PENDUGAAN VARIETAS BERAS DENGAN
PENGOLAHAN CITRA DAN ARTIFICIAL NEURAL NETWORK
OLEH:
KAMALDA OKTASTY ADHA RASYID FOl4991Z8
2003
FAKULTAS TEKNOLOGI PERTANIAN INSTlTlIT PERTANIA'\ BOGOR
<MaUa mo ngucapin makasili. 6uat :
Ibunda Zahrotul Hayati, dan beliaulah aku banyak bela.w untuk menjadi wanita yang mandin, legar; dan sabar dalam menghadapi apapun
Ayahailda Asransyah Rasyid, dan beliaulah aku banyak belajar unluk berdislplin, menghargai, dan mensyukuri nikmat sekecil apapun
(May, Pay, makasih alas doa, dukungan, nasihat, dan cinla yang tiada henli (fhihhu iluikllmaa Jlddall)
Saudara-saudaraku Bang Hadi & Ka Ida. Bang Imam. Ka Nung. Iril, Na, dan Aby yang selalu member; semangat (Maafya kala aku ngga bisa jadi contoh yang baik Hik. ).
Keponakanku Aft dan Putri "Cipuf' atas keceriaannya yang selalu dapat menghiburku di saat-saat sulit (Cepet gede ya sayang. Oya, kalo udah gede jangan bandeP)
Keluarga besar di Jakarta (Ny ai, Encang2. dan Encing2), makasih alas doa dan dUkungannya. Arid Wahyu Utomo, STP atas doa, dukungan. dan (ehm) kasih sayangnya (Semoga mas Arief adalah yang terbaik yang dipilihkanNya untukku. Maafkalo ade suka bikin mas kesel '\")
8apak Sudarsono. Ibu Sulastri, !"Iieni. dan Nita atas doa dan dukungannya
Rossita "Oci" Nurdini, sahabalku yang paling tulus. tempatku berkeluh kesah dan curhat lentang segalanya (Makasih atas nasihat, kritik, dan kebersamaannya li're unforgettable, honey I Oya sing enteng jodoh. semoga Allah memberikan yang terbaik Amin)
Hemik. teman seperjuanganku sekaligus komandan "'beras"' atas kebersamaan dan kerjasamanya (Maafkalo aku suka ngerepotin)
Team ·'beras" Novi, Putri, dan Mba Mia atas kerjasamam a
Sobat-sobat !'liS . Mba Rhe, Mba Heppy, Tiwil. Elen. Heni. Ibu Guru "'Anik"', Lilis., Mba Santi. dan
Mba Heti alas dukungan, keceriaan, kekeluargaan, dan kebersamaannya
SMIPers Alti komti, Lince, Tamie. Uci. Son�'a. Diana. :-..Jurul, Ari. Deni, dan Harlis alas kebersamaannya
Hendra Hermawan atas bantuan dan kesabarannya dalarn 111t'njelaskan A�N dan programnya.
Yusuf Hendrawan alas bantuan dan kesabarannya dalam meniL'la�kan logika-logika program pengolahan citra yang ngejelimet
Erwin atas bantuannya dalam edit-mengedit gambar
Nunung Nuraini alas persahabalannya yang tulus (Aku ikhlas k(lk kamu \�isuda rluluan. Hi].;
Keluarga besar TEP'36 (TSP, BIOSISTEM, dan lMP) alas kebersamaannya selama menjalani masa-masa kuliah di R&H.
Kakak-kakak di TEP'35, specially Mas Edy alas bantuan dan dukungannya.
Ibu2 dan bapakl di BAAK yang telah berjasa mengurus surat-sural "sakti"" untuk persyaratan im-itu Mas-mas tukang fotocopy di "Tri M ulya .... atas jasanya. sehingga skripsi illl bisa lerjilid dengan rapih
T ukang-tukang angkot&bis yang telah menganlarku pulang Jakarta-Bogor dan ""arung-warun� makanan yang lelah membuatku bertahan hidup selam3 di Bogor.
KAMALOA OKTASTY AOIIA RASYI(}. F01499128. Pendugaan Varietas Beras dengan Pengoiahan Citra dan Artijicial Neural Network. Di bawah bimblngan I Wayan Astika dan Mohamad Solahudin. 2003.
RINGKASAN
Sebagai salah satu makanan pokok sebagian besar penduduk Indonesia, beras harus mempunyai mutu yang baik. Penggolongan kriteria mutu beras mempunyai hubungan langsung dengan penerimaan di konsumen akhir. Oleh karena itu inspeksi atau penilaian terhadap mutu beras sosoh perlu dilakukan sebe1um beras diJual kepada konsumen. Mutu rasa yang didasarkan atas varietas merupakan salah satu kategori mutu beTas yang menjadi preferensi utama dalam penetapan harga. Akan tetap. pada kenyataannya beras dengan varietas mumi sulit ditemukan di pasaran. Pencampuran varietas kerap terjadi karena sulit membedakan satu varietas dengan varietas lain, terutama varietas lokal yang mempunyai bentuk dan ukuran yang harnpir sarna, sehingga konsumen tidak rnendapatkan beras dengan varietas tertentu sesuai dengan mutu rasa yang diinginkan.
Penelitian ini bertujuan mencan nilai numerik dari 26 parameter-parameter yang mencenninkan bentuk dan ukuran but iran beras dengan pengolahan citra (inwge processmg), yaitu panJang (P), lebar
(L.l,
L1, L1, , L20),1ebar maksimal (Lma,,), keliling (K), luas obyek (A), roundness (R), dan nisbah PfL. Dari parameter parameter tersebut diharapkan peodugaan varietas beras tertentu dapat dilakukan dengan menggunakan metoda Janngan saraf tiruan (Arfljiciul Neural Network).Soenarjo
(1991)
meogcmukakan bahwa berdasarkan ukuran dan bentuk beras, dalam standarisasl mutu beras di pasaran intemasional dikenal 4 tipe ukuran panjang beras, yaitu bijl sangat panjang (extra long), biji panjang (long gram), biji sedang(medium
grain), dan bijl pendek (short grain). Berdasarkan bentuknya yang ditetapkan dari nisbah P/L, beras juga dibagi ata';; 4 tipe, yaitu lonjong (slendal, sedang(medium),
agak bulat(hold),
dan bulat(round).
Kegiatan penelitian In! dilakukan selama 5 bulan, mulal bulan April 2003 sampai dengan Agustus 2003. fPenelitian dilakukan di dua tetnpat, yaitu Laboratorium Sistem dan Manajemen lnfonnatika Pertaman, Jurusan T ekmk Pertanian, Fakultas Teknologi Pertanian,' Institut Pertanian Bogor dan Balal Penelitian dan Pengembangan BULOG, Tambun. Bekasi.
Bahan yang digunakan uotuk melakukan penelitian mi adalah beras yang telah disosoh dengan derajat sosoh 95 %. Beras yang pada awalnya berbentuk gabah ini diperoleh dari Balal Penelitian Tanaman Padi Inlitpa Muara, Ciapus, Bogor dengan berat 1 kg untuk setiap varietas. Varietas yang diambiI untuk dijadlkan sampel adalah 10 van etas heras dalam negeri, yaitu Satang Gadis, Ciherang, Cimelati, Cisadanc, GiJirang, lR 64, Membramo, Sintanur, Way Seputih, dan Widas. Pada kegIatan peoyedian sampel, alat yang digunakan adalah Moi.vturer tester uotuk gabah dan beras, Gram Af1(l�VXe Tester, timbangan lJial-()-( ;ram merek Ohaus, Mixer Devider merek Tsukasa Co. LTD, ayakan menir, Indented Plate, dan alat pembantu lain, seperti kaca pembesar, cawan petri, pmset, dan penyiduk. Pada kegiatan pengambilan citra digunakan kamera digital merek FUJi Fine Pix A203 dan alat�alat pendukung berupa empat buah lampu 5 watt merek Phillips dan ilfuminwli.:e meter merek Minolta hpe T�lH. Pada pengolahan citra dan pendugaan vanetas
digunakan seperangkat komputer sebagai hardware yang didukung oleh so.flware program yang dibangun pada lingkungan Micro.\(!fi V'1::nw{ Rasle 6.0.
Pada perlakuan awal, gabah dari kesepuluh varietas disosoh di Balai Penelitian dan Pengembangan BULOG, Tambun, Bekasi. Selanjutnya dilakukan pengambilan dan pengolahan citra butir utiJh dari -masing-masing varietas sebanyak dua kah sehingga didapat parameter-parameter pendugaan untuk dijadikan training set dan validasi set pada program Arti/icw{ Neural Ne/\1'ork (ANN).
Pada penelitian ini dirancang 2 jenis ANN, yaitu ANN dengan 4 output untuk menduga 4 varietas dan ANN dengan 10 output untuk menduga 1 0 varietas. Masing masing jenis ANN tersebut mempunyai 26 noda pada mput layer dan 50 noda pada Illdden layer. Algoritma yang digunakan untuk kedua ANN tersebut adalah algoritma
hack propagatIOn dengan lagist/(: constant 1 dan {earnmg rate 0.3.
Pada proses training, kedua ANN tersebut diiterasi sampai mencapai tingkat akurasi training tertentu. Tahap validasi dilakukan setelah masing-masing ANN mencapai akurasi training terbaik. Validasi dilakukan untuk melihat sejauh mana kemampuan ANN dalam mengenal sampel betas baru di luar sampet yang dipakai sebagai data training dengan membandingkan dugaan varietas yang dihasilkan oleh ANN dengan kenyataan ashnya.
Pada proses training, nilai akurasi untuk ANN dengan 4 output adalah 95.5% yang dicapai setelah dilakukan iterasl sebanyak 10 000 kali. Pada proses training ini nilai akurasi yang dlcapai oleh varietas Batang Gadis adalah 99%, Gilirang 98%, IR 64 99%, dan Way Seputih 86%.
Sementara pada proses validasi, nilal akurasi uotuk ANN dengan 4 output adalah 69%. Pada proses validasi im nilai akurasl yang dlcapai oteh varietas Batang Gadis adalah 84%, Gilirang 76%, lR 64 100%, dan Way Seputih 1 6%.
Untuk ANN dengan 10 output, pada proses training dilakukan iterasi sebanyak 20 000 kali dan dihasilkan nilai akurasi 64.1°0. Pada proses training ini nilal akurasi yang dicapal oleh vanetas Batang Gadis adalah 99%, Ciherang 48%, Clmelati 35%, Cisadane 60%, Gilirang 81�·0. IR 6-l 51%, Membramo 65%, Sintanur 71 %, Way Seputih 85%, dan Widas 46° °
Pada proses validasi, nilai akurasi yang dicapal oleh ANN dengan 10 output Illi adalah 27. 17%. Pada proses validasl im mla! alums! yang dicapal oleh vane las Satang Gadls adalah 64%, Ciherang 10�'o, C!meiatl 18.33%, Cisadane 12%, Gihrang 54%, IR 64 38%, Membramo 18%, Smtanur 38(10. Way Seputih 6.25%, dan Widas 14%.
Dari hasil penelitJan ini disarankan agar pada pcnelitian lebih lanjut dilakukan proses traming dengan menggunakan /Ogl.\/IC constant dan learning rate yang berbeda untuk mengetahUi hubungan keduanya dengan tingkat akurasl pendugaan. Pene1itian lebih lanJut juga perlu dilakukan untuk merangkai hardware dan .w?/iware menjadl satu kesatuan yang terintegrasL .sehmgga sistem dapat berjalan realfllne.
PENDUGAAN VARIETAS BERAS DENGAN
PENGOLAHAN CITRA DAN ARTIFICIAL NEURAL NETWORK
SKRIPSI
Sebagai salah satu syarat memperoleh gelar SARJANA TEKNOLOGI PERTANIAN
Pada Jurusan Teknik Pertanian. Fakultas T eknologi Pertanian,
Institut Pertanian Bogor
Oleh:
KAMALDA OKTASTY ADHA RASYID FOI499I28
2003
FAKULTAS TEKNOLOGI PERTANIAN INSTITIIT PERT ANIAN BOGOR
INSTITUT PERTANIAN BOG OR FAKULTAS TEKNOLOGI PERTANIAN
PENDUGAAN VARIETAS BERAS DENGAN
PENGOLAIIAN CITRA DAN
ARTIFICIAL NEURAL NETWORK
SKRIPSI
Sebagai salah satu syarat memperoieh gelar SARJANA TEKNOLOGI PERTANIAN
Pada Jurusan T eknik Pertanian, Fakultas Teknologi Pertanian,
Institut Pertanian Bogar
Oleh:
KAMALDA OKTASTY ADIIA RASYID F01499128
Dilahirkan pada tanggal 8 Oktober 1981 di Jakarta
Tanggal lulus : 29 September 2003
If. Mohamad Solahudin, M.Si Dosen Pembimbing II
R1WAYATHIDUP
Penults bemama lengkap Kamalda Oktasty Adha Rasyid, dilahirkan di Jakarta, 8 Oktober 1981 dan merupakan anak keempat dari tujuh bersaudara dengan ayah bemama Drs. H. Asransyah Rasyid dan ibu bemama Ora. Hj. Zahrotul Hayati.
Pada tahuo 1993 penuhs menyelesaikan pendidikan dasar di Sekolah Dasar Islam Muslimat, Jakarta Penulis kemudian melanjutkan pendidikan SMP dan SMU nya di Pondok Pesantren Darnl Arqom Muhammadiyah, Gamt selama 6 tahuo sampai penulis lulus tahuo 1999.
Pada tabuo 1999, melalui jalur Ujian Masuk Perguruan Tinggi Negeri
(UMPTN),
penulis diterima di Jurusan Teknik Pertanian., Fakultas Teknologi Pertanian., Institut Pertanian Bogor dan menyelesaikan pendidikan SI-oya pada tahun 2003.Selama menempuh studi di IPS, penulis terdaftar sebagai anggota HIMA TETA dan mengikuti kepanitiaan yang diadakan oleh mahasiswa atau umum, Penulis juga menjadi asisten dosen untuk mata kuliah Penerapan Komputer pada tahun 2002/2003.
Penulis melaksanakan praktek lapang di Carnation Florist, Lembang, Jawa Barat dengan topik HAspek Teknik Pertanian pada Budidaya Tanaman Bunga Potong Gerbera dan Krisan", SeJanjutnya penulis melakukan penelitian dengan topik "Pendugaan Varietas Beras dengan Pengolahan Citra dan
Artificial Neural
Network",
KATA PENGANTAR
Puji dan SYUkUf penulis panjatkan kepada Allah SWT alas rahmat dan karunia-Nya sehingga penulis dapat menyelesaikan skripsi dengan judul "Pendugaan Varietas Beras dengan Pengolahan Citra dan
Artificwl
II/eum! Network ". Skripsi inimerupakan hasil penelitian dan studi pustaka yang dllakukan penulis mulai dari bulan April sampai dengan Agustus 2003.
Pada kesempatan ini tak lupa penulis ucapkan banyak terima kasih kepada . 1. Dr. If. I Wayan Astika, MSi selaku dosen pembimbing I yang telah memberikan
bimbmgan dan arahan yang sangat berani dalam usaha penyelesaian skripsi im. 2. If. Mohamad Solahudin, MSi selaku dosen pembirnbmg II atas bimbingannya_ 3 Dr. Jr. Suroso, MAgr selaku dosen penguj\ skripsl atas bantuan dan masukannya. 4 Ir. Abdul Waries Pahwiri, MBA dan BULOG yang telah menyediakan fasilitas
selama penelitian.
5 Ir. Erman Aziz, MSc, Bapak Rahman Sugiyanto, dan Mas Rudi dl Balai Penelitian dan Pengembangan BULOG, Tambun, BekasL yang telah banyak
membantu dalam pelaksanaan penelitian.
6. Bapak Gozali atas bantuannya selama penelitian.
7. Program peneiitian Duehke yang telah membiayal pcnelitian.
8 Keluarga tercinta (Ibunda, Ayahanda, kakak-kakak, dan adik-adik) atas doa dan dukungan yang selama im telah diberikan dengan penuh keikhiasan.
9 Semua pihak yang telah mcmbantu dan tidak dapat dLsebutkan satu persatu. Penulis berharap semoga penclitLan ini dapat berguna dan memben manfaat bagi kita semua. Segaia saran dan kritik yang bersifat membangun dari semua pihak akan penulis terima dengan senang hati demi pcrbaikan di masa mendatang.
Bogor, Oktober 2003 Penulis
DAFTAR lSI KATA PENGANTAR ... . DAFTAR TABEL ... . DAFT AR GAMBAR .... . DAFTAR LAMPIRAN .. I. PENDAHULUAN .. A LATAR BELAKANG .. B TUJUAN ... _ . .
II. T1NJAUAN PUSTAKA .. .. A. BERAS ... .
I . Mutu Beras .. 2. Varietas Beras ..
B. PENGOLAHAN CITRA ..
C AR71NClAL NUIIIAL NIJW(}RK (ANN) ..
Halaman IV VII VIII x 2 4 4 4 5 6 9 D. APLIKASI PENGOLAHAN CITRA DAN AllnNUAI_ NUI/IAI.
NJ-.TW()IIK DALAM BIDANG PERTANIAN ... .. . 111. METODOLOGI PENELITIAN ..
A. WAKTU DAN TEMPAL B BAHAN DAN ALA T.. C. METODE PENELITIAN 1. Perlakuan Awal. 12 15 15 15 19 19
2. Pengambilan Citra Beras . 21
3. Pengolahan Citra Beras 24
4 . Penyusunan Model dan Training Art/flew! Neural Network (ANN).. 27
5. Validasi Program . . 31
IV. HASIL DAN PEMBAHASAN .. A. PENGOLAHAN CITRA .
B. KARAKTERISTIK CITRA BERAS .. 36
1. Karaktenstik PanJang Beras . 37
2. Karakteristik Nisbah P/L Beras .. 39
