk menimbang berat beras yang dihasilkan dari proses penggilingan
dan penyosohan, dan analisa mutu.
- Indented plate, yang berfungsi untuk memisahkan butir-butir patah dan
butir utuh. Indented plate tersebut merupakan alat standar BULOG yang
mempunyai ukuran lubang 4.2 mm.
- Ayakan menir dan bak penampung, yang berfungsi untuk mengayak
menir dan menampung hasil ayakan. Ayakan menir tersebut merupakan
ayakan standar BULOG yang mempunyai diameter 1.80 mm.
- Nampan analisa, yang berfungsi untuk tempat analisa mutu
lanjutan secara visual.
- Kaca pembesar, yang berfungsi untuk membantu penglihatan dalam
menentukan ukuran butiran beras sewaktu analisa mutu lanjutan secara
visual.
- Pinset, yang berfungsi sebagai alat bantu analisa mutu beras lanjutan
secara visual.
- Cawan petri, yang berfungsi untuk tempat beras dalam analisa
mutu lanjutan secara visual.
b. Pembuatan Perangkat Real-time Image Processing
Real time image processing pada prinsipnya adalah menggabungkan
antara perangkat kamera web (web-cam), komputer dan perangkat
pengambilan citra (sample holder), sehingga objek dalam sample holder
ditangkap oleh kamera, kemudian ditampilkan dalam layar komputer, setelah
itu gambar dapat di-capture dan langsung diolah citranya. Hubungan kamera
dan komputer dilakukan dengan bantuan sistem pemrograman Visual Basic.
Perangkat real time image processing dirancang sedemikian rupa dengan
melibatkan ilmu-ilmu perekayasaan, kontrol otomatik dan pemrograman
komputer. Keterpaduan ilmu-ilmu ini menghasilkan alat penguji mutu fisik
beras yang kontinyu dan bersifat real time.
Prosedur Analisis Data
Metode yang digunakan dalam penelitian ini adalah dengan menyusun
algoritma pemrograman sistem penunjang keputusan yang berbasis pada jaringan
syaraf tiruan dengan pengolahan citra digital sebagai pembangkit datanya. Sistem
13
penunjang keputusan ini merupakan perangkat lunak yang akan diintegrasikan
dengan perangkat keras untuk pengambilan citranya.
1. Penyiapan Sampel Beras
Sebelum gabah digiling, dilakukan pengujian kadar air dengan
menggunakan moisture tester. Pengujian dilakukan sebanyak tiga ulangan
untuk mengetahui kelayakan untuk proses penggilingan. Selanjutnya dengan
menggunakan Grain Analysis Tester, gabah dari berbagai varietas masing-
masing dipisahkan antara butir hampa/kotorannya, dipecah kulitnya, dan
disosoh. Tiap-tiap varietas beras yang dihasilkan kemudian diuji kembali
kadar airnya yang bertujuan untuk mengetahui kelayakan penyimpanan.
Beras dari proses penggilingan diatas, ditimbang dengan menggunakan
timbangan analisa untuk mengetahui berat beras yang dihasilkan dari proses
penggilingan dan penyosohan. Tiap-tiap varietas beras yang dihasilkan
tersebut masing-masing dicampur dan dibagi dengan menggunakan sample
devider menjadi dua bagian. Masing-masing bagian diambil 100 gram dengan
menggunakan timbangan analisa untuk kemudian dilakukan analisa mutu.
Seratus gram pertama untuk analisa ukuran butiran dan 100 gram kedua untuk
analisa butir mengapur dan butir rusak.
Berdasarkan beras dari pengambilan pertama kemudian dilakukan
pemisahan antara butir kepala, butir patah, butir menir dengan menggunakan
ayakan menir dan indented plate standar BULOG. Berikut ini langkah analisa
yang dilakukan :
a. Ayakan dan bak penampungnya disatukan. Ayakan digerakkan dengan
gerakan mendatar yang teratur dari kiri ke kanan sejauh kurang lebih 25
cm dan kembali kekiri dengan jarak yang sama. Gerakan tersebut
dilakukan sampai kurang lebih 20 kali.
b. Butir-butir yang tertinggal/tersangkut pada lubang ayakan dikembalikan ke
sampel beras yang tidak dapat lolos dari ayakan. Butir-butir yang lolos
dan tertampung dalam bak penampung kemudian diperiksa sekali lagi, bila
terdapat butir utuh atau butir patah yang bukan menir harus dikembalikan
ke sampel beras yang tidak dapat lolos dari ayakan. Butir-butir yang
terakhir inilah yang dikategorikan sebagai butir menir.
c. Dari sisa sampel analisa yang tidak dapat lolos dari ayakan, dipisahkan
butir-butir patah dan butir-butir utuhnya dengan menggunakan indented
plate. Dari butir-butir yang lolos kemudian diperiksa kembali sehingga
butir-butir tersebut memang merupakan butir patah. Selanjutnya dari
butir-butir yang tidak lolos (tertinggal pada lekukan ayakan) dipilih
kembali dan dipisahkan antara butir utuh dan butir patah besar, kemudian
dikumpulkan berdasarkan masing-masing golongan tersebut.
d. Untuk keperluan penelitian ini diperlukan tingkat ketelitian yang relatif
besar, sehingga diperlukan pemisahan kembali (analisa mutu lanjutan
secara visual). Masing-masing kelompok beras diletakkan di cawan petri
untuk diteliti kembali sesuai dengan kelompoknya menggunakan kaca
pembesar, jika masih terdapat beras yang bukan kelompoknya maka
dikembalikan sesuai dengan kelompoknya menggunakan pinset.
e. Setelah semuanya selesai maka masing-masing kelompok butiran
ditimbang untuk mengetahui beratnya dan kemudian diprosentasekan
terhadap berat asal sampel analisa (100 gram) sehingga didapatkan angka
14
prosentase butir utuh, butir patah besar, butir patah, dan butir menir.
Hasil pengelompokkan pada tiap-tiap varietas tersebut kemudian diambil
untuk proses training dan validasi. Pengambilan sampel beras untuk
masing-masing ukuran butiran dilakukan secara acak.
2. Pengolahan Citra
Pengolahan citra dimulai dengan proses thresholding, yaitu proses
pemisahan citra berdasarkan batas nilai tertentu, dalam proses thresholding
citra warna diubah menjadi citra biner. Tujuan proses thresholding adalah
untuk membedakan objek dengan latar belakangnya. Setelah proses
thresholding proses selanjutnya adalah proses penghitungan nilai-nilai
parameter antara lain R, G, B, roundness, luas, keliling, panjang, hue (corak),
saturation (kejenuhan) dan intensity (selanjutnya disingkat HSI) dari tiap-tiap
pixel citra beras, baik beras kepala, butir patah besar, butir patah maupun
menir.
a. Pengukuran Parameter RGB (Red, Green dan Blue)
Paramater RGB diperoleh dari tiap-tiap pixel warna pada citra butir
beras yang merupakan nilai intensitas untuk masing-masing warna merah,
hijau, dan biru. Berdasarkan nilai RGB yang diperoleh, kemudian
dituntukan pula nilai indeks R, indeks G dan indeks B.
b. Pengukuran parameter Luas, Keliling dan Panjang setiap butir
beras
Pengukuran parameter luas, keliling dan panjang dari setiap butir
beras dilakukan dengan mengubah citra ke dalam bentuk hitam putih.
Pengukuran luas obyek dihitung dengan cara menghitung jumlah piksel
yang berwarna putih. Dari pengukuran luas obyek ini didapatkan hasil
sebaran nilai luas obyek dari masing-masing ukuran butir beras.Keliling
obyek ditentukan berdasarkan jumlah piksel yang membatasi obyek
dengan latar belakang. Prosedur pelacakan piksel yang membatasi obyek
dengan latar belakang dilakukan dengan cara membandingkan warna
piksel obyek dengan latar belakang. Piksel obyek berwarna putih dan
piksel latar belakang berwarna hitam, maka piksel-piksel putih yang
berbatasan dengan piksel-piksel hitam merupakan piksel terluar dari
obyek. Sehingga keliling dapat dihitung dari penjumlahan piksel-piksel
terluar. Berdasarkan hasil pengukuran keliling obyek ini didapatkan
hasil sebaran nilai keliling obyek dari masing-masing ukuran butiran
beras. Panjang obyek diperoleh dari pengukuran jarak pada masing-
masing piksel terluar terhadap piksel terluar yang lain dari obyek
tersebut. Nilai jarak tersebut kemudian dibandingkan untuk mencari
jarak yang paling panjang. Untuk menentukan panjang digunakan
metode jarak Euclidian. Jarak diperoleh dengan mengalikan jumlah
piksel dengan ukuran piksel. Rumus yang digunakan untuk mengukur
panjang adalah:
d([i1,j1],[i2,j2])=2
21
2
21 )()( jjii ....................................... (9)
Berdasarkan hasil pengukuran panjang dari obyek ini didapatkan hasil
sebaran nilai panjang obyek dari masing-masing ukuran butir beras.
15
c. Pengukuran Parameter Hue (Corak), Saturation (Kejenuhan) dan
Intensity (Intensitas)
Nilai parameter HSI (Hue, Saturation, Intensity) dihitung dengan
persamaan (4), (5), dan (6). Intensity dihitung dengan menjumlahkan
nilai intensitas warna merah, hijau, dan biru (RGB) setiap pixel dari citra
sehingga diperoleh algoritma untuk citra abu-abu.
3
BGRI
..................................................................................... (10)
))(()(2
2cos
2 BGBRGR
BGRH
.............................................. (11)
),,min(3
1 BGRBGR
S
.......................................................... (12)
3. Penyusunan Model Jaringan Syaraf Tiruan (JST)
Arsitektur jaringan syaraf tiruan yang dibangun terdiri dari tiga lapisan
(layer), yaitu input layer, hidden layer, dan output layer. Arsitektur JST yang
dibuat sebanyak dua buah dengan jumlah input dan output yang berbeda.
Arsitektur JST yang pertama adalah untuk menduga butir kepala, butir patah,
menir, butir gabah, butir merah, butir kuning, butir mengapur, dan benda
asing. Sebagai masukan pada input layernya adalah data parameter yang
berasal dari pengolahan citra, jumlah noda pada input layer sebanyak 13 unit
parameter, yaitu berupa intensitas warna merah (R), hijau (G), biru (B),
indeks R, indeks G, indeks B, roundness, luas, keliling, panjang, dan HSI.
Arsitektur JST yang kedua dibuat dengan tujuan untuk menduga derajat sosoh
beras (DS), yang meliputi DS 80%, DS 85%, DS 90%, DS 95% dan DS
100%. Parameter pada input layernya meliputi intensitas warna merah (R),
hijau (G), biru (B), indeks R, indeks G, indeks B, dan HSI. Jumlah noda pada
hidden layer adalah sebanyak (2*n) = 20 noda.
Data-data parameter yang dihasilkan pada pengolahan citra merupakan
input dalam JST. Algoritma yang digunakan dalam JST adalah algoritma
back propagation dengan laju pembelajaran (learning rate) 0.3 dan Logistic
Constant 0.5 (Rich dan Knight 1983). Arsitektur JST untuk menguji mutu
fisik beras dan derajat sosoh ditunjukkan pada Gambar 4 dan 5.
16
X0
X3
X2
X1
X8
X7
X6
X5
X4
X10
X9
h0
h3
h2
h1
y2
h7
h6
h5
h4
h20
y3
y1
Intensitas warna R
Luas
Roundness
Intensitas warna B
Intensitas warna G
Saturation
Hue (corak)
Panjang
Keliling
Intensity
Input Units Hidden Units Output
Butir kepala
Butir patah
Butir menir
Dimana :
Xi = variabel input noda i pada lapisan input, I = 0, 1, 2, …, 10
hj = output noda j pada lapisan hidden, j = 0, 1, 2, …, 20
yk = output noda k pada lapisan output, k = 1, 2, 3, 4
wij = bobot yang menghubungkan noda i pada lapisan input dengan noda j pada lapisan hidden
vjk = bobot yang menghubungkan noda j pada lapisan hidden dengan noda k pada lapisan output
WijVjk
y4
y5
y6
y7
y8
Butir merah
Butir kuning
Butir mengapur
Benda asing
Gabah
X11
X12
X13
R
G
B
Gambar 4 Arsitektur JST untuk menentukan klas mutu beras
17
X0
X3
X2
X1
X8
X7
X6
X5
X4
X9
h0
h3
h2
h1
y2
h7
h6
h5
h4
h20
y3
y1
R
Indeks G
Indeks R
B
G
I
S
H
Indeks B
Input Units Hidden Units Output
DS 80%
DS 85%
DS 90%
Dimana :
Xi = variabel input noda i pada lapisan input, I = 0, 1, 2, …, 10
hj = output noda j pada lapisan hidden, j = 0, 1, 2, …, 20
yk = output noda k pada lapisan output, k = 1, 2, 3, 4
wij = bobot yang menghubungkan noda i pada lapisan input dengan noda j pada lapisan hidden
vjk = bobot yang menghubungkan noda j pada lapisan hidden dengan noda k pada lapisan output
Wij Vjk
y4
y5
DS 95%
DS 100%
Gambar 5 Arsitektur JST untuk menentukan derajat sosoh beras
4. Validasi Model Jaringan Syaraf Tiruan
Validasi dilakukan sebagai proses pengujian kinerja JST terhadap contoh
berbeda yang belum diberikan selama proses training. Kinerja JST dapat
dinilai berdasarkan nilai RMSE (Root Mean Square Error) pada proses
generalisasi terhadap contoh data input-output baru, nilai RMSE dirumuskan
sebagai berikut:
18
RMSE =n
apn
i
1
2)(
dimana :
p = nilai prediksi yang dihasilkan oleh jaringan
a = nilai target yang diberikan pada jaringan
n = jumlah contoh data pada set data validasi
Proses validasi dilakukan dengan memasukkan nilai data contoh set
input-output yang diberikan selama proses training. Jika JST telah berhasil
selama proses training dan validasi, maka sistem tersebut dapat digunakan
untuk aplikasi selanjutnya.
Tahapan kegiatan penelitian dilakukan dalam dua tahap, yaitu penelitian
pendahuluan dan penelitian utama (Gambar 6). Penelitian pendahuluan
dilakukan dengan tujuan untuk : 1) mendapatkan jarak optimal antara kamera
web dan butiran beras; 2) menentukan latar belakang objek; 3) merancang
bangun perangkat real-time image processing; dan 4) menentukan intensitas
penyinaran dalam ruang sampel. Penelitian utama dilakukan dengan tujuan
untuk : 1) mendapatkan sistem pemrograman pengolahan citra dan JST; 2)
membangkitkan data karakteristik citra; 3) mendapatkan bobot terbaik dari
hasil training citra; dan 4) mendapatkan nilai validasi terbaik.
Sesuai?
Sampel Beras
Pengambilan citra
Penentuan jarak kamera,
penyinaran, latar belakang
Program pengolahan citra
Penentuan parameter
mutu fisik beras
Mulai
R,G,B, color value, Luas,
Keliling, Panjang, Hue,
Saturation, intensity
Sesuai?
Training
Penentuan bobot
Validasi
Sesuai?
Selesai
Pembuatan Perangkat Real Time Image Processing
A
A
Tidak
YaTidak
Tidak
Ya
Ya
Gambar 6 Diagram alir prosedur penelitian pengolahan citra digital dan JST
untuk menentukan mutu beras.
..................................................(13)
19
4 HASIL DAN PEMBAHASAN
Perangkat Real Time Image Processing
Perangkat Real Time Image Processing dirancang untuk memudahkan serta
mempercepat proses pengujian mutu beras. Perangkat ini diberi nama “RICE”
atau kepanjangan dari “Real time Image processing for Continuouse Evaluation”.
Secara lengkap perangkat pengujian mutu fisik beras seperti ditunjukkan pada
Gambar 7, 8 dan 9.
Gambar 7 Perangkat pengujian mutu fisik beras dengan pengolahan citra
digital
Gambar 8 Bagian luar perangkat pengujian mutu fisik beras
20
Gambar 9 Bagian dalam perangkat pengujian mutu fisik beras
Sistem Pergerakan beras
Sampel beras yang akan duji dimasukkan ke dalam hopper dan dijalankan
dengan menggunakan mekanisme conveyor – sabuk. Conveyor digerakan dengan
menggunakan motor DC 12 V dengan sistem transmisi daya sprocket rantai.
Pergerakan motor dikontrol dengan menggunakan micro controller. Pada
sabuknya diberi tanda berupa kertas metalik sebagai acuan penanda frame gambar.
Kertas metalik ini akan memantulkan cahaya dari pointer lasser dan pantulannya
kemudian ditangkap oleh sensor untuk memerintahkan motor berhenti selama 5
detik untuk menangkap citra beras.
Sistem Akuisisi Citra
Sistem akuisisi citra terdiri dari pengambilan citra, pengolahan data citra
serta sistem aplikasi penentuan mutu fisik beras. Pada sistem pengambilan citra,
digunakan dua kamera. Kamera pertama digunakan untuk menangkap citra beras
secara umum yang digunakan untuk menentukan mutu fisik beras (beras kepala,
beras patah, menir, gabah, beras rusak, merah, mengapur dan benda asing), dan
kamera yang kedua digunakan untuk menentukan derajat sosoh. Pada
pengambilan citra untuk penentuan derajat sosoh, citra ditangkap ketika penanda
terbaca oleh sensor, selanjutnya dilaporkan oleh mikrokontroler ke perangkat
komputer. Pada penentuan kelompok beras, citra diambil setiap 4 penanda terbaca.
Hal ini dikarenakan 1 frame citra terdiri dari 4 penanda. Secara umum algoritma
pengambilan citra dapat dilihat pada Gambar 10.
21
(a) Akuisisi citra mutu fisik beras (b) Akuisisi citra derajat sosoh
Gambar 10 Algoritma pengambilan citra beras
Tampilan antar muka sistem pengambilan citra beras seperti ditunjukkan
pada Gambar 11. Pada sistem tersebut tersedia fasilitas untuk pemilihan kamera,
koneksi ke sistem dan perintah untuk membersihkan sabuk sebagai alas beras dari
sisa-sisa kotoran sampel sebelumnya.
Tidak
Ya
Tidak
Ya
Mulai
Hubungkan kamera,
perangkat komunikasi
ke mikrokontroler
Motor bergerak
Penanda terbaca
4 kali?
Simpan citra
Citra beras
kosong?
Selesai
Tidak
Ya
Tidak
Ya
Mulai
tart
Hubungkan kamera,
perangkat komunikasi
ke mikrokontroler
Motor bergerak
Penanda terbaca
1 kali?
Simpan citra
Citra beras
kosong?
Selesai
22
Gambar 11 Tampilan antar muka pengambilan untuk pengambilan citra beras
Citra yang telah diambil kemudian dilatih menggunakan JST untuk dapat
menduga klasifikasi beras yang sesungguhnya berdasarkan karakteristik citra yang
diambil. Tahapan ini meliputi ekstraksi citra menjadi data-data karakteristik citra
seperti nilai Red, Green, Blue, Luas, Keliling, Roundness, Panjang, Hue,
Saturation, Intensity, Indeks Red, Indeks Green, dan Indeks Blue untuk penentuan
mutu fisik beras, sedangkan untuk penentuan derajat sosoh menggunakan
parameter : nilai Red, Green, Blue, Hue, Saturation, Intensity, Indeks Red, Indeks
Green, dan Indeks Blue. Pada tahap training, data yang digunakan pada masing-
masing kelompok mutu fisik minimal 150 butir, sehingga jumlah data training
minimal adalah 1200 data. Pada tahap validasi, data masing-masing tipe
berjumlah 100, sehingga total data minimal 800. Algoritma pengolahan data citra
dapat dilihat pada Gambar 12.
23
Hasil
Gambar 12 Algoritma pengolahan citra dan training beras
Tampilan antar muka dari sistem pengolahan citra dapat dilihat pada
Gambar 13 dan 14. Pada sistem ini tersedia fasilitas untuk melakukan pengolahan
citra berupa membangkitkan data citra, training dan validasi.
Tidak
Mulai
Pilih jenis beras
Training data dengan
JST
Akurasi training
dan validasi sudah
tercapai ?
Data training dan
validasi cukup?
Selesai
Load citra beras
Treshold citra
Ekstrak karakteristik
citra
Ya
Tidak
Ya
Input parameter
training
24
Gambar 13 Tampilan antar muka pengolahan citra beras
Gambar 14 Tampilan antar muka training mutu fisik beras
Tahap terakhir dari sistem ini adalah pengujian langsung secara real time
dengan menggunakan sistem aplikasi untuk menentukan mutu fisik beras.
Melalui penggunaan sistem aplikasi ini penentuan keputusan mutu fisik dapat
langsung diketahui ketika citra beras diambil. Pada tahapan ini sistem aplikasi
dikembangkan dengan menggabungkan hasil kegiatan pada tahapan sebelumnya,
yaitu sistem akuisisi citra serta pengolahan dan penentuan bobotnya. Nilai bobot
tersebut yang kemudian akan digunakan ketika proses pendugaan klasifikasi beras
secara real time berlangsung. Algoritma sistem akuisisi dan pendugaan beras
dapat dilihat pada Gambar 15.
25
Gambar 15 Algoritma penentuan klasifikasi mutu fisik beras
Tidak
Ya
Tidak
Ya
Mulai
Load bobot
Hubungkan kamera, perangkat
komunikasi ke mikrokontroler
Motor bergerak
Penanda terbaca 4
kali ?
Simpan citra
Ekstrak data karakteristik citra
Penentuan tipe beras dengan JST
Penentuan grade beras
Citra beras
kosong ?
Selesai
Simpan hasil pendugaan
26
Sistem Kontrol Pergerakan Motor
Pergerakan motor diatur menggunakan mikro kontroler melalui perangkat
H-Bridge seperti pada Gambar 16. Pergerakan motor dilakukan berdasarkan input
dari perangkat komputer. Motor bergerak sehingga terjadi pergantian frame dalam
pengambilan citra. Input yang juga digunakan sebagai penentu gerakan motor
adalah hasil pembacaan sensor LDR (Gambar 17) dengan sumber cahaya berupa
sinar laser merah. Pada saat sinar laser merah mengenai penanda pada conveyor,
maka terjadi perubahan mendadak pada pembacaan LDR dan dijadikan acuan
untuk menghentikan pergerakan motor. Secara umum algoritma sistem pergerakan
motor dapat dilihat pada Gambar 18.
Gambar 16 Kotak kontrol otomatik
Gambar 17 Sensor LDR
27
Gambar 18 Algoritma sistem pergerakan motor
Motor pada perangkat „RICE‟ akan terus bergerak dan berhenti selama lima
detik untuk melakukan penyesuaian fokus kamera secara otomatis terhadap objek.
Berhentinya motor ini terjadi setelah penanda dibaca empat kali oleh sensor dan
ketika berhenti kemudian dilakukan proses thresholding serta pembacaan
karakteristik fisik citra beras.
Sistem Aplikasi Pengolahan Citra Untuk Pengujian Fisik Beras
Sistem aplikasi pengolahan citra merupakan perangkat lunak untuk
pengambilan keputusan tingkat mutu fisik beras yang diuji. Pada sistem aplikasi
ini dilengkapi dengan fasilitas pengaturan untuk mengoperasikan perangkat keras
pengujian mutu fisik beras secara otomatis. Fasilitas-fasilitas tersebut meliputi :
- Load bobot berfungsi untuk memanggil bobot JST hasil training
- Connect berfungsi untuk menghubungkan komputer dengan kemera web
- Run berfungsi untuk memerintahkan perangkat keras untuk bergerak dan
melakukan proses pengujian mutu fisik beras
- Rerun berfungsi untuk memerintahkan perangkat keras untuk bergerak
kembali untuk melakukan proses pengujian setelah distop sementara
- Stop berfungsi untuk menghentikan proses pengujian mutu fisik beras
- Cleaning berfungsi untuk membersihkan belt dari kotoran atau sisa sampel.
- Exit berfungsi untuk keluar dari sistem
Mulai
Motor bergerak
Penanda terbaca
4 kali ?
Motor berhenti
Delay 5 detik
Tidak
Ya
Selesai
Perintah gerak dari komputer
28
Cara mengoperasikan perangkat lunak ini adalah sebagai berikut :
- Pastikan kabel power, kontrol otomatik dan kabel kamera sudah terpasang
dengan baik
- Panggil program aplikasi pengolahan citra
- Panggil bobot citra beras dengan meng-klik tombol Load bobot
- Hubungkan sistem dengan kamera dengan meng-klik tombol Connect
- Jalankan sistem dengan meng-klik Run
Setelah tombol Run diklik, maka perangkat pengujian mutu fisik citra akan
bergerak secara otomatis. Pada saat ini bahan uji dapat segera diumpankan secara
teratur pada hopper. Selama proses berjalan maka secara secara bertkala sistem
akan memberikan hasilnya berupa parameter mutu fisik. Tampilan antar muka
sistem pengujian mutu fisik beras seperti pada Gambar 19.
Gambar 19 Tampilan antar muka sistem pengujian mutu fisik beras
Karakteristik Citra Beras
Karakteristik citra beras dengan menggunakan perangkat „RICE‟ seperti
ditunjukkan pada Gambar 20. Berdasarkan Gambar tersebut terlihat bahwa setiap
frame citra tidak terisi secara optimal pada setiap pengambilan citra. Hal ini
merupakan salah satu kelemahan dari sistem pembagi sampel beras, sampel tidak
menyebar secara merata dan menyebabkan frame yang diambil banyak serta
waktu yang dibutuhkan relatif lebih lama sekitar 10.5 menit untuk setiap 100
gram sampel beras.
29
(a). Beras kepala (b). Beras patah
(c). Beras menir (d). Gabah
(e). Beras mengapur (f). Beras rusak
(g). Beras merah (h). Benda asing
Gambar 20 Citra beras yang diambil dari perangkat pemutuan “RICE”
30
Secara lengkap karakteristik citra beras untuk masing-masing kriteria mutu
fisik ditampilkan pada Gambar 21 sampai dengan Gambar 33.
Gambar 21 Karakteristik sebaran warna R setiap parameter mutu fisik beras
Gambar 22 Karakteristik sebaran warna G setiap parameter mutu fisik beras
Gambar 23 Karakteristik sebaran warna B setiap parameter mutu fisik beras
135.07 133.20 135.27 138.37 163.57
112.71 99.27 103.93
0
50
100
150
200
250
ButirKepala
ButirPatah
ButirMenir
ButirGabah
ButirMengapur
ButirRusak
ButirMerah
BendaAsing
R (
pik
sel)
143.73 140.10 142.78 129.35
166.47
110.95 80.81
103.77
0
50
100
150
200
250
ButirKepala
ButirPatah
ButirMenir
ButirGabah
ButirMengapur
ButirRusak
ButirMerah
BendaAsing
G (
pik
sel)
173.06 167.57 176.80
122.45
185.76
125.10 93.94
125.65
0
50
100
150
200
250
ButirKepala
ButirPatah
ButirMenir
ButirGabah
ButirMengapur
ButirRusak
ButirMerah
BendaAsing
B (
pik
sel)
31
Gambar 24 Karakteristik Roundness setiap parameter mutu fisik beras
Gambar 25 Karakteristik Luas setiap parameter mutu fisik beras
Gambar 26 Karakteristik Keliling setiap parameter mutu fisik beras
Gambar 27 Karakteristik Panjang setiap parameter mutu fisik beras
0.4011
0.6705 0.8580
0.3203
0.7399
0.5114 0.4777
0.8511
0
0,2
0,4
0,6
0,8
1
1,2
1,4
ButirKepala
ButirPatah
ButirMenir
ButirGabah
ButirMengapur
ButirRusak
ButirMerah
BendaAsing
Ro
un
dn
ess
95.76 56.36
30.31
187.22
55.03 80.93 100.25
27.48 0
50100150200250300
ButirKepala
ButirPatah
ButirMenir
ButirGabah
ButirMengapur
ButirRusak
ButirMerah
BendaAsing
Luas
(p
ikse
l2)
48.86
31.70 21.03
74.36
30.76 42.04
48.82
19.40
0
20
40
60
80
100
ButirKepala
ButirPatah
ButirMenir
ButirGabah
ButirMengapur
ButirRusak
ButirMerah
BendaAsing
Kel
ilin
g (p
ikse
l)
17.49
10.48 6.76
27.35
10.05 14.69 17.16
6.36 0
10
20
30
40
ButirKepala
ButirPatah
ButirMenir
ButirGabah
ButirMengapur
ButirRusak
ButirMerah
BendaAsing
Pan
jan
g (p
ikse
l)
32
Gambar 28 Karakteristik H setiap parameter mutu fisik beras
Gambar 29 Karakteristik S setiap parameter mutu fisik beras
Gambar 30 Karakteristik I setiap parameter mutu fisik beras
Gambar 31 Karakteristik indeks R setiap parameter mutu fisik beras
358.66 358.33 358.26
71.07
290.74
222.18
70.92
302.15
0
100
200
300
400
ButirKepala
ButirPatah
ButirMenir
ButirGabah
ButirMengapur
ButirRusak
ButirMerah
BendaAsing
Hu
e
0.1065 0.0994 0.1131 0.1132
0.0741 0.0776
0.1344 0.1022
0
0,05
0,1
0,15
0,2
0,25
ButirKepala
ButirPatah
ButirMenir
ButirGabah
ButirMengapur
ButirRusak
ButirMerah
BendaAsing
Satu
rati
on
151.16 147.42 152.12 130.55
172.46
116.73 91.81
111.57
0
50
100
150
200
250
ButirKepala
ButirPatah
ButirMenir
ButirGabah
ButirMengapur
ButirRusak
ButirMerah
BendaAsing
Inte
nsi
ty (
pik
sel)
0.2986 0.3014 0.2968
0.3556
0.3170 0.3242
0.3655
0. 3116
0,25
0,3
0,35
0,4
0,45
ButirKepala
ButirPatah
ButirMenir
ButirGabah
ButirMengapur
ButirRusak
ButirMerah
BendaAsing
Ind
eks
R
33
Gambar 32 Karakteristik indeks G setiap parameter mutu fisik beras
Gambar 33 Karakteristik indeks B setiap parameter mutu fisik beras
Berdasarkan karakteristik di atas terlihat bahwa karakteristik R, G, B, indeks
R, indeks G, indeks B, roundness, luas, keliling, panjang, Hue, Saturation dan
Intensity untuk seluruh komponen mutu fisik beras besaran nilai rata-ratanya
berada pada rentang yang bervariasi meskipun sebagian besar terlihat beririsan.
Hal ini tentunya sangat dipengaruhi oleh bentuk dan warna dari masing-masing
kriteria mutu fisik beras. Bentuk beras juga sangat bervariasi tergantung pada
varietasnya. Variasi ukuran dan warna ini yang menyebabkan terjadinya irisan
pada karakteristik citranya. Semakin besar irisan karakteristik citra yang terjadi
pada komponen mutu fisik beras, maka akan semakin sulit untuk menduga
perbedaan setiap mutu fisik beras berdasarkan karakteristik citra tersebut.
Pada karakteristik R, G, B rata-rata terendah dimiliki oleh beras merah
sedangkan rata-rata tertingginya dimiliki oleh beras mengapur, sehingga hal ini
sangat memudahkan sistem dalam menduga perbedaan beras merah dan beras
mengapur berdasarkan karakteristik R, G dan B. Pada karakteristik luas,
roundness, keliling dan panjang nilainya lebih beragam terutama untuk butir
kepala, butir patah, butir menir dan butir gabah, sehingga kemungkinan besar
karakteristik luas, roundness, keliling dan panjang ini sangat berpengaruh dalam
membedakan kelompok mutu fisik ini.
Pada karakteristik H, S, dan I tingkat keragamannya sangat tinggi terutama
untuk butir beras mengapur, butir rusak, butir merah dan benda asing, sehingga
karakteristik HSI ini sangat besar pengaruhnya dalam membedakan kelompok
mutu fisik ini.
0.3176 0.3171 0.3132
0.3287 0.3203 0.3164
0.2907
0.3098
0,25
0,27
0,29
0,31
0,33
0,35
ButirKepala
ButirPatah
ButirMenir
ButirGabah
ButirMengapur
ButirRusak
ButirMerah
BendaAsing
ind
eks
G
0.3838 0.3815 0.3901
0.3157
0.3626 0.3593 0.3438
0.3786
0,27
0,32
0,37
0,42
0,47
ButirKepala
ButirPatah
ButirMenir
ButirGabah
ButirMengapur
ButirRusak
ButirMerah
BendaAsing
Ind
eks
B
34
Pada karakteristik R indeks, G indeks dan B indeks keragaman nilai
tertinggi ditunjukkan pada kelompok butir gabah, butir mengapur, butir rusak,
butir merah dan benda asing, meskipun irisannya juga masih cukup besar pada
setiap kelompok beras ini. Pada kelompok beras dengan irisan yang besar pada
karakteristik warnanya tentunya akan menyulitkan dalam membedakan antar
kelompok tersebut. Hal ini dapat menyebabkan kesalahan dalam pendugaan.
Berdasarkan kenyataan di atas dapat dikatakan bahwa secara umum
karakteristik citra mutu fisik beras dapat dikelompokkan ke dalam dua kelompok
besar, yaitu :
(1) Kelompok butir kepala, butir patah, butir menir, dan butir gabah lebih kuat
pengaruhnya jika dipisahkan berdasarkan karakteristik bentuk (luas, panjang,
roundness dan keliling)
(2) Kelompok butir mengapur, butir rusak, butir merah dan benda asing kuat
pengaruhnya jika dipisahkan berdasarkan karakteristik warna (RGB dan HSI).
Training dan Validasi Mutu Fisik Beras
Hasil training dan validasi beras Inpari 10 seperti ditunjukkan pada
Lampiran 1 dan 2. Pada lampiran tersebut terlihat bahwa pendugaan gabah
memiliki nilai akurasi tertinggi baik pada saat training maupun validasi, yaitu
100%, sedangkan pendugaan beras kepala pada saat training 94.84%, sedangkan
validasinya 91.51%. Turunnya nilai akurasi pendugaan ini disebabkan oleh masih
adanya salah duga dan butir yang tidak dikenal. Secara keseluruhan nilai akurasi
training beras Inpari 10 ini adalah 90.53%, sedangkan validasinya adalah 81.02%.
Turunnya nilai akurasi total ini disebabkan oleh turunnya nilai pendugaan benda
asing. Hal ini dapat dipahami karena bentuk benda asing ini pada umumnya tidak
beraturan.
Hasil training dan validasi beras Inpari 13 seperti ditunjukkan pada
Lampiran 3 dan 4. Pada lampiran tersebut terlihat bahwa pendugaan pada saat
training akurasi beras kepala cukup baik yaitu 99.38%, namun pada saat validasi
turun menjadi 89.38%. Hal ini disebabkan oleh adanya salah duga, tidak dikenal
dan error. Secara keseluruhan nilai akurasi training beras Inpari 13 hanya 85.33%,
dan validasinya 70.08%. Rendahnya nilai akurasi total ini, disebabkan kecilnya
angka pendugaan beras patah, yaitu 29.61% pada saat training dan 24.56% pada
saat validasi, yang disebabkan oleh tingginya salah duga, tidak dikenal dan error.
Di samping itu ketika dilakukan validasi hanya diperoleh nilai akurasi sebesar
42.73%.
Hasil training dan validasi beras Inpari 19 seperti ditunjukkan pada
Lampiran 5 dan 6. Pada lampiran tersebut terlihat bahwa pendugaan beras kepala
cukup tinggi, yaitu 98.86% pada saat training dan 94.29% pada saat trainingnya.
Pendugaan gabah dan butir merah sangat tinggi mencapai 100%, meskipun pada
saat validasi mengalami sedikit penurunan. Secara keseluruhan nilai akurasi total
training diperoleh 95.39% dan validasinya adalah 81.16%. Pada beras Inpari 19
ini juga terjadi penurunan nilai akurasi pada saat validasi yang terjadi pada benda
asing yang hanya diperoleh akurasi 58.18%.
Hasil training dan validasi beras Muncul seperti ditunjukkan pada Lampiran
7 dan 8. Pada lampiran tersebut terlihat bahwa pendugaan beras kepala pada saat
training diperoleh sangat tinggi akurasinya, yaitu 99.38% dan validasinya
menurun saat dilakukan validasi menjadi 93.96% yang disebabkan oleh adanya
35
salah duga dan tidak dikenal. Secara keseluruhan akurasi total trainingnya adalah
93.87%, sedangkan validasinya 83.12%. Besarnya salah duga dan butiran yang
tidak dikenal menyebabkan akurasi validasinya turun.
Hasil training dan validasi beras Fatmawati seperti ditunjukkan pada
Lampiran 9 dan 10. Pada lampiran tersebut terlihat bahwa pendugaan beras
kepala akurasi trainingnya sebesar 99.33% dan validasinya sebesar 96.75%.
Secara keseluruhan total akurasi training adalah 91.59% dan validasinya 79.97%.
Turunnya nilai validasi disebabkan oleh tingginya salah dugaan dan butir patah
yang diduga sebagai butir menir. Pada benda asing terjadi juga penurunan yang
besar akibat salah pendugaan, sehingga secara total nilai akuransinya turun.
Rekapitulasi data hasil training dan validasi pengolahan citra pada perangkat
“RICE‟, seperti ditunjukkan pada Tabel 4 dan 5. Beragamnya nilai akurasi hasil
training dan validasi dapat juga disebabkan oleh human error, yaitu kurang
telitinya dalam melakukan persiapan pengelompokan sampel beras sebelum
dilakukan proses training dan validasi, sehingga nilai akurasi training dan
validasinya menjadi tidak optimal. Hal ini yang mempengaruhi adalah kondisi
penerangan yang tidak stabil akibat naik turunnya tegangan listrik, sehingga
sangat besar pengaruhnya terhadap nilai akurasi training.
Tabel 4 Hasil training beras pada perangkat “RICE”
No. Mutu Fisik Varietas
Inpari 10 Inpari 13 Inpari 19 Muncul Fatmawati
(%)
1. Butir Kepala 94.84 99.38 98.86 99.38 99.33
2. Butir Patah 91.35 29.61 88.89 84.11 76.67
3. Butir Menir 72.15 86.45 91.08 95.57 82.25
4. Butir Gabah 100.00 100.00 100.00 100.00 100.00
5. Butir Mengapur 97.25 96.70 94.51 97.80 96.15
6. Butir Rusak 81.93 87.95 93.98 89.16 92.77
7. Buitr Merah 98.15 99.38 100.00 100.00 99.38
8. Benda Asing 88.55 83.13 95.78 84.94 86.14
Akurasi total (%) 90.53 85.33 95.39 93.87 91.59
Tabel 5 Hasil validasi beras pada perangkat “RICE”
No. Mutu Fisik Varietas
Inpari 10 Inpari 13 Inpari 19 Muncul Fatmawati
(%)
1. Butir Kepala 91.51 89.38 94.29 93.96 96.75
2. Butir Patah 80.77 24.56 69.60 72.97 66.96
3. Butir Menir 71.55 69.53 77.40 70.48 69.64
4. Butir Gabah 100.00 98.17 99.08 100.00 94.59
5. Butir Mengapur 82.14 86.61 82.14 83.04 93.75
6. Butir Rusak 70.18 59.65 74.56 76.32 64.04
7. Buitr Merah 92.00 90.00 94.00 90.00 94.00
8. Benda Asing 60.00 42.73 58.18 78.18 60.00
Akurasi total (%) 81.02 70.08 81.16 83.12 79.97
36
Aplikasi Sistem Penduga Mutu Fisik Beras secara Real Time
Aplikasi sistem penduga mutu fisik beras dilakukan dengan menggunakan
nilai bobot yang diperoleh dari proses training. Pengujian dilakukan dengan
menggunakan sampel dari beras varietas Inpari 19, Inpari 13, Fatmawati, Muncul
dan Inpari 10 yang diambil secara acak dari populasi beras campuran berbagai
kriteria mutu fisik. Hasil pendugaan dengan menggunakan sistem aplikasi
tersebut disajikan pada Tabel 6.
Tabel 6 Hasil pendugaan mutu fisik beras secara real time
No. Mutu Fisik
Varietas
Inpari 19 Inpari 13 Fatmawati Muncul Inpari 10
A B A B A B A B A B
(butir beras)
1. Butir Kepala 47 36 22 21 52 51 14 11 8 4
2. Butir Patah 9 7 2 2 3 0 3 0 1 0
3. Butir Menir 12 4 6 5 3 1 4 0 1 1
4. Butir Gabah 3 8 0 0 2 0 5 2 0 0
5. Butir Mengapur 11 8 4 2 12 12 38 36 23 19
6. Butir Rusak 8 4 5 4 7 7 19 10 22 20
7. Butir Merah 4 3 3 2 3 2 20 18 13 11
8. Benda Asing 1 1 1 1 1 2 11 8 15 13
Akurasi 94 % 82 % 75 % 54 % 71 %
Keterangan :
A : Butir beras aktual
B : Butir beras pendugaan
Berdasarkan Tabel 6 di atas terlihat bahwa beras Inpari 19 memiliki tingkat
akurasi yang baik dibandingkan dengan ke 4 varietas yang lainnya, sedangkan
yang terkecil adalah beras varietas Muncul. Tingkat akurasi ini sangat tergantung
pada akurasi hasil training dan validasinya. Semakin tinggi akurasi training dan
validasi, maka akan semakin baik pula pendugaan terhadap masing-masing
kriteria mutu fisik beras pada setiap varietas.
Sebagai contoh pendugaan mutu fisik beras varietas Inpari 19 yang diambil
salah satu frame hasil capture dari perangkat “RICE” seperti pada Gambar 34.
Selanjutnya dari gambar tersebut dihitung secara manual masing-masing butir
beras sesuai kriteria mutu fisiknya. Berdasarkan hasil peritungan manual pada
frame tersebut, kemudian disandingkan hasilnya dengan hasil pendugaan dari
sistem penduga mutu fisik beras secara real time. Hasil perhitungan manual
seperti pada Tabel 7, sedangkan hasil pendugaannya seperti pada Gambar 35.
Cara pendugaan ini dilakukan juga terhadap beras varietas Inpari 13, Inpari 10,
Muncul dan Fatmawati dan hasilnya seperti pada Tabel 6.
37
Gambar 34 Sampel beras Inpari 19 yang diuji
Tabel 7 Data aktual sampel beras Inpari 19
No Parameter Mutu Jumlah butir
1. Beras Kepala 47
2. Beras Patah 9
3. Beras Menir 12
4. Gabah 3
5. Beras Mengapur 11
6. Beras Rusak 8
7. Beras Merah 4
8. Benda Asing 1
Gambar 35 Hasil pendugaan mutu fisik beras Inpari 19
38
Karakteristik Derajat Sosoh Beras
Dalam proses penyosohan beras pecah kulit menjadi beras giling tingkat
derajat sosoh menjadi sangat penting. Ditinjau dari kepentingan konsumen
terhadap beras sebagai bahan pangan, lapisan luar yang mempunyai kandungan
gizi sebaiknya tidak disosoh sepenuhnya. Sebaliknya bagi kepentingan
pengadaan pangan dengan tujuan penyimpanan jangka panjang, adanya lapisan
aleuron yang tinggi akan menurunkan daya simpannya, karena lapisan aleuron
pada beras menyebabkan beras menjadi cepat tengik.
Untuk mengontrol proses penyosohan beras di penggilingan beras sehingga
diperoleh derajat sosoh yang dikehendaki, maka perlu adanya cara pengukuran
derajat sosoh yang cepat dan akurat. Hal ini diperlukan dalam transaksi
perdagangan dan pengadaan beras. Selama ini metode pengukuran derajat sosoh
dilakukan berdasarkan pendugaan jumlah dedak yang disosoh atau dedak yang
tersisa. Hal ini pula yang dilakukan di Instalasi Penelitian Pascapanen Karawang,
semua kegiatan penentuan derajat sosoh masih dilakukan secara mekanis dan
dilanjutkan penentuan derajat sosohnya secara visual oleh operator yang sudah
terlatih.
Sehubungan dengan hal tersebut di atas, hasil pengujian derajat sosoh secara
mekanis tersebut diuji kembali dengan menggunakan perangkat pengujian mutu
fisik beras dengan menggunakan pengolahan citra digital. Pengambilan citra
derajat sosoh beras dengan menggunakan perangkat pemutuan “RICE”
menghasilkan citra seperti pada Gambar 36. Citra ini diperoleh melalui tangkapan
kamera mikroskop digital dengan perbesaran 50 kali. Selanjutnya citra yang
diperoleh dilakukan training dan validasi, sehingga diharapkan akan diperoleh
bobot yang baik untuk kebutuhan pendugaan derajat sosoh beras.
39
DS 80% DS 85%
DS 90% DS 95%
DS 100%
Gambar 36 Citra beras pada berbagai derajat sosoh
Berdasarkan citra di atas kemudian dilakukan pengolahan citra dan hasilnya
seperti ditunjukkan pada Gambar 37 sampai dengan Gambar 45. Pangolahan citra
yang dilakukan meliputi pembangkitan karakteristik R, G, B, indeks R, indeks G,
indeks B, H, S dan I. Berdasarkan Gambar tersebut, secara keseluruhan
karakteristik citra beras sosoh menunjukkan karakter yang hampir sama untuk
masing-masing beras sosoh.
40
Gambar 37 Karakteristik sebaran warna R beras sosoh
Berdasarkan Gambar 37 terlihat bahwa untuk karaktersitik R rentang
nilainya berada pada kisaran yang hampir sama untuk semua derajat sosoh,
demikian juga nilai rata-ratanya. Kondisi ini tentunya sangat menyulitkan sistem
dalam membedakan kelompok beras berdasarkan derajat sosohnya.
Gambar 38 Karakteristik sebaran warna G beras sosoh
Gambar 39 Karakteristik sebaran warna B beras sosoh
127.76 127.05 126.63 124.57 127.57
80
100
120
140
160
180
Sosoh 80% Sosoh 85% Sosoh 90% Sosoh 95% Sosoh 100%
R (
pik
sel)
128.43 127.36 126.70 124.76 127.59
80
100
120
140
160
180
200
Sosoh 80% Sosoh 85% Sosoh 90% Sosoh 95% Sosoh 100%
G (
pik
sel)
123.74 123.85 122.89 121.57 123.77
90
100
110
120
130
140
150
160
Sosoh 80% Sosoh 85% Sosoh 90% Sosoh 95% Sosoh 100%
B (
pik
sel)
41
Gambar 40 Karakteristik indeks R beras sosoh
Gambar 41 Karakteristik indeks G beras sosoh
Gambar 42 Karakteristik indeks B beras sosoh
Gambar 43 Karakteristik H beras sosoh
98.11 84.59 77.49 61.91 55.76
0
50
100
150
200
250
300
Sosoh 80% Sosoh 85% Sosoh 90% Sosoh 95% Sosoh 100%
Ind
eks
R
0.3363 0.3355 0.3356 0.3352 0.3351
0,325
0,335
0,345
0,355
0,365
Sosoh 80% Sosoh 85% Sosoh 90% Sosoh 95% Sosoh 100%
Ind
eks
G
0.3262 0.3272 0.3267 0.3276 0.3268
0,295
0,305
0,315
0,325
0,335
0,345
Sosoh 80% Sosoh 85% Sosoh 90% Sosoh 95% Sosoh 100%
Ind
eks
B
128.76 130.05 117.73 127.75 120.91
0
50
100
150
200
250
Sosoh 80% Sosoh 85% Sosoh 90% Sosoh 95% Sosoh 100%
Hu
e
42
Gambar 44 Karakteristik S beras sosoh
Gambar 45 Karakteristik I beras sosoh
Seperti halnya pada karakteristik R di atas, karakteristik G, B, indeks R,
indeks G, indeks B, H, S dan I seperti terlihat pada Gambar 36 sampai dengan
Gambar 43 semuanya mengalami hal yang serupa, yaitu nilai rata-ratanya yang
sangat berdekatan, rentang nilainya juga hampir sama dan membentuk irisan yang
sangat besar bahkan terlihat setangkup, sehingga karakteristik G dan B pun akan
menyulitkan sistem dalam membedakan kelompok beras berdasarkan derajat
sosohnya.
Training dan Validasi Derajat Sosoh Beras
Hasil pengolahan citra beras di atas selanjutnya dilakukan training dan
validasi untuk mendapatkan bobot yang menggambarkan akurasi terbaik. Secara
keseluruhan hasil pendugaan dilakukan dengan menggunakan JST, seperti
ditunjukkan pada Gambar 46.
0.0376 0.0330 0.0333 0.0314 0.0335
0
0,02
0,04
0,06
0,08
0,1
0,12
Sosoh 80% Sosoh 85% Sosoh 90% Sosoh 95% Sosoh 100%
Satu
rati
on
126.65 126.09 125.41 123.64 126.31
100
120
140
160
180
Sosoh 80% Sosoh 85% Sosoh 90% Sosoh 95% Sosoh 100%
Inte
nsi
ty (
pik
sel)
43
(a). Training
(b). Validasi
Gambar 46 Grafik pendugaan derajat sosoh dan derajat sosoh real.
Berdasarkan hasil pendugaan pada Gambar 46, terlihat bahwa tidak ada
keselarasan antara hasil training dan validasi. Hasil training menunjukkan bahwa
pendugaan derajat sosoh beras sudah cukup baik, hal ini terlihat bahwa kelompok
beras hasil pendugaan sudah dapat menggambarkan derajat sosoh yang
sesungguhnya. Namun pada saat validasi, hasilnya tidak dapat menggambarkan
kondisi beras sosoh yang sesungguhnya, sehingga dengan demikian dapat
disimpulkan bahwa sistem belum mampu melakukan pendugaan derajat sosoh
dengan baik. Hal ini diduga karena data yang digunakan untuk training sangat
berbeda jauh dengan data yang dipergunakan untuk validasi sehingga tidak ada
karakteristik yang signifikan yang membedakan antara masing-masing derajat
y = 0.9677x + 1.9767 R² = 0.9269
70
75
80
85
90
95
100
70 75 80 85 90 95 100
Der
ajat
so
soh
du
gaan
(%
)
Derajat sosoh real (%)
y = -0.422x + 126.21 R² = 0.171
70
75
80
85
90
95
100
70 75 80 85 90 95 100
Der
ajat
so
soh
du
gaan
(%
)
Derajat sosoh real (%)
44
sosoh. Hal ini dapat dilihat pada nilai Hue yang dihasilkan oleh masing-masing
derajat sosoh pada Gambar 47 di bawah ini.
(a). Training
(b). Validasi
Gambar 47 Nilai Hue butiran beras pada setiap tingkatan derajat sosoh
Berdasarkan karakteristik nilai hue diatas, terlihat bahwa tidak ada batas
yang jelas antara kelompok beras dengan derajat sosoh 100%, 95%, 90%, 85%,
dan 80% serta tidak mengelompoknya nilai-nilai tersebut berdasarkan derajat
sosoh masing-masing, baik pada proses training maupun validasi. Berdasarkan
nilai akurasi derajat sosoh yang rendah, maka tidak dilanjutkan dengan pengujian
derajat sosoh secara real time.
Beberapa hal yang dapat disampaikan berkenaan dengan sulitnya
mengidentifikasi derajat sosoh dengan cara pengolahan citra ini adalah sebagai
berikut :
- Beras sosoh yang diuji merupakan beras sosoh yang dihasilkan dari cara
penyosohan mekanis dan pengujiannya masih dengan cara visual yang
seringkali menimbulkan masalah di lapangan.
- Akibat cara penyosohan mekanis tersebut, ketebalan aleuron pada beras sosoh
menjadi tidak konsisten untuk masing-masing kelompok, sehingga berdampak
pada hasil training dan validasi yang tidak konsisten pula. Berdasarkan
0
20
40
60
80
100
120
140
0 10 20 30
Hu
e
DR100
DR95
DR90
DR85
DR80
butir ke
0
20
40
60
80
100
120
140
0 5 10 15 20
Hu
e
DR100
DR95
DR90
DR85
DR80
butir ke
45
kenyataan ini perlu dicari cara lain dalam menduga derajat sosoh dengan
pengolahan citra, seperti pengambilan citra tidak dalam bentuk sebaran, tapi
dalam bentuk tumpukan untuk menghindari terjadinya bayangan warna latar
belakang karena beras sosoh bentuknya transparan.
5 SIMPULAN DAN SARAN
Simpulan
Dari penelitian ini dapat disimpulkan beberapa hal berikut :
1) Telah dibuat perangkat pengujian mutu fisik beras secara real time dengan
menggunakan teknologi pengolahan citra dan JST. Perangkat ini terdiri dari
perangkat keras dan perangkat lunak. Semua komponennya secara fungsional
dapat bekerja seperti yang diharapkan. Hasil pengujian terhadap 5 varietas
beras menunjukkan bahwa sistem pergerakan sampel, akuisisi citra, proses
training, validasi dan aplikasi pendugaan mutu beras sudah dapat berfungsi
dengan baik.
2) Proses training terhadap lima varietas beras menunjukkan hasil pendugaan
yang baik terutama dalam menduga beras kepala rata-rata akurasinya di atas
90%, sedangkan validasinya mengalami penurunan akibat rendahnya akurasi
benda asing yang disebabkan oleh bentuknya yang tidak beraturan dan
warnanya beragam, sehingga menyulitkan sistem dalam mengenalinya. Secara
keseluruhan menunjukkan bahwa penggunaan 13 input parameter dengan 20
lapisan tersembunyi pada JST mampu mengenali dengan baik 8 jenis output
mutu fisik beras. Sebaliknya pada pengujian derajat sosoh dengan
menggunakan 9 input parameter dan 20 lapisan tersembunyi, tidak mampu
menduga 5 jenis derajat sosoh beras, sehingga belum dapat dilanjutkan pada
proses aplikasinya. Hal ini disebabkan oleh ketebalan aleuron pada beras
sosoh yang tidak konsisten untuk masing-masing kelompok derajat sosoh beras.
Saran
Untuk penyempurnaan alat ini disarankan beberapa hal berikut :
1) Diperlukan perbaikan pada perangkat pemasukan sampel beras, sehingga
sampel dapat menyebar di atas sabuk (belt) secara merata. Hal ini penting
untuk dilakukan agar pengambilan citra dapat optimal di setiap binkainya,
sehingga waktu yang diperlukan untuk proses pengolahan dapat lebih cepat.
2) Diperlukan ketelitian yang tinggi dalam pemilihan sampel beras yang akan
diuji sehingga menghasilkan akurasi yang tinggi dalam proses training dan
validasinya.
3) Diperlukan kajian yang lebih mendalam tentang karakteristik derajat sosoh
butiran beras sebelum dilakukan identifikasi dengan pengolahan citra. Hal ini
penting dilakukan untuk pemilihan jenis kamera, bentuk dan kualitas
penyinaran yang sesuai dengan karakteristik derajat sosoh beras tersebut.
46
DAFTAR PUSTAKA
Allidawati dan Kustianto. 1989. Metode Uji Mutu Beras Dalam Program
Pemuliaan Padi. Padi Buku 2. Badan Penelitian dan Pengembangan Pertanian
Pusat Penelitian dan Pengembangan Pertanian. Pusat Penelitian dan
Pengembangan Tanaman Pangan. Bogor.
Anonymous. 1972. Laporan Studi Tahunan Standarisasi/Grading Padi dan Beras
di Indonesia. Sub Kelompok Processing National Rice Research Program.
Bogor.
Arymurthy AM dan Suryana S. 1992. Pengantar Pengolahan Citra. PT Elex
Media Komputindo. Jakarta.
Ahmed J, Jafri MN, Ahmad J, dan Khan MI. 2005. Design and Implementation Of
A Neural Network For Real-Time Object Tracking. World Academy Of
Science, Engineering And Technology : 6 : 209-212.
Alchanatis V, Peleg K, dan M Ziv. 1993. Classification of Tissue Segments By
Colour Machine Vision. Journal of Agricultural Engineering Research : 55 :
299 – 311.
Anonymous. 2008. SNI Beras Giling (SNI 6128:2008). Badan Standardisasi
Nasional. Jakarta, 9 Halaman.
Ahmad U, Subrata IDM, dan Gunayanti S. 2004. Pemutuan buah mangga
berdasarkan penampakannya menggunakan pengolahan citra. Jurnal
Keteknikan Pertanian, Vol 18 No. 1. Departemen Teknik Pertanian, IPB.
Blasco JN, Aleixos J, Go´mez E, Molto. 2007. Citrus sorting by identification of
the most common defects using multispectral computer vision. Journal of Food
Engineering 83: 384–393.
Blasco J, S Cubero, J Gómez-Sanchís, P Mira, E Moltó. 2009. Development of a
machine for the automatic sorting of pomegranate (Punica granatum) arils
based on computer vision. Journal of Food Engineering Vol 90: 27–34.
Behrens T, Diepenbrock W. 2006. Using digital image analysis to describe
canopies of winter oilseed rape during vegetative developmental stages.
Journal of Agron-omy and Crop Science 192, 295–302.
Chen P, MJ McCarthy, and R Kauten. 1989. NMR for internal quality evaluation
of fruits and vegetables. Trans. ASAE 32:1747-1753.
Daradjat AA, Baehaki, HM Toha, Dan SJ Munarso. 1999. Hasil Penelitian
Teknologi Tepat Guna Menunjang Palagung. Pusat Penelitian dan
Pengembangan Tanaman Pangan, Balai Penelitian Tanaman Padi.
Sukamandi.
Damardjati DS. 1987. Prospek Peningkatan Mutu Beras di Indonesia. Jurnal
Penelitian dan Pengembangan Pertanian. Pusat Penelitian dan
Pengembangan Pertanian. Bogor. Vi (4): 85-92.
Damardjati DS dan EY Purwani. 1991. Padi Buku 3. Penyunting Edi
Soenarjo DS dan Mahyudin Syam. Pusat Penelitian dan Pengembangan
Tanaman Pangan Bogor. Bogor.
Gao X and J Tan. 1996. Analysis of Expanded-Food Texture by Image
Processing Part I: Geometric Properties. Journal of Food Process Engineering
(19): 425 – 444.
47
Haralick RM, K Shanmugam and I Dinstein. 1973. Textural feature for image
clasification. IEEE Trans. On System, Man and Cybernetics. 3(6): 610-621.
Hung JS and Chern SL. 2012. An optical automatic measurement method for
the moisture content of rough rice using image processing techniques.
Computers and Electronics in Agriculture 85 (2012): 134–139
Jia L, Chen X, Zhang F, Buerkert A, Romheld V. 2004. Use of digital camera to
assess nitrogen status of winter wheat in the northern China plain. Journal of
Plant Nutrition 27 (3): 441–450.
Kusumadewi S. 2003. Artificial Intelligence (Teknik dan Aplikasinya). Graha
Ilmu. Yogyakarta.
Katsuragi Y and Y Yamato. 1998. Rice Inspection Technology. The Food
Agency, Ministry of Agriculture, Forestry And Fisheries, Japan.
Kawashima S, Nakatani M. 1998. An algorithm for estimating chlorophyll content
in leaves using a video camera. Annals of Botany 81, 49–54.
Ku HH, Kim SH, Choi KS, Eom HY, Lee SE, Yun SG, Kim TW. 2004. Non-
destructive and rapid estimation of chlorophyll content in rye leaf using digital
camera. Korean Journal of Crop Science 49 (1): 41–45.
Li Y, Chen D, Walker CN, Angus JF. 2010. Estimating the nitrogen status of
crops using a digital camera. Field Crops Research 118, 221–227.
Lee KJ , Byun WL. 2013. Estimation of rice growth and nitrogen nutrition status
using color digital camera image analysis. Europ. J. Agronomy 48 (2013) 57–
65.
Marzempi Y dan Jastra SE. 1995. Pengaruh Lama Penumpukan dan Ukuran
Tumpukan Padi Setelah Panen Terhadap Mutu Beras. Risalah Seminar Balai
Penelitian Tanaman Pangan Sukarami.
Muir AY, RL Porteous, and RL Wastie. 1989. Experiments in the detection of
incipient diseases in potato tubers by optical methods. Journal Agric. Engin.
Res. 27:131-138.
Narendra VG dan Hareesh KS. 2010. Prospect of Computer Vision Automated
Grading and Sorting Systems In Agricultural And Food Products for Quality
Evaluation. International Jounal of Computer Applications (0975 – 8887);
1( 4 ):1 - 9.
Pagola M, Oritiz R, Irigoyen I, Bustinece H, Barrenechea E, Aparicio-Tejo P,
Lamsfus C, Lasa B. 2009. New method to assess barley nitrogen nutrition
status based on image colour analysis: comparison with SPAD-502. Computers
and Electronics in Agriculture 65, 213–218.
Rich E, and Knight K. 1983. Artificial Intelligent. Second Edition. Mc Graw-
Hill Inc. Singapore.
Raji A, dan Alimutu A. 2005. Prospect of Computer Vision Automated Sorting
Systems In Agricultural Process Operations in Nigeria. Agricultural
Engineering International: The Cigr Journal of Scientific Research and
Development, Invited Overview : 7.
Rehkughler GE, and JA Throop. 1989. Image Processing algorithm for apple
defect detection. Trans. ASAE 32: 267 – 272.
Soerjandoko. 2010. Teknik Pengujian Mutu Beras Skala Laboratorium. Buletin
Teknik Pertanian : 15(2):44-47.
Schatzki TF, RP Haff, R Young I, Can LC, Le, and N Toyofuku. 1997. Defect
detection in apples by mean of X-ray imaging. Trans ASAE 40: 1407-1415.
48
Soedibyo DW, IDM Subrata, Suroso dan U Ahmad. 2006. Pemutuan Edamame
Menggunakan Pengolahan Citra dan Jaringan Syaraf Tiruan. Jurnal
Keteknikan Pertanian, Perteta – Indonesia; 20(3):243 – 252.
Somantri AS. 2010. Menentukan Klasifikasi Mutu Fisik Beras Dengan
Menggunakan Teknologi Pengolahan Citra Digital dan Jaringan Syaraf Tiruan.
Jurnal Standardisasi 12(3):162-173.
Throop JA, DJ Aneshansley, and BL Upchurch. 1995. An image processing
algorithm to find new and old bruises. Journal Applied Engineering in
Agriculture 11:751-757.
Timmermans AJM. 1998. Computer Vision System For Online Sorting Pot Plant
Based on Learning Techniques. Acta Horticultura : 421 : 91-98.
Yam KL, dan Spyridon EP. 2003. A Simple Digital Imaging Method for
Measuring and Analyzing Colour of Food Surfaces. Journal of Food
Engineering : 61 : 137-142.
Yuan W, Dejian W, Gang Z and Jun W. 2013. Estimating Nitrogen Status of
Rice Using the Image Segmentation of G-R thresholding method. Journal of
Field Crops Research 149(2013):33-39.
49
Lampiran 1 Hasil training beras varietas Inpari 10
No. Mutu Fisik Output Dugaan
Jumlah Akurasi
(%) Butir
Kepala
Butir
Patah
Butir
Menir
Butir
Gabah
Butir
Kapur
Butir
Rusak
Butir
Merah
Benda
Asing Tepat
Salah
Duga
Tidak
Dikenal Error
1. Butir Kepala 147 5 0 0 0 0 0 0 147 5 3 0 155 94.84
2. Butir Patah 2 171 6 0 0 4 0 0 169 10 4 2 185 91.35
3. Butir Menir 0 9 128 0 0 0 0 24 114 19 11 14 158 72.15
4. Butir Gabah 0 0 0 164 0 0 0 0 164 0 0 0 164 100.00
5. Butir Mengapur 0 0 0 0 177 1 0 4 177 5 0 0 182 97.25
6. Butir Rusak 1 2 3 0 2 144 0 12 136 12 10 8 166 81.93
7. Buitr Merah 0 0 0 0 0 0 159 2 159 2 1 0 162 98.15
8. Benda Asing 0 1 10 0 0 1 0 149 147 10 7 2 166 88.55
Rata-rata 90.53
49
50
Lampiran 2 Hasil validasi beras varietas Inpari 10
No. Mutu Fisik Output Dugaan
Jumlah Akurasi
(%) Butir
Kepala
Butir
Patah
Butir
Menir
Butir
Gabah
Butir
Kapur
Butir
Rusak
Butir
Merah
Benda
Asing Tepat
Salah
Duga
Tidak
Dikenal Error
1. Butir Kepala 97 4 0 0 0 4 0 0 97 8 1 0 106 91.51
2. Butir Patah 1 88 8 0 0 4 0 1 84 10 6 4 104 80.77
3. Butir Menir 0 6 89 0 0 0 0 15 83 15 12 6 116 71.55
4. Butir Gabah 0 0 0 107 0 0 0 0 107 0 0 0 107 100.00
5. Butir Mengapur 0 1 0 0 94 5 0 5 92 7 10 3 112 82.14
6. Butir Rusak 1 3 1 0 3 85 6 13 80 20 8 6 114 70.18
7. Buitr Merah 0 0 0 0 1 1 94 4 92 4 2 2 100 92.00
8. Benda Asing 0 7 14 1 2 11 7 72 66 28 6 10 110 60.00
Rata-rata 81.02
50
51
Lampiran 3 Hasil training beras varietas Inpari 13
No. Mutu Fisik Output Dugaan
Jumlah Akurasi
(%) Butir
Kepala
Butir
Patah
Butir
Menir
Butir
Gabah
Butir
Kapur
Butir
Rusak
Butir
Merah
Benda
Asing Tepat
Salah
Duga
Tidak
Dikenal Error
1. Butir Kepala 160 1 0 0 0 0 0 0 160 1 0 0 161 99.38
2. Butir Patah 0 101 96 0 0 1 0 1 45 42 9 56 152 29.61
3. Butir Menir 0 15 198 0 1 0 0 7 185 10 6 13 214 86.45
4. Butir Gabah 0 0 0 166 0 0 0 0 166 0 0 0 166 100.00
5. Butir Mengapur 0 0 0 0 178 0 0 2 176 0 4 2 182 96.70
6. Butir Rusak 1 0 2 0 0 146 0 5 146 8 12 0 166 87.95
7. Buitr Merah 0 0 0 0 0 0 161 0 161 0 1 0 162 99.38
8. Benda Asing 0 0 17 0 0 1 0 140 138 16 10 2 166 83.13
Rata-rata 85.33
51
52
Lampiran 4 Hasil validasi beras varietas Inpari 13
No. Mutu Fisik Output Dugaan
Jumlah Akurasi
(%) Butir
Kepala
Butir
Patah
Butir
Menir
Butir
Gabah
Butir
Kapur
Butir
Rusak
Butir
Merah
Benda
Asing Tepat
Salah
Duga
Tidak
Dikenal Error
1. Butir Kepala 106 7 0 0 0 3 0 0 101 5 2 5 113 89.38
2. Butir Patah 9 51 63 0 0 3 0 1 28 53 10 23 114 24.56
3. Butir Menir 0 14 103 0 1 1 0 14 89 14 10 15 128 69.53
4. Butir Gabah 0 0 0 108 0 1 0 0 107 0 1 1 109 98.17
5. Butir Mengapur 0 2 1 0 102 4 0 6 97 7 3 5 112 86.61
6. Butir Rusak 3 2 2 1 6 73 2 13 68 20 19 7 114 59.65
7. Buitr Merah 0 0 0 2 0 3 93 3 90 5 2 3 100 90.00
8. Benda Asing 1 6 24 1 2 10 4 54 47 27 22 14 110 42.73
Rata-rata 70.08
52
53
Lampiran 5 Hasil training beras varietas Inpari 19
No. Mutu Fisik Output Dugaan
Jumlah Akurasi
(%) Butir
Kepala
Butir
Patah
Butir
Menir
Butir
Gabah
Butir
Kapur
Butir
Rusak
Butir
Merah
Benda
Asing Tepat
Salah
Duga
Tidak
Dikenal Error
1. Butir Kepala 174 1 0 0 1 0 0 0 174 2 0 0 176 98.86
2. Butir Patah 2 137 6 0 0 0 0 0 136 7 9 1 153 88.89
3. Butir Menir 0 5 146 0 2 0 0 2 143 6 5 3 157 91.08
4. Butir Gabah 0 0 0 156 0 0 0 0 156 0 0 0 156 100.00
5. Butir Mengapur 0 1 0 0 173 1 0 1 172 2 7 1 182 94.51
6. Butir Rusak 0 0 0 0 1 157 1 2 156 3 6 1 166 93.98
7. Buitr Merah 0 0 0 0 0 0 162 0 162 0 0 0 162 100.00
8. Benda Asing 0 0 1 0 0 1 0 159 159 2 5 0 166 95.78
Rata-rata 95.39
53
54
Lampiran 6 Hasil validasi beras varietas Inpari 19
No. Mutu Fisik Output Dugaan
Jumlah Akurasi
(%) Butir
Kepala
Butir
Patah
Butir
Menir
Butir
Gabah
Butir
Kapur
Butir
Rusak
Butir
Merah
Benda
Asing Tepat
Salah
Duga
Tidak
Dikenal Error
1. Butir Kepala 100 0 1 0 1 1 0 0 99 2 3 1 105 94.29
2. Butir Patah 1 93 22 0 7 0 0 0 87 24 8 6 125 69.60
3. Butir Menir 0 1 114 0 7 0 0 7 113 14 18 1 146 77.40
4. Butir Gabah 0 0 0 108 0 0 0 0 108 0 1 0 109 99.08
5. Butir Mengapur 0 4 4 0 92 3 0 3 92 10 8 2 112 82.14
6. Butir Rusak 1 5 0 0 4 92 4 10 85 17 5 7 114 74.56
7. Buitr Merah 0 0 0 0 0 1 95 5 94 5 0 1 100 94.00
8. Benda Asing 0 7 6 1 1 22 6 83 64 22 4 20 110 58.18
Rata-rata 81.16
54
55
Lampiran 7 Hasil training beras varietas Muncul
No. Mutu Fisik Output Dugaan
Jumlah Akurasi
(%) Butir
Kepala
Butir
Patah
Butir
Menir
Butir
Gabah
Butir
Kapur
Butir
Rusak
Butir
Merah
Benda
Asing Tepat
Salah
Duga
Tidak
Dikenal Error
1. Butir Kepala 161 0 0 0 0 1 0 0 160 0 0 1 161 99.38
2. Butir Patah 0 128 14 0 0 0 0 1 127 14 9 1 151 84.11
3. Butir Menir 0 0 152 0 0 0 0 2 151 1 5 1 158 95.57
4. Butir Gabah 0 0 0 153 0 0 0 0 153 0 0 0 153 100.00
5. Butir Mengapur 0 0 0 0 178 1 0 0 178 1 3 0 182 97.80
6. Butir Rusak 0 0 1 0 1 148 0 0 148 2 16 0 166 89.16
7. Buitr Merah 0 0 0 0 0 0 162 0 162 0 0 0 162 100.00
8. Benda Asing 0 1 9 0 1 2 0 143 141 11 12 2 166 84.94
Rata-rata 93.87
55
56
Lampiran 8 Hasil validasi beras varietas Muncul
No. Mutu Fisik Output Dugaan
Jumlah Akurasi
(%) Butir
Kepala
Butir
Patah
Butir
Menir
Butir
Gabah
Butir
Kapur
Butir
Rusak
Butir
Merah
Benda
Asing Tepat
Salah
Duga
Tidak
Dikenal Error
1. Butir Kepala 109 2 1 0 0 1 0 1 109 5 2 0 116 93.96
2. Butir Patah 0 82 17 0 0 0 0 1 81 17 12 1 111 72.97
3. Butir Menir 0 7 78 0 0 0 1 15 74 19 8 4 105 70.48
4. Butir Gabah 0 0 0 101 0 0 0 0 101 0 0 0 101 100.00
5. Butir Mengapur 6 0 0 0 95 6 0 5 93 11 4 4 112 83.04
6. Butir Rusak 1 2 5 0 5 89 2 6 87 19 6 2 114 76.32
7. Buitr Merah 0 2 1 0 1 2 93 5 90 3 2 5 100 90.00
8. Benda Asing 2 7 0 2 1 0 7 86 86 19 1 4 110 78.18
Rata-rata 83.12
56
57
Lampiran 9 Hasil training beras varietas Fatmawati
No. Mutu Fisik Output Dugaan
Jumlah Akurasi
(%) Butir
Kepala
Butir
Patah
Butir
Menir
Butir
Gabah
Butir
Kapur
Butir
Rusak
Butir
Merah
Benda
Asing Tepat
Salah
Duga
Tidak
Dikenal Error
1. Butir Kepala 149 0 0 0 0 0 0 0 149 0 1 0 150 99.33
2. Butir Patah 0 141 29 0 0 0 0 2 138 26 12 4 180 76.67
3. Butir Menir 0 4 140 0 0 1 0 7 139 9 19 2 169 82.25
4. Butir Gabah 0 0 0 158 0 0 0 0 158 0 0 0 158 100.00
5. Butir Mengapur 0 0 0 0 175 2 0 1 175 3 4 0 182 96.15
6. Butir Rusak 0 1 0 0 1 155 0 3 154 4 7 1 166 92.77
7. Buitr Merah 0 0 0 0 0 0 162 1 161 0 0 1 162 99.38
8. Benda Asing 0 0 6 0 3 0 0 145 143 7 14 2 166 86.14
Rata-rata 91.59
57
58
Lampiran 10 Hasil validasi beras varietas Fatmawati
No. Mutu Fisik Output Dugaan
Jumlah Akurasi
(%) Butir
Kepala
Butir
Patah
Butir
Menir
Butir
Gabah
Butir
Kapur
Butir
Rusak
Butir
Merah
Benda
Asing Tepat
Salah
Duga
Tidak
Dikenal Error
1. Butir Kepala 120 0 0 0 4 0 0 0 119 3 0 1 123 96.75
2. Butir Patah 0 76 18 0 0 1 0 4 75 22 14 1 112 66.96
3. Butir Menir 0 2 80 0 0 0 0 16 78 16 16 2 112 69.64
4. Gabah 0 0 0 110 0 2 3 0 105 0 1 5 111 94.59
5. Butir Mengapur 0 0 1 0 106 1 0 2 105 1 4 2 112 93.75
6. Butir Rusak 0 7 1 1 5 81 5 11 73 22 11 8 114 64.04
7. Buitr Merah 0 0 0 0 2 0 94 2 94 4 2 0 100 94.00
8. Benda Asing 0 4 6 0 2 17 3 72 66 26 12 6 110 60.00
Rata-rata 79.97
58
59
Lampiran 11 Komponen perangkat “RICE” dan fungsinya
No. Nama Fungsi
1. Kompartemen Derajat Sosoh Tempat pengambilan data citra untuk analisis
tingkat derajat sosoh bulir beras. Tempat ini
dilengkapi LED sebagai sumber cahaya baur untuk
menghasilkan citra yang optimal.
2. Kompartemen Karakterisasi
Beras
Tempat pengambilan data citra untuk analisis
karakter fisik bulir beras dan penghitungan jumlah
bulir dari sampel. Tempat ini dilengkapi LED
sebagai sumber cahaya baur untuk menghasilkan
citra yang optimal.
3. Pelindung Kamera Untuk melindungi kamera pengambil citra pada
kompartemen karakterisasi beras
4. Kompartemen Pelindung
Komponen Pemisah Beras
Melindungi komponen pemisah beras dan
komponen sensor serta laser untuk penentuan
pengambilan data citra.
5. Wadah Beras Tempat penyimpanan beras.
6. Pengatur Sabuk Konveyor Untuk mengatur ketegangan dan kelurusan sabuk
konveyor.
7. Pasangan Sproket-Rantai Untuk menyalurkan putaran motor penggerak ke
sabuk konveyor.
8. Motor Penggerak Menghasilkan tenaga putar
9. Rangka Utama Sebagai penopang beban seluruh komponen mesin
analisis mutu beras.
10. Unit Kontrol Berfungsi untuk mengatur putaran motor dan
membaca data yang dikeluarkan sensor untuk
pengambilan data citra.
11. Trafo Step Down Menurunkan tegangan dari tegangan PLN (220V)
menjadi 12V.
12. Mikroskop Digital Alat pengambil data citra yang digunakan untuk
analisis derajat sosoh.
13. Kamera Alat pengambil data citra yang digunakan untuk
analisis karakter beras.
14. Pemisah Beras Vertikal Untuk memisah kumpulan beras dengan arah
potongan vertikal (sejajar dengan arah gerak sabuk
konveyor)
15. Pemisah Beras Horizontal Untuk memisah kumpulan beras dengan arah
potongan horizontal (tegak lurus arah gerak sabuk
konveyor)
60
RIWAYAT HIDUP
Penulis dilahirkan di Sukabumi pada tanggal 3 Juli 1964, merupakan putera
ke tiga dari pasangan orang tua Bapak MD Soemantri (alm) dan Ibu Siti Jahroh.
Penulis menikah dengan Ida Herlinda dan di karunia seorang anak, Herdi Jatnika
Supriadi. Saat ini penulis bekerja sebagai peneliti di Balai Besar Penelitian dan
Pengembangan Pascapanen Pertanian, Badan Penelitian dan Pengembangan
Pertanian, Kementan yang berlokasi di Jl. Tentara Pelajar No 12 Cimanggu,
Bogor. Jenjang pendidikan S1 penulis tempuh di Fakultas Teknologi Pertanian,
Institut Pertanian Bogor dan lulus pada tahun 1987. Saat ini penulis aktif
melakukan berbagai kegiatan penelitian bidang dynamic modelling untuk
kebijakan pertanian, mengikuti seminar-seminar baik nasional maupun
internasional, dan mengikuti kursus jangka pendek untuk meningkatkan
kemampuan dibidang penelitian. Beberapa kegiatan kursus jangka pendek yang
pernah diikuti adalah kursus penanganan segar produk hortikultura di Korea Food
Research Institute, mengikuti kursus jangka pendek tentang biodiesel di Michigan
State University, kursus ISO 9000-9001, dan kursus dynamic modelling. Selain
kegiatan penelitian, penulis juga aktif memberikan training bidang dynamic
modelling pada BPTP di setiap propinsi seluruh Indonesia.