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
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.
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
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.
Bogor, Januari 2014
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
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
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 BB-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-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 :
i ijx w j e h 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 :
j jkh v k e y 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
k
k k
k 1y t y
……...…………...………….……..……..………(3)
dimana:
tk = target output pada noda ke-k
k j
jk
jk v old h
v ………….………...…..…………(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
j j k jk j h h k v 1 ……….…..…...…….(5) i j ij ij wold x w ………...………...……….(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 i i n a p RMSE 1 2 ………...…….….(7) % 100 (%) 1
n a a p Error n i i i i ………...…..…....(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-timeImage 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])= 1 2 2 2 2 1 ) ( ) (i i j j ... (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 B G R I ... (10) ) )( ( ) ( 2 2 cos 2 B G B R G R B G R H ... (11) ) , , min( 3 1 R G B B G R 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
Wij Vjk y4 y5 y6 y7 y8 Butir merah Butir kuning Butir mengapur Benda asing Gabah X11 X12 X13 R G B
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 a p n 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 Ya Tidak Tidak Ya Ya
Gambar 6 Diagram alir prosedur penelitian pengolahan citra digital dan JST 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
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
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
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
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 Butir Kepala Butir Patah Butir Menir Butir Gabah Butir Mengapur Butir Rusak Butir Merah Benda Asing R (p iks el) 143.73 140.10 142.78 129.35 166.47 110.95 80.81 103.77 0 50 100 150 200 250 Butir Kepala Butir Patah Butir Menir Butir Gabah Butir Mengapur Butir Rusak Butir Merah Benda Asing G (p iks el) 173.06 167.57 176.80 122.45 185.76 125.10 93.94 125.65 0 50 100 150 200 250 Butir Kepala Butir Patah Butir Menir Butir Gabah Butir Mengapur Butir Rusak Butir Merah Benda Asing B (p iks el)
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 Butir Kepala Butir Patah Butir Menir Butir Gabah Butir Mengapur Butir Rusak Butir Merah Benda Asing Ro u n d n es s 95.76 56.36 30.31 187.22 55.03 80.93 100.25 27.48 0 50 100 150 200 250 300 Butir Kepala Butir Patah Butir Menir Butir Gabah Butir Mengapur Butir Rusak Butir Merah Benda Asing Lu as (p iks el 2) 48.86 31.70 21.03 74.36 30.76 42.04 48.82 19.40 0 20 40 60 80 100 Butir Kepala Butir Patah Butir Menir Butir Gabah Butir Mengapur Butir Rusak Butir Merah Benda Asing Ke lil in g (p iks el) 17.49 10.48 6.76 27.35 10.05 14.69 17.16 6.36 0 10 20 30 40 Butir Kepala Butir Patah Butir Menir Butir Gabah Butir Mengapur Butir Rusak Butir Merah Benda Asing Pa n ja n g (p iks el)
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 Butir Kepala Butir Patah Butir Menir Butir Gabah Butir Mengapur Butir Rusak Butir Merah Benda Asing Hue 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 Butir Kepala Butir Patah Butir Menir Butir Gabah Butir Mengapur Butir Rusak Butir Merah Benda Asing Sa tu ra tio n 151.16 147.42 152.12 130.55 172.46 116.73 91.81 111.57 0 50 100 150 200 250 Butir Kepala Butir Patah Butir Menir Butir Gabah Butir Mengapur Butir Rusak Butir Merah Benda Asing In ten sity (p iks el) 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 Butir Kepala Butir Patah Butir Menir Butir Gabah Butir Mengapur Butir Rusak Butir Merah Benda Asing In d eks R
