PENGEMBANGAN PERANGKAT IDENTIFIKASI
MUTU FISIK BERAS MENGGUNAKAN
REAL TIME
IMAGE PROCESSING
AGUS SUPRIATNA SOMANTRI
SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR
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.
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.
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.
© 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
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
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
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.
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
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
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
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
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.
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.
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
4 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
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
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.
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).
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
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)
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.
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:
2. Aktivasi unit-unit dari input layer ke hidden layer dengan fungsi :
dengan noda ke-j pada hidden layer
3. Aktivasi unit-unit dari hidden layer ke output layer dengan fungsi :
= 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
k
k k
β = konstanta laju pembelajaran vjk old = pembobot vjk sebelumnya
5. Menghitung error dari unit-unit pada hidden layer ( j) dan
menyesuaikannya dengan bobot wij
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). 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
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
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.
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
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 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.
16
Input Units Hidden Units Output
Butir kepala
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
17
Input Units Hidden Units Output
DS 80%
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
18
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?
R,G,B, color value, Luas, Keliling, Panjang, Hue, Pembuatan Perangkat Real Time Image Processing
A untuk menentukan mutu beras.
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
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
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?
22
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
24
Gambar 13 Tampilan antar muka pengolahan citra beras
Gambar 14 Tampilan antar muka training mutu fisik beras
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
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
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
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
29
(a). Beras kepala (b). Beras patah
(c). Beras menir (d). Gabah
(e). Beras mengapur (f). Beras rusak
(g). Beras merah (h). Benda asing
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
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
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
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.
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%.
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
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.
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
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.
39
DS 80% DS 85%
DS 90% DS 95%
DS 100%
Gambar 36 Citra beras pada berbagai derajat 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
Sosoh 80% Sosoh 85% Sosoh 90% Sosoh 95% Sosoh 100%
R (p
Sosoh 80% Sosoh 85% Sosoh 90% Sosoh 95% Sosoh 100%
G
Sosoh 80% Sosoh 85% Sosoh 90% Sosoh 95% Sosoh 100%
B (p
iks
e
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
Sosoh 80% Sosoh 85% Sosoh 90% Sosoh 95% Sosoh 100%
In
Sosoh 80% Sosoh 85% Sosoh 90% Sosoh 95% Sosoh 100%
In
Sosoh 80% Sosoh 85% Sosoh 90% Sosoh 95% Sosoh 100%
In
Sosoh 80% Sosoh 85% Sosoh 90% Sosoh 95% Sosoh 100%
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
Sosoh 80% Sosoh 85% Sosoh 90% Sosoh 95% Sosoh 100%
S
Sosoh 80% Sosoh 85% Sosoh 90% Sosoh 95% Sosoh 100%
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
Derajat sosoh real (%)
y = -0.422x + 126.21
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.
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.
