PENDUGAAN UKURAN BERAS DENGAN PENGOLAHAN CITRA DAN ARTIFICML NEURAL NETWORK UNTUK EV ALUASI MUTU BERAS SOSOH. Oleh: HERNIK NUR mda YATI F

(1)

I�

PENDUGAAN UKURAN BERAS DENGAN PENGOLAHAN CITRA DAN ARTIFICML NEURAL NETWORK UNTUK

EV ALUASI MUTU BERAS SOSOH

Oleh:

HERNIK NUR mDA YATI F01499043

2003

FAKULTAS TEKNOLOGI PERTANIAN INSTITUT PERTANIAN BOGOR

(2)

• . ' . •

,

'--'-��"

.'

-,

,. -,A .l.J

.

'!--..

.

'

-

.

,

-,

.' _•• J

(3)

HERNIK NUR HIDAYATI.

Pendugaan Ukuran Beras dengan Pengolahan Citra

dan Artificial Neural Network untuk Evaluasi Mutu Beras Sosoh. Di bawah

bimbingan : I Wayan Astika dan Mohamad Solahudin. 2003.

RINGKASAN ::, ' 10"'�

,--\

'cO',

Salah satu masalah dalarn dunia perberasan nasional adalah penentuan mutu

beras. Parameter yang digunakan untuk menentukan mutti beras yaitu kadar air,

derajat sosoh, butir utuh, bulir patah, butir menir, butir hijau (kapur), butir kuning

(rusak), benda asing, butir merah dan butir gabah. Kadar butir patah merupakan

faktor perrentu paling ulama mutu beras di pasar dunia. Dengan mengetahui

kandungan butir patah yang terdapat dalam suatu sampel beras maka dapat

menentukan mutu beras secara fisik dan penggolongan ke tingkat ke1as tertentu.

Menurut SKB Deptan-Bulog (2003) ukuran butiran beras dikelompokkan

menjadi beras kepala (head rice), butir utub (whole kernel), butir patah besar (big

broken), butir patah, dan butir menir. Beras kepala merupakan penjwnlahan butir

utub dan butir patah besar. Butir utub adalah butir beras baik, sehat,cacat yang utuh

tanpa ada bagian yang patah. Butir patah besar adalah butir beras patah, baik sehat

maupun cacat yang mempunyai ukuran lebih besar atau sarna dengan 611 0

(BPB2':6/1O) bagian dari ukuran panjang rata-rata butir beras utub yang dapat

melewati pennukaan cekungan indented plate dengan persyaratan ukuran lubang 4.2

nun.

Butir patah adalah butir beras patah, baik sehat maupun eaeat yang mempunyai

ukuran lebih kecil dati 6/10 bagian tetapi lebih besar dari 211 0 bagian

(2/1 0<BP<6/1 0) panjang rata-rata butir beras utuh. Bulir menir adalab bulir beras

patah, baik sehat maupun eaeat yang mempunyai ukuran lebih keeil atau sarna

dengan 211 0 bagian butir utub (BM:S:2/10). Penggunaan ayakan menir standar

dengan lubang berukuran garis tengah minimal 1.8

nun

dan maksimal 2.0

mm.

Penelitian ini bertujuan meneari nilai numerik dari

25

parameter yang

mencenninkan bentuk dan ukuran butiran beras yaitu paqjang (P), lebar

(L/,L2_ .. ·,L20),

lebar maksimum (Lm",,), keliling(K), luas (A), roundness (R).

Berdasarkan parameter-parameter tersebut kemudian dikembangkan artificial neural

network untuk mendapatkan komposisi beras utub, beras patah besar, beras patah,

dan menir.

Kegiatan pene1itian

ini

dilakukan di Laboratorium Sistem Manajemen dan

Mekanisasi Pertanian, Jurusan Teknik Pertanian, Institut Pertanian Bogor.

PenggiIingan padi dilakukan di Laboratorium Balai Penelitian dan Pengembangan

BULOG Tambun, Bekasi. Waktu penelitian adalah selama lima bulan dari Bulan

Mei sampai dengan Bulan September 2003.

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

Bogor sebanyak sepulub varietas dengan berat tiap-tiap varietas 1 kg. Kesepuluh

varietas tersebut adalah Batang Gadis, Cimelati, Ciherang, Cisadane, Gilirang, IR

64, Membramo, Sintanur, Widas, dan Way Seputih.

Padi tersebut kemudian

mengalami proses penggilingan dan penyosohan menjadi beras dengan derajat sosoh

95%.

Kegiatan penyiapan sampel ini menggunakan alat Moisture Tester, Grain

Analys Tester, Sample devider, timbangan Triple Beam Balance merk OHAUS,

ayakan menir, Indented Plate, pinset, kaea pembesar, cawan petri, dan penyiduk.

Pada kegiatan pengarnbilan citra digunakan kamera digital merk Fuji Fine Pix A203,

(4)

empat buah lampu TL 5 watt, dan iluminance meter merk Minolta tipe T-lH. Pada pengolahan citra dan pendugaan varietas digunakan seperangkat komputer sebagai perangkat keras dan perangkat lunak yang digunakan adalah bahasa pemrograman Visual Basic 6.0.

Setelah padi digiling dan disosoh menjadi beras, diambil 100 g untuk dilakukan analisa ukuran butiran. Yaitu pemisahan antara butir utuh, butir patah besar, butir patah, dan menir dengan menggunakan ayakan menir dan

indented plate

standar BULOG. Butiran yang sudah dikelompokkan tersebut kemudian dianalisa kembali secara visual dengan bantuan pinset, kaca pembesar dan cawan petri untuk menghindari tercampurnya ukuran butiran lain.

Sampel beras diletakkan 20 em di bawah kamera dengan resolusi citra

480 x 640. Sampel beras diletakkan di atas kertas berwama merah. Beras diletakkan

secara acak dan tidak tumpang tindih antara satu dengan lainnya sehingga memudahkan komputer mengenali butir demi butir. Kemudian gambar atau citranya diambil dengan menggunakan kamera digital dan disimpan pada

file

gambar berformat JPEG. Program pengolahan citra beras yang digunakan merupakan program dengan bahasa pemrograman Visual Basic 6.0. Dengan program ini didapatkan data-data numerik dari citra yang berupa luas (A), panjang (P), lebar (L" L" ... ,L20), lebar maksimum (Lmwl, keliling (K), dan

roundness

(R)

yang digunakan sebagai masukan data pada

artificial neural network.

Luas butiran beras tergantung dari varietas masing-masing beras. Karena beras yang diambil pada penelitian ini banyak dan mempunyai kekhasan bentuk masing-masing. Beras yang dinyatakan butir patah pada satu varietas, luasnya mungkin akan sama dengan butir patah besar pada varietas yang lain. Begitu juga dengan keliling, keliling butir patah pada satu varietas mungkin sarna dengan keliling pada butir patah besar varietas yang lain. Untuk panjang, panjang suatu varietas berbeda dengan varietas yang lain. Misalnya butir patah pada varietas

IR

64

mungkin dinyatakan sebagai butir patah besar pada varietas Widas. Dalam pemilihan sampel, beras yang diambil adalah beras normal sehingga tidak memperbandingkan lebamya, namun memperbandingkan ukuran panjang dengan panjang butir utuh pada varietas yang sama. Sehingga karakteristik dari lebar tidak tergantung dari ukuran butiran.

Proses training pada

artificial neural network

dilakukan sampai jaringan mendapatkan nilai akurasi yang stabil. Pada penelitian ini proses training dilakukan sampai dengan 17 000 iterasi dengan nilai akurasi 98.7% yang terdiri dari akurasi pendugaan terhadap butir utuh 100%, akurasi pendugaan terhadap butir patah besar

96%, akurasi pendugaan terhadap butir patah 99.18%, dan akurasi pendugaan terhadap menir 99.35%. Karakteristik citra untuk luas (A), panjang (P), keliling (K), lebar maksimum (Lmaks), dan

roundness

(R)

yang tumpang tindih pada masing masing ukuran butiran terhadap ukuran butiran yang lain menyebabkan hasil pendugaan ukuran butiran tertebak menjadi ukuran butiran lain. Dari nilai akurasi yang diperoleh dapat disimpulkan bahwa hobot yang dihasilkan pada model

artificial

neural network

yang dikembangkan dapat digunakan untuk pendugaan ukuran butian beras. Hasil pendugaan validasi set dengan menggunakan data yang baru menghasilkan nilai akurasi 92.9 1% yang terdiri dari akurasi pendugaan terhadap butir utuh 97.4%, akurasi pendugaan terhadap butir patah besar 89.72%, akurasi pendugaan terhadap butir patah 92.9%, dan akurasi pendugaan terhadap menir

(5)

logistic constant

yang lain, sehingga mampu mengetahui hubungan keduanya dengan tingkat akurasi pendugaan.

(6)

PENDUGAAN UKURAN BERAS DENGAN PENGOLAHAN CITRA DAN ARTIFICIAL NEURAL NETWORK UNTUK

EV ALUASI MUTU BERAS SOSOH

SKRIPSI

Sebagai salah satu syarat untuk memperoleh gelar SARJANA TEKNOLOGI PERTANIAN

Pada Jurusan Teknik Pertanian, Fakultas Teknologi Pertanian,

Institut Pertanian Bogor

Oleh:

HERNIK NUR HIDAYATI F01499043

2003

FAKULTAS TEKNOLOGI PERTANIAN INSTITUT PERTANIAN BOGOR

(7)

INSTITUT PERTANIAN BOGOR FAKULTAS TEKNOLOGI PERTANIAN

PENDUGAAN UKURAN BERAS DENGAN PENGOLAHAN CITRA DANARTIFICUL NEURAL NETWORK UNTUK

EVALUASI MUTU BERAS SOSOH

, .

SKRIPSI

Sebagai salah satu syarat memperoleh gelar SARJANA TEKNOLOGI PERTANIAN

Pada Jurusan Teknik Pertanian, Fakultas Teknologi Pertanian,

Institut Pertanian Bogor

Oleh:

HERN� NUR HIDA Y A TI FOl499043

Dilahirkan pada tanggai 29 J anuari 1981 di Sukoharjo

Tanggallulus: 29 September 2003

Menyetujui, Bogor,

g

Oktober 2003

Dr. If. I Wayan Astika, M.Si

(8)

RIWAYAT HInUp

Penulis bemama lengkap Hemik Nur Hidayati, dilahirkan di Sukoharjo. 29

Januari 1981 dan merupakan anak keempat

dari

empat bersaudara dengan ayah bemarna Ir. Daliyo dan Ibu bernama Hem Prihatin.

Pada tabun 1993 penulis menyelesaikan pendidikan dasar di Sekolah Dasar Negeri 02 Singopuran, Sukoharjo. Penulis kemudian melanjutkan pendidikan di Sekolah Lanjutan Tingkat PertaIna Negeri I Kartasura, SukohaJjo dan lulus tabun 1996. Kemudian melanjutkan ke Sekolah Lanjutan Menengah Atas Islam Batik I Surakarta dan lulus tabun 1999.

Pada tabun 1999, melalui Undangan Seleksi Masuk IPB (USMI), penulis diterima di Jurusan reknik Pertanian, Fakultas Teknologi Pertanian, Institut Pertanian Bogor dan menyelesaikan pendidikan program Sarjana pada tahun 2003.

Selama menempuh studi di IPB, penulis terdaftar sebagai anggota HIMATETA dan mengikuti kepanitiaan yang diadakan oleh mahasiswa atan umum. Penulis juga pemah menjadi asisten dosen uotuk roata kuliah Penerapan Komputer pada tabun 2003.

Penulis melaksanakan praktek Japang di PT. Tipperary Indonesia, Lampung Timur dengan topik Manajemen Penggunaan Alat dan Mesin Pertanian pada Industri Penggemukan Sapi di PT. Tipperary Indonesia, Lampung Timur.

Selanjutnya penulis melakukan penelitian dengan topik Pendugaan Ukuran Beras dengan Pengolahan Citra dan Artificial Neural Network untuk Evaluasi Mutu Beras Sosoh.

(9)

KATA PENGANTAR

Alhamdulillab, puji syukur hanya kepada Allab SWT, sang pencipta yang patu! disemhah, atas segala rahrnat dan hidayah-Nya sehingga penulis dapat menyelesaikan skripsi ini.

Pada kesempatan ini penulis ingin menyampaikan terima kasih kepada : I, Dr. Ir. I Wayan Astika, MSi atas bimbingan yang telab diberikan.

2.

Ir. Mohamad Solahudin, MSi atas saran dan bantuan moril yang diberikan selaku pembimbing pendamping.

3. Dr. Ir. Suroso, MAgr atas kesediaannya untuk menguji, kritik, dan saran yang diberikan kepada penulis.

4. Ir. Abdul Waries Patiwiri, MBA dari BULOG yang telab menyediakan fasilitas se1ama penelitian.

5. Ir. Ennan Aziz, MSc, Bapak Rahman Sugiyanto, dan Bapak Rudi dari Balai Penelitian dan Pengemhangan BULOG Tambun, Bekasi yang telah banyak membantu dalam pelaksanaan penelitian.

6.

Bapak Gozali

dari

Lahoratorium Sistem Manajemen

dan Mekanisasi

Pertanian yang telah banyak memhantu dalam pelaksanaan penelitian.

7. Program Penelitian Due-Like yang telah membiayai penelitian ini. 8. Pihak-pihak yang tidak bisa penulis sebutkan satu-persatu.

Akhimya kritik dan saran sangat penulis harapkan demi perbaikan tulisan selanjutnya.

Bogor, 8 Oktober 2003

(10)