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.