Pendugaan Ukuran Butiran Beras Dengan Image Processing Dan Artificial Neural Network

(1)

IS8

979-96105-3-2

Editor:

K maruddln Abdullah

(2)

PENDUGAAN UKURAN BUTIRAN BERAS

DENGAN

IMAGE

PROCESSING

DAN

ARTIFICIAL NEURAL

NETWORK

I Wayan Astika, Mohamad Solahudin Star Pengajar Departemen Teknik Pertanian, IPB

Hernlk Nurhidayati

Alumni Departemen Teknik Pertanian IPB

ABSTRAK

Penelitlan Ini bertujuan mengelompokkan ukuran butiran beras dengan

'mage processing dan artificial neural network (ANN). Ukuran butiran beras

Ibedakan menjadi 4 kelompok yailu butlr utuh, butir patah besar, bulir palah, dan

enir. Hasil pengelompokan dibandingkan dengan hasil pengelompokan manual

berdasarkan panjang buliran, yaltu butlr utuh, bulir palah besar yang memilikl panjang butiran di alas 0.6 dari panjang butlr uluh, butlr palah yang memlliki 0.2-0.6 bullr uluh, dan menlr memilikl panjang di bawah 0.4 butir utuh.

Cilra diambil darl meja sam pel yang dllengkapi lamplrlampu dengan kamera digitaL Cilra digllal selanjulnya dianallsls dengan program pengolah cilra unluk endapatkan parameter-parameter penduga berupa panjang butiran, lebar pada 20 partisi bullran, luas, kelillng, dan roundness. Pendugaan dilakukan dengan ANN. Telah dlbangun dua model neural network, yaltu yang Model 1 menggunakan 25 parameter p€nduga dan Model 2 yang menggunakan 6 parameter penduga.

odel 1 menghasilkan akurasl pendugaan 93% dan Model 2 67%.

PENDAHULUAN

Latar Belakang

Keseragaman ukuran blJliran beras merupakan salah satu komponen mulu

beras sosoh yang sangal penling di samping param!!ler lainnya sepertl kadar air,

derajal sosoh, persenlase benda asing, butlr kapur, bulir ｲｵｳｾｫＬ dan bulir gabah.

Ukuran bullran beras dlkelompokkan menjadi butir uluh, bulir patah besar, bullr patah, menlr. Beras kepala merupakan gabungan bulir uluh dan bulir palah besar. Makin linggi prosenlase beras Kepala, mLotu beras semakln linggi. Sebaliknya, semakln banyak prosentase bullr palah dan menlr, mulu beras semakin rendah. enurut Damardjali (1967) prosenlase bulir palah merupakan (aklor penenlu

paling ulama mulu beras di pasar dunia. Dengan mengelahui kandungan bullr

palah yang le;dapal dalam sualu sampel beras maka dapal menenlukan mulu beras secara fislk dan penggolongan ke tingkat kelas lertenlu.

Penllalan mulu beras sosoh alau inspeksl mulu beras sosoh, merupakan sualu kegialan slandar yang diperlukan sebelum beras dijual kepada konsumen.

(3)

Meskipun hal ini belum bisa dilakukan sepenuhnya di Indonesia, Badan Urusan Logistik (BULOG) lelah melakukannya terhadap beras yang diadakan oleh BULOG. Untuk komponen ukuran buliran, BULOG memberikan syarat prosenlase tertentu yang harus dipenuhi. Sebagai contoh, prosentase beras kepala minimum

84% untuk Mutu III SNI dan 74% unluk Mutu IV SNI (SKB Bulog-Deptan, 2003).

Penenluan mutu beras yang teliti menggunakan cara manual yaitu dengan

ayakan menir dan indented plate. sedangkan penilaian ukuran butiran beras

secara masat dilakukan oleh seorang surveyor berpengalaman secara visual.

Penilaian secara visual oleh manusia memiliki resiko ketidaktelitian sebagai akibal dari kelelahan dan faklor subjektifitas.

Pengolahan cilra lelah dilerapkan secara luas dalam penelitian-penelitian

bidang pertanian karena sifatnya yang non destruktif. Dalam penelilian

pengolahan citra dan artificial neural network digunakan untuk menenlukan

komposisi beras utuh, beras patah besar. beras palah dan menir pada suatu contoh beras.

Tujuan Penelilian

Penelitian ini bertujuan:

a. Membangun perangkat pengolahan citra untuk mendapatkan nitai

parameter-parameter yang mencerminkan bentuk dan ukuran buliran beras

b. Membangun model artificial neural network untuk mengolongkan buliran

beras ke dalam kelompok bulir uluh, beras patah besar, beras patah, dan menir berdasarkan parameter-parameter tersebut di alas.

TINJAUAN PUSTAKA

Menurul SKB Butog-Deptan (2003), ukuran butiran beras dikelompokkan ke

dalam 4 ukuran, yaitu bulir uluh, butir palah besar, butir patah, dan menir. Beras kepala adalah gabungan dari beras utuh dan beras palah besar. Bulir uluh adalah butir beras baik, sehat, cacal yang utuh lanpa ada bagian yang palah. Butir patah besar adalah butir beras patah, baik sehat maupun caca yang mempunyai ukuran

lebih besar atau sama dengan 6/10 bagian dari ukurar. panjang rata-rala butir

beras uluh yang dapat melewali permukaan cekungan indented platedengan

persyaratan ukuran lubang 4.2 mm. Bulir patah adalah bulir beras patah, baik

sehat mauplJn cacat yang mempunyai ukuran lebih kecll dari 6/10 bagian telapi

lebih besar dari 2110 bagian panjang rala-rala bulir beras uluh. Menlr adalah butir

beras palah, baik sehal maupun cacat yang mempunyai ukuran labih kecil alau

sama dengan 2/10 bagian bulir utuh (BM<2/10). Penggunaan ayakan menir

standar dengan lubang berukuran garis lengah minimal 1.8 mm dan maksimal 2.0

mm.

Kalsuragi dan Yamolo (1998) menggolongkan ukuran butiran beras Indica

sebagai berikut. 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 rala-rala beras dan tidak dapat melewali ayakan den9an ukuran diameter

lubang 1.4 mm. Sedangkan palah kecil dapal melewali ayakan dengan ukuran

diameter lubang 1.4 mm.

(4)

ｉｉＧｾｉＧＧＧｉｉ

ｾ

Beras Kepala

I

ｉＭｉｾＧ

I

f1l8\

ｦＲｬｾＯｙ

\-1

\-J

\ . - f '

I'

/1/8'

·

3/8 r- 4/8 I- S/8 I- I-

,

BeTas

·

7/8 f- 6/8 7/8 8/8 6/8

!'..

Kepa!a

I,

.,

alau

I·

".

.,.

Patah

·

"

" 3/8

"

". "

"

Besar

\ / \ / \ / / \ / \ J ｾＱｬｖ \ / ｾｬｬｖ

ｾ

I

[image:4.444.16.413.0.622.2]

I

Palah Ked!

I

Patah Kecil

Gambar 1. Interpretasi tingkat kepatahan beras sosoh (Katsuragi and Yamoto, 1998).

Khinosita dan Masatesu (1999) mempelajari metode-metode pengukuran dengan orientasi buah, dalam rangka mengenal bentuk strawberry secara otomatis

menggunakan image processing. Tiga metode menggunakan gambar yang dapat

diperhitungkan oleh software image processing secara

umum

kemudian

dibandingkan dan diuji untuk memilih salah satu metode yang paling efektif yaitu

metode center of gravity. Sentuk dan ukuran buah strawberry dinyatakan dengan

ukuran lebarnya pada beberapa partisi (Gambar 2). Xo

X4

....

)

X3

( )

X2

.

Xl

l/

'-J, _{IXO.1YorO.2Yo!'} i'

f\

1.1 ... O,4Yo 0.7'1'0

vL

ｾ

v

Yo

V

ｾ

Gambar 2. Pembagian partisi pada pengenalan btmtuk buah strawberry (Khinosita dan Nagata,1999).

[image:4.444.24.427.32.334.2]

(5)

-Senoadji (2001) membuat program image processing yang digunakan untuk

memperoleh nilai koefisien Fourier. Nilai koefisien Fourier lersebul sebagai input

unluk menduga benluk kelimun Jepang. Pendugaan dilakukan dengan artificial

neural network dengan algoritma backpropagation yang terdiri dari tiga layer

dengan jumlah noda unluk liap layeradalah lima noda untuk input layer, delapan

noda untuk hidden layerdan tiga noda unluk output layer. Dala yang digunakan

sebagai inpul adalah nilai koefisien Fourier dan sebagai outpul adalah Mutu A(1,O,O), 6(0,1,0), dan C(0,0,1).

METODE

Sislem kompuler pengenalan butiran beras dilunjukkan pada Gambar 3. Contoh buliran beras diletakkan di atas meja >eng diberi pencahayaan dengan empat buah lampu. Citra digital diambil dengan kamera digital 'Tlerk Fuji model Fine Pix A203. Selanjulnya file citra diolah di dalam komputer. Telah dibangun

beberapa program komputer unluk keperluan pengenalan, yaitu program

pengolahan citra untuk menentukan nilai-nilai parameter penduga dan program ANN untuk pendugaan.

Pengolahan Citra

=0

Disimpan dalam benlUlo:image file

Kamera digital

[QJ

ｌ｡ｭｾＥｾｾｭｰｵ

Obl"'k (bens)

Data-data nurnerik: luas(Al,panjang (Pl. lebar(1..4.

Ll.1...J •....L..),Icbar maksimwn(L....k.t).keliling (Kl.

danroundness(R)

ANN

[image:5.414.66.408.282.608.2]

I

Jenis butiran: butir utuh. butirbutir palah. mcnirpatahbesar.

I

Gambar 3. Skema sistem komputer pengenalan buliran beras

(6)

Contoh padi diperoleh dari Balai Penelitian Tanaman Padi (Inlitpa Muara)

- or yang terdiri 10 varietas yaitu Batang Gadis. Cimelati, Ciherang, Cisadane,

ng, IR64. Membramo. Sintanur. Widas. dan Way Seputih. Padi tersebut

ｾｵ､ｩ｡ｮ digiling dengan derajat sosoh 95% di Pusat Penelitian dan

==

gembangan Bulog. Tambun, Bekasi. Sejumlah contoh beras yang merupakan

=-npuran 10 varietas dengan berbagai ukuran diambil sebagai data training.

=-.'

mlah contoh lain diambil untuk melakukan validasi.

Contoh beras dibagi-bagi ke dalam beberapa frame foto. setiap frame ....risikan kira-kira 50 butir beras. ButirarHlutiran beras diletakkan sedemikian rupa ingga butira:....butiran bera. tidak saling bersinggungan dengan butiran lainnya. - bertujuan menghindari kesalahan pengenalan oleh perangkat pengolahan citra. =ada Tabel 1 ditunjukkan karakteristik dan pengaturan peralatan pengambilan

Tabel 1. Karakteristik dan pengaturan peralatan dalam pengambilan citra beras

Uraian Keleran9an

Merek kamera Fuji Fine Pix A203

Jarak kamera dari objek 20cm

Resolusi citra 480 x 640 piksel

Ukuran frame 22.58 cm x 16.93 cm

Pencahayaan 4 buah lampu TL 5 Watt

Intensitas cahaya pada objek _3191ux

Intensitas cahaya lingkungan 551 lux

Latar belakang objek merah

Peralatan lain yang digunakan adalah timbangan, indented plate, ayakar. enir. kaca pembesar. pinsel. dan cawan petri untuk melakukan pemisahan secara manual.

Program komputer dibangun dengan bahasa pemrograman Visual Basic 6.0. Program pengolahan citra berfungsi mendapatkan dalCHlata numerik dari citra

yang berupa luas (A), panjang (P), lebar pada 20 partisi (In, L,. L2...L20). lebar

aksimum (4...). keliling (K). dan roundness (R) seperti ditcnjukkan pada

Gambar 4. Luas citra dihitung dengan menghitung jumlah piksel citra butiran. dan eliiing dihitung dengan menghilung jumlah piksel yang berbatasan dengan latar Jelakang. Parameter roundness dihitung dengan Persamaan 1 berikut.

ｒ］ｾ

reP

2

. . . • . . . • . . . • . . . • • . . . • . . . .. 1

Imana: R : roundness

A : luas citra butiran P : panjang buliran

(7)

p

J

6 9

57 pikscl

[image:7.415.39.415.40.586.2]

Latar Belakang

Gambar 4. Pengukuran parameler penduga

Untuk pendugaan ukuran butiran beras dari parameter-parameter penduga di atas dibangun 2 model ANN seperti ditunjukkan pada Gambar 5.

w,

PatlJlnJ(P)

_(1')

Lebv(LI)

Lebat(LI) '-(lJ)

l.cbv(L1)

'-(1J)

I..cW(1Jo) '-(1J)

l.d>trINkJ(l.... )

ｕＺ｢ｲｾｽ

Kdihl\&(K)

Luai\A) 1...dJwmab(1.-)

ｾＨｒＮＺ

[image:7.415.58.406.43.271.2]

a. Model 1

c.

Model 2

Gambar 5. Model artificial neural network

(8)

HASIL DAN PEMBAHASAN

.YnJ<lleristik Ukuran Butiran Beras

[image:8.427.15.398.37.276.2]

Butir utuh Butir patah besar Butir Patah Menir

Gambar 6. Contoh citra butiran beras

Contoh citra butiran beras ditunjukkan pada Gambar 6. Setiap frame foto """"'.''''n kira-kira 50 butir beras. Dengan mencoba-coba berbagai warna latar <ang didapatkan bahwa warna merah paling cocok dipakai sebagai warna latar

:e-

ng dengan pertimbangan bahwa proses thresholding (pembedaan warna

" dan latar belakang) mudah dilakukan dan perbedaan warna sesama ctJjek

=E'"2S

masih terlihat.

Kisaran nilai-nilai parameter penduga ukuran butiran oeras ditunjukkan pada

-:-- ar 7. Secara umum butir utuh memiliki panjang rata-rata yang lebih tinggi

da ukuran lainnya. Demikian juga halnya dengan bulir patah besar lebih a 9 daripada butir patah dan menir, dan butir patah lebih panjang daripada - - . Adanya tumpang tindih nilai panjang antara satu ukuran dengan ukuran

- ya disebabkan oleh adanya keragaman varietas yang dipakai. Sebagai

ＺＺｲｾＬ butir utuh pada varieta5 yang memiliki ukuran butiran kedI dapat memiliki

.-a panjang lebih kecil daripada butir patah besar pada varietas yang memiliki

...'dH butlran besar. Karakteristik senupa ditunjukkan oleh parameter luas dan

Lebar maksimum butir utuh, butir patah besar, dan butir patah relatif sama. a aupun butir patah besar dan butir patah merupakan butiran yang patah pasaan

ＺｅｬＢｬｧｧｩｬｩｮｧ｡ｾＬ bagiar. yang patah umumnya adalah bagian panjangnya, bukan Ian lebarnya, sehingga lebarnya tetap sama dengan bulir utuh. Lain halnya

:e

gan menir yang berasal dari patahan bagian ajung beras, atau hasil patahan ke

lebar. Dengan demikian lebarnya dapat lebih kedI daripada kelompok ukuran ya.

Roundness

_{berhubungan dengan panjang butiran dan luasan butiran.}

:.e

awanan dengan karakteristik parameter panjang dan parameter luas, butir utuh

-e

iliki nilai roundness yang paling kecil karena paling lonjong dan menir memiliki

- Jroundness yang paling rendah karena paling bulat.

(9)

Utuh PatahBUll Patu llCuur

c. Keliling

---'

Utuk P.tahBesar

P.,..

101",.

b. Luas

-.

I

l

1

J

U... P ..1U1 &ro1U' P.taa W:IU

d. Lebar maksimum o

1200

1000

"

'i

25

'"

ｾＩｄ

.115

-1"

:5 '

1"

800

,!f

ｾ ODD

j

'00

100

i

ｾ

I

,

•

••

o.

a. Panjang

180

ｉｾｾＡｾｾｾｾｾｾｾｾｾｾ

'"

ｾ

""

140

112<1

';f'00

S

00 I

ｾＧＢ

.. + - - - , - - -

+

ｾｴ］ｾ］］ＺＺＺ］ＺＺ［ＺＺＺＺＺ］ＺＺ］］ＺＺ［

u

ｾｵ

J

0."

02

•

_{Utuh P.tah}_Buu _{P&tah M,nir} [image:9.448.25.442.29.557.2]

e. Roundness

Gambar 7. Karaklenslik ukuran buliran beras

Training ANN

Training lerhadap kedua model ANN dilakukan hingga dicapai akurasi yang

slabil. Jumlah dala yang dipakai dalam lraining adalah 1770 bulir beras yang lerdiri

dan 10 varielas dmgan berbagai ukuran, yailu 500 bulir uluh, 474 bulir palah

(10)

.190 bulir palah, dan 306 menir. Kemajuan hasil lraining dilunjukkan pada

Q_::a-8. Model 1 yang memHiki 25 parameter penduga mencapai akurasi yang i daripada Model 2 yang hanya memakai enam parameter penduga. odel 1 menunjukkan akurasi yang slabil sebesar 98.7% setelah 17000 sedangkan Model 2 mencapai akurasi 96% selelah 7000 ilerasi.

!

ｾ

.. 1/ ...

" I . r - . . L - - -

-j

i ,I

:t

4 - - - j

• )(100 6000 toGO 12000 1!OlIO IMJOO

Judah hn-ul

a. Model 1

ｾｾ 100 0 ｾ .;;; 95

..

ｾ

"

.:<

..

₉₀

-

..

85

.:< ell 80 c

i=

15003000450060007500 Jumlah Iterasi [image:10.429.0.405.27.633.2]

b. Model 2

Gambar 8. Grafik kenaikan akurasi pada seliap ilerasi.

esalahan pendugaan oleh lerutama berasal dari pendugaan butir patah

Seperti dilunjukkan pada Tabel 2, akurasi pendugaan bulir palah besar

• odel 1 adalah 96% seda;,gkan akurasi pendugaan ukuran lainnya hampir -"""'!lai 100%. Kesalahan ini disebabkan oleh adanya variasi ukuran dan benluk :>a1ah besar, lerulama karena dipakai berbagai macam varietas. Oleh karena

ada butir patah besar yang diduga sebagai butir uluh, adan ada yang diduga

M'l2Igai butir palah.

Tabel 1. HasH pendugaan dala training oleh Model 1

I,

Hasil Pendugaan

Rasio

ran Jumlah

Butir dugaan Akurasi

Butir data Butir Bulir (%)

uluh palah patah Menir yang benar

besar

ｾｵｴｵｨ 500 500

-

500/500 100

ｾ 457/474

96

:a!ah 474 15 457 2

-:ear

ｾ ₄₉₀ ₂ ₄₈₆ ₂ 486/490 99.18

-:a!ah

\Ae'lir 306

-

2 304 304/306 99.35

-Total _1747/1770 _98.70

(11)

Validasi

[image:11.439.32.430.56.369.2]

Validasi dilakukan dengan mengambil contoh beras baru di luar data training. Conloh tersebut dianalisa dengan perangkat kompuler yang telah dibangun dan dianalisa secara manual sebagai perbandingan. Hasil validasi dilunjukkan pada Tabel 3 dan Tabel 4.

Seperti dilunjukkan pada Tabel 3, akurasi yang dapal dicapai oleh Model 1 adalah 92.9%. Nilai ini lebih rendah daripada akurasi pendugaan data lraining. Hal ini menandakan bahwa sampel beras yang dipakai pada validasi lebih beragam daripada dala yang dipakai pada training sehingga lerdapat lebih banyak buliran beras yang lidak dapal dikenali dengan tepat. Seperti halnya pada proses lraining, kesalahan yang besar juga terjadi pada pendugaan bulir palah besar.

Tabel 2. Hasil validasi Model 1

Hasil pendugaan

Raslo

Ukuran Jumlah Dikenali _{dugaan yang} AkU11

Bulir dala Bullr Bulir Bulir Tidak sebagal

(%

uluh palah palah Menir diken 2 benar

besar ali _ukuran

Bulir ₅₀₀ ₄₈₇ ₁₃

-

487/500 ₉₇

utuh

-

-Bulir 384/428

89

patah 428 30 384 12

-

1 1

besar

Butir ₄₆₅ ₂₆ ₄₃₂ ₁ ₁ ₅ 432/465 ₉₂

oalah

-Menir 399

-

35 362

-

2 362/399 9Q

Total 1665/1792 9Z

Pada Tabel 4 dilunjukkan hasil validasi Model 2. Model 2 mencapai akurasi

86.8% yang lebih rendah ､｡ｲｩｾ｡､｡ Model 1. Kesalahan lerbesar terjadi pada

pengenalan menir. Banyak butiran menir yang dikenali sebagai bulir palah. Hal ini disebabkan oleh pengaruh parameter-parameler penduga yang dipakai. Dengan keenam parameter tersebul, parameler panjang dan lebar maksimum memiliki nilai yang beririsan anlara ukuran menir dan butir palah seperll lampak pada Gambar 8a dan 8d. Irisan senupa lidak lerjadi dengan ukuran uluh dan palah besar.

Dari kedua model tersebut lampak bahwa Model 1 lebih baik dipakai apabila diinginkan akurasi yang tinggi, sedangkan Model 2 lebih baik dalam hal kecepalan

proses pendugaan karena parameler yang dipakai lebih sedikil sehingga

memerlukan waktu yang lebih pendek, baik dalam pengolahan cilra maupun pendugaan dengan ANN.

(12)

<""

Tabel 2" Hasil validasi Model 2

Hasil pendugaan Rasio

Aku"

Jumlah dugaan

dala Butir Butir Butir Tidak Dikenali rasi

palah Menir sebagai yang ('!o)

ulllh

besar palah dikenali 2 ukuran benar

i

493 456 23 14

-

4561493 92A9

337/414

I:

414 39 337 38

-

81AO

I "

451

-

10 440 1

-

4401451 97"56

--,

...

384

-

104 280

-

280/384

n92

1'-

15131 e6"85

1742

KESIMPULAN

Perangkat komputer yang dibangun untuk pendugaan ukuran beras terdiri

=-:; oerangkat pengolahan citra dan perangkat pendugaan ukuran beras"

- _ g . " . , .at pengolahan citra berfungsi ,nenghitung nilai parameter-parameter

_ .."a yaitu luas (A), panjang (Pl. lebar pada 20 partisi

(1.0.

L,. L2 •••••L20l. lebar

Ｚ

Ｚ［ＺＧｾｵｭ (L.nw), keliling (K), dan roundness (Rl. Perangkat pendugaan

nakan artificial neural network dengan masukan parameter-parameter

=-t"lClJ!la tersebut di atas dan keluaran berupa empat kelompok ukuran butiran, butir utuh, bulir patah besar. butir patah, dan menir.

lelah dibangun dua model neural network untuk pendugaan. yailu Modell

memakai 26 parameter penduga dan Model 2 yang hanya memakai enam

:a-ameter penduga_ Model 1 r.1encapai akurasi pendugaan sebesar 92.9%

se=:at'gkan Model 2 86.8%. Keosalahan pada Model 1 banyak ｴ･ｾ｡､ｩ dalam

.-.e,...

:n_l<l".a butir patah besar. senangkan pada Model2dalam menduga butir menir.

SARAN

hasil penelitian ini dapat diaplikasikan disarankan beberapa hal berikut:

;. Modell dikembangkan kembali dengan menguban-ubah jumlah hidden

layer dan konstani.. pembelajarannya sehingga didapatkan nilai akurasi yang lebih baik.

2. mekanisme pengumpanan beras ke meja sampet secara otomatis

3. Operasi kamera diatur langsung oleh komputer

[image:12.437.8.414.41.353.2]

(13)

DAFTAR PUSTAKA

Allidawati dan B. Kustianto. 1989. Metode Uji Mutu Beras Dalam Program

Pemuliaan Padi. Padi Buku 2. Badan Penelitian dan Pengembangan

Pertanian Pusat Penelilian dan Pengembangan Pertani.an. Pusat Penelilian dan Pengembangan Tanaman Pangan. Bogor.

Arymurthy. A. M. dan Suryana. S. 1992. Pengantar Pengolahan Citra. PT Elex Media Komputindo. Jakarta.

Damardjali, D.S., R. Mudjisihono, G. Suwargadi, dan B.H. Siwi. 1982. Evaluasi

Mutu Beras Dalam Hubungannya Dengan Keragaman Varietas, Sifat

Fisikokimia Dan Tingkat Kematangan Biji. Pusat Penelitian dan

Pengembangan Tanaman Pangan Bogor. Lokakarya Pasca Panen

Tanaman Pangan, 5-6 April 1982, Cibogo, Bogor.

Damardjati, D.S. 1987. Prospek peningkatan mutu beras di hdonesia. Jurnal

Penelitian dan Pengembangan Pertanian. Pusat Penelilian dan

Pengembangan Pertanian. Bogor. VI (4) : 85-92.

Dwinanto. 2001. Penerapan Teknologi Image Processing Dan Artificial Neural

Network Untuk Menduga Keberadaan Air Dan Nutrisi Pada Pertumbuhan Tanaman Cabai Merah. Skripsi. Program Studi Teknik Pertanian, Fakultas Teknologi Pertanian, Institut Pertanian Bogor.

Katsuragi, Y. and Y. Yamato. 1998. Rice Inspection Technology. The Food

Agency, MinistryOfAgriculture, Forestry and Fisheries, Japan. Japan.

Khinosita, O. and M. Nagata. 1999. Discrimination of strawberry shape using

image processing (Part I). Journal of The Japanese Society of Agricultural Machinery. Japan. LXI (5) :41- 48.

Kusumadewi, Sri. 2003. Artificial Intelligence (Teknik dan Aplikasinya). Graha IImu. Yogyakarta.

Gunayanli, S. 2002. Pemutuan (Grading) Buah Mangga (Mangifera indica.L)

Berdasarkan Sifat Fisik Permukaan Buah Menggunakan Pengolahan Citra.

Skripsi. Program Studi Teknik Pertanian, Fakultas ｔ･ｫｮｯｬｯｾｩ Pertanian,

Institut Pertanian Bogor.

Rich, E. and Knight, K. 1983. Artificial Intelligent. Second Edition. Mc Graw-Hill Inc. Singapore.

Senoaji, Y.B. 2001. Pendugaan Mutu Ketimun Jepang (Cucumis sativus L.)

Berdasarkan Bentuk Dengan Artificial Neural Network. Skripsi. Program