. i R. NOVIEI!A YVARAHNUR

(1)

PENGEMBANGAN METODE ANALISA DERAJAT SOSOH BERAS DENGAN PENGOLAHAN CITRA DAN JARINGAN SARAF TIRUAN

. . ,

�'-OI!£II',

.

i

R. NOVIEI!A YVARAHNUR . " - � F01499101 2003

JURUSAN TEKNIK PERTANIAN FAKULTAS TEKNOLOGI PERTANIAN

INSTITUT PERTANIAN BOGOR

(2)

R

NOVIE NAYYARAH

NUR

FOl499l01.

Pengembangan Metode Analisa Derajat Sosoh Beras dengan Pengolahan Citra dan Jaringan Saraf Tiruan. Di bawah

bimbingan: Setyo Pertiwi dan I �ayan Astika.

2003.

' . , _•

RINGKASAN

Akhir-akhir ini sering dipennasalahkan adanya kasus-kasus beras kuaIitas rendab, beras

tua,

_{beras turun mutu, dan beras rusak selama penyimpanan eli gudang.}

Kasus beras berkualitas rendah pada umumnya teryaeli

pada

beras pengadaan yang nantinya akan berkelanjutan menjadi beras turun mutu dan kemudian cenderung menjadi beras

rusak.

_{Kasus-kasus beras tua atau heras yang meoua selama}

penyimpanan dapat teryaeli baik pada pengadaan dalam negeri maupun beras import yang pada umumnya alchir-alchir ini disimpan di gudang lebih dari enam bulan, yang nantinya cenderung menjadi turun mutu (Yudawinata,

1982).

Saat ini inspeksi mutu hems dilakukan oleh tenaga inspektor yang telah berpengalaman. Metoda yang dipakai adalab mengambil sedikit sampel beras

dan

dalam karung untuk kemudian di'amati secara visual. Deogan pengalamannya inspektor clapat menentukan apakah sampel tersebut dapat diterima atau tidak ke dalam suatu' grade tertentu. Deogan latar belakang tersebut, penelitian ini dirancang dengan tujuan membangun perangkat kecerdasan buatan (berbasis komputer) untuk menggantikan fungsi inspektor dalam melakukan inspeksi mutu beras. Perkembangan sistem pengolahan citra memungkinkan dilakukan penentuan derajat sosoh beras dengan melakukan pengukuran secara tidak langsung.

Penelitian ini bertujuan untuk mengembangkan metoda analisa derajat sosoh beras. Tujuan khususnya adalah menyusun algoritma pengolahan citra untuk memperoleh nilai parameter-parameter yang mencerminkan derajat sosoh beras, yaitu nilai rata-rata intensitas warna merah (R rata-rata), nilai rata-rata intensitas

warna hijau (G rata-rata), nilOO rata-rata intensitas warna bim (B rata-rata), nHai rata

rata RGB

(CV

rata-rata), nilai rata-rata indeks wama merah

(Ired

rata-rata), nilai rata rata indeks warna hijau (!ween rata-rata), nilai rata-rata indeks wama bim

(Ib1ue

rata

rata), nilai rata-rata indeks

Hue (H

rata-rata), nilai rata-rata

Saturation

(S rata-rata), dan nHai rata-rata

Intensity

(I rata-rata). Penilaian dilakukan secara visual buatan dengan pengoJahan citra

(image processing)

yang dikembangkan menggunakan jaringan saraf timan

(artifiCial neural network=ANN),

kemudian dibandingkan dengan hasil analisa derajat sosoh contoh sampel yang telah diwamai dengan larutao May Gmenward.

Borasio

(1979)

mengembangkan teknik pewamaan dengan larutan May

Gruenward. Pewamaan dengan larutan ini menyebabkan bagian kulit an sebelah luar menjadi berwarna hijau, bagian kulit ari sebelah dalam menjadi berwarna bim, sedangkan endosperm menjadi berwama merah jambu. Djasmin, S

(1986)

mengembangkan metode analisa derajat sosoh beras dengan piringan warna standar.

Beras standar yang telah diwarnai dengan lamtan May Gruenward diputar dengan

kecepatan yang cukup tinggi dan membentuk warna yang homogen. Piringan warna

standar dibuat dari berbagai kertas wama. Dengan metode tersebut maka penentuan derajat sosoh beras cukup dilakukan pengukuran satuan warnanya menggunakan

(3)

CDC (Color Difference Computer) alau dengan membandingkan

warnanya

dengan

wama piringan standar yang dibuat.

Penelitian ini dilakukan pada Bulan Maret-September

2003.

Pelll!l'l1lbangan

sistem komputer dilakukan di Lab. Sistem dan Manajemen Mekanisasi Pertanian,

Jurusan Teknik Pertanian, IPB. Penggilingan padi dan penentuan deajat sosoh

dilakukan di Balai Penelitian dan Pengemhangan BULOG, Tambun. SedoIIgkan uji

validasi derajat sosoh dengan larutan May Gruenwald dilakukan di

Lab.

Kimia

Analitik. Jurusan Kimia, IPB.

Baban yang digunakan adalah gabah dari dua varietas, yaitu

1R-64

dan

Membramo. Kedua varietas gabah diperoleh dan Kebun Percobaan Muara. Bogor.

Gabah tersebut digiling terlebih dahulu menjadi bems sosoh dengan bebempa derajat

sosoh. Peralatan yang digunakan untuk pengolahan citra adalab kamela digital

merek Fuji Fine Pix

A203.

seperangkat komputer, lampu merek Phillips, styrofoam,

dan

sebagai perangkat lunaknya adalah Microsoft Visual Basic

6.0 dan

Wmdows XP

Professional

2002.

Perangkat kerns yang digunakan adalab perangkat komputcr

dengan processor Pentium

III 996 Mhz, RAM

(Random Access Memory)

128 MB.

Peralatan lain yang digunakan adalah mesin analisa gabah

3

in

I Type IR-3,

Illuminance meter merek Minolta untuk mengukur intensitas cahaya, mixer divider

merek Tsukasa Co. LTD, timbangan merek Ohaus, pengukur kadar air beras merek

Kett Global PM-400 Ina.

Gabah diproses terlebih dahulu dengan mesin analisa gabah yang memiliki

tiga fungsi sekaligus, yaitu pemisahan gabah dengan gabah hampa dan kotoran,

pengelupasan sekamlpembuatan bems pecab kulit,

dan

penyosohalL

Untuk

memperoleh DS (derajat 5Osoh)

80%, 85%, 90%. 95%,

dan

100%,

timer

diatur

untuk

5

detik,

10

detik,

15

detik,

20

detik, dan

25

detik. Pengambilan citra dilakukan

dengan menggunakan kamera digital. Beras ditempatkan secara acak. namun tidak:

ada yang hersentuhan mengingat citra akan memproses objek satu per

satu.

Citra

wama terlebih dahulu diubah menjadi citra biner untuk membedakan

antara

obyek

dan latar belakang. Setelah proses thresholding, dilakukan penghitungan beberapa

parameter yang hasilnya disimpan dalam sebuah file text dengan extention

•.

txt pada

notepad untuk kemudian digunakan sebagai data pada proses training

ANN.

Model ANN yang digunakan terdiri dari tiga layer, yaitu input layer, hidden

layer, dan output layer.

Noda pada input layer merupakan data-data numerik yang

dihasilkan dari program image processing dan noda pada output layer adalah derajat

sosoh heras sebagai basil pendugaan jaringan. Sepuluh parameter yang menjadi

input adalah

R

rata-rata, G rata-rata, B rata-rata, CV rata-rata, Ired rata-rata, Iweenrata

rata,

Iblue

rata-rata, H rata-rata, S rata-rata, dan

I

rata-rata. Sedangkan enam

parameter yang menjadi output adalah PK, OS

80%.

(4)

rata-rata PK < DS 80% < DS 85% < DS 90% < DS 95% < DS 100%). Nilai S rata-rata

dan

I

rata-rata PK < DS 80% < OS 85% < DS 95% < DS 90% < DS 100%.

Sedangkan nilai H rata-rata semakin besar dengan meningkatnya DS (H rata-rata PK

< DS 80% < DS 85% < DS 90% < DS 95% < DS 100%). Namun jika dilihat data

per butir bems. tidak ada kisaran nilai yang

khas

_{antara masing-masing derajat sosoh.}

HasH pengolahan citra untuk beras Membramo menunjukkan bahwa secara garis besar nilai R rata-rata, dan G rata-rata PK < DS 80% < DS 85% < DS 90% <

DS 100% < DS 95%. Nilai

B

rata-rata dan

CV

rata-rata semakin besar dengan

meningkatnya DS

(B

rata-rata dan

CV

rata-rata PK < DS 80% < DS 85% < DS 90% < DS 95% < DS 100%). Nilai

I""

rata-rata semakin kecil dengan meningkatnya DS

(I""

rata-rata PK > DS 80% > DS 85% > DS 90% > DS 95% > DS 100%). Nilai

Igreen

rata-rata DS 80% > PK > DS 85% > DS 90% > DS 95% > DS 100%. Nilai

Ibluc

semakin besar dengan meningkatnya DS

(.4,lue

rata-rata PK < DS 80% < OS 85% <

DS 90% < DS 95% < DS 100%). Nilai S rata-rata dan

1

rata-rata PK < DS 80% <

DS 85% < DS 90% < DS 100% < DS 95%. Sedangkan nilai H rata-rata semakin

besar dengan meningkatnya DS (H rata-rata PK < DS 80'% < DS 85% < DS 90"10 <

DS 95% < DS 100%). Seperti halnya beras IR-64, jika dilihat data per bulir beras

tidak ada kisaran nilai yang

khas

_{aotara masing-masing derajat sosoh.}

Akurasi pendugaan ANN terhadap data

training

beras 1R-64 mencapai 45.46% (persentase error pendugaan 54.54%). Akurasi pendugaan ANN terhadap data

training

beras Memhmmo mencapai 55.35 % (persentase error pendugaan 44.65%). Secara keseluruhan data validasi bems IR-64 yang berhasil menduga sebanyak 63 dari 304 data (akurasi pendugaan 20.73%). Sedangkan untuk beras Membramo secara keseluruhan data validasi yang berhasiI menduga sebanyak 117 dari 300 data (akurasi pendugaan 39%). Hasil validasi ini belum menunjukkan pola pendugaan yang jelas karena tidak terlihat adanya parameter yang khas yang dapat dijadikan acuan untuk menduga derajat sosoh beras dan secara visual pun sulit terlihat hampir sarna keputihannya. Selain itu hasil penyosohan tidak merata, ada beras yang tersosoh dengan baik dan ada yang tidak. Hal tersebut diperkuat dengan hasil pewarnaan beras dengan larutan May Gruenward. Sampel beras sosoh dengan DS 100% tidak semuanya be

rwam

_{a merah jambu (seluruh lapisan kulit}_an_telah

terlepas), terdapat pula beras dalarn derajat sosoh lain. Hal yang sarna juga terjadi pada sampel beras dengan DS 80%, DS 85%, DS 90%, dan DS 95%.

Kesimpulan dad penelitian ini adalah metode yang dikembangkan belum dapat menganalisa derajat sosoh dengan tepat. Parameter-parameter yang digunakan kurang dapat mencenninkan derajat sosoh beras per butir. Namun jika dianalisa per sampel ada beberapa parameter yang dapat mencenninkan derajat soso� yaitu

Hue

dan indeks

wama

_{biru untuk varietas IR-64. Sedangkan pada sampel beras}

Membramo nilai rata-rata parameter untuk keseluruhan sampel yang dapat mencenninkan derajat sosoh adalah

B, CV, Ired, Ib1ue,

dan

Hue.

Pada penelitian lebih lanjut, sebaiknya beras yang dianalisa adalah beras per sampel karena hasil penyosohan setiap butir tidak merata, ada pennukaan butir beras yang tersosoh dengan baik dan ada yang tidak. Penelilian Iebih lanjut juga dapat dilakukan dengan menggunakan input dari parameter yang telah dapat mencerminkan derajat sosoh.

(5)

INSTITVT PERTANIAN BOGOR FAKULTAS TEKNOLOGI PERTANIAN

PENGEMBANGAN METODE ANALISA DERAJAT SOSOH BERAS DENGAN PENGOLAHAN CITRA DAN JARINGAN SARAF TIRUAN

;;

'

;

1\i

�;.,

cit

ber

2003

+ �� '.

'I �A

•

"

t

<tr: '

� \�\�g

.

··�'�/b:::::::::::?'--""�.""�-'/

Dr. If. Set yo Pertiwi. MA

dt

\

()

,

, i

Dr. If. I Wayan Astika, M.Si

�"\ _{, .,}

Dosen Pembimbing I

<

'.,...'''

Dosen Pembimbing II

(6)

RIWAYAT HIDUP

Penulis bemama lengkap

R.

Novie Nayyarah Nur, dilabirkan di Bandung,

28

JUDi 1981.

Penulis merupakan anak kedua dari empat bersaudara dengan ayah

bernama

R.

Munirul Islam dan ibu bemama

R.

Aini Nurhayati.

Pada tabun 1993 penulis menyelesaikan pendidikan dasar di Sekolab Dasar

Negeri

167

Palembang. Penulis kemudian melanjutkan pendidikan di Sekolab

Lanjutan Tingkat Pertama Negeri

3

Tanjung Karang, Lampung dan lulus tabun

1996.

Penulis kemudian melanjutkan ke Sekolah Menengah Atas Negeri

5

Bogor dan lolus

pada tabun

1999.

Pada tahun 1999, melalui Undangan Seleksi Masuk IPB (USMl), penulis

diterima di Jurusan Teknik Pertanian, Fakultas Teknologi Pertanian, Institut

Pertanian Bogor. Penulis menyelesaikan program Sarjana pada tahun

2003.

Selama menempuh pendidikan di IPB, penulis terdaftar di Himpunan

Mabasiswa Teknik Pertanian (HIMATETA) dan alctif mengikuti kegiatan

kemahasis

waan

.

PenuIis terdaftar sebagai anggota Intematonal Assosiation of

Agricultural Student (IAAS) dan aktif mengikuti kegiatan selama tabun

2000-2001.

Penulis pernah menjadi asisten dosen untuk mata kuliah Penerapan Komputer pada

tahun

2003.

Penulis melaksanakan praktek lapang di PT

lORO,

Bandung dengan topik

Aspek Keteknikan pada Budidaya Tanamsn Paprika di PT. JORO Bandung.

Selanjutnya penulis melakukan penelitian dengan topik

Pengembangan Metode Analisa Derajat Sosoh Beras dengan Pengolahan Citra dan Jaringan Saraf Tiruan.

(7)

KATA PENGANTAR

AlhamduliIlah, segala puji dan syukur bagi Allah swt. karena berkal karunia Nya penulis dapat menyelesaikan skripsi ini. Loa

haula walaa quwwata ilia bil/ah,

liada kekuatan dan daya upaya melainkan dari Allah. Penelilian mengenai ANN menyadarkan penulis betapa segala sesualu ciptaan Allah jaub lebih cepal, lebih akurat, dan lebih sempuma,

masya Allah.

Skripsi ini khusus penulis persembahkan untuk keluarga tercinta Penulis juga mengucapkan terima kasih kepada :

I . Dr. Ir. Setyo Pertiwi, MAgr selaku dosen pembimbing akademik yang lelah membimbing, baik selama perkuliahan maupun dalam pembuatan skripsi.

2. Dr. Jr. J Wayan Aslika, MSi dan Jr. Mohammad Solahudin, Msi unluk segala bimbingan

dan

_{saran selama penelitian dan penyusunan skripsi.}

3. Dr.

Ir.

Suroso, MAgr selaku dosen penguji skripsi atas kesediaan dan masukannya.

4.

Ir. Abdul Waris Paliwiri, MBA dari BULOG yang lelah memberi IJIn penggunaan fasilitas BULOG.

5. Ir. Erman Aziz, MSc, If. Rochman, dan Mas Rudi di Balai Penelitian dan Pengembangan BULOG, Tambun, Bekasi, yang lelah membanlu dalam peneJitian.

6. Dr. Ir. Latifah dan Bu Nunung dari Lab. Kimia Analitik yang memberi ijin penggunaan fasilitas lab dan membantu dalam pembuatan larutan untuk uji validasi.

Bogor, November 2003 Penulis

..

.

12 lII. METODE PENELITIAN ... ... ... ... .

15

A

TEMPAT DAN WAKTU ... ... 15

B. BAHAN DAN ALAT ... ... 15

C. TATA LAKSANA...

18

I.

Penggilingan dan Penentuan Derajat Sosoh Becas

... ... 18

.

. .

.

24

(9)

IV. HASILDAN PEMBAHASAN . . . . .. . . .. . . ... . . 25

A. SAMPEL BERAS . . .... ... .... ... .... .... ... ... .... ... .... ... ... ... 25

B. PENGOLAHAN CITRA BERAS SOSOH . . . 25

I. Karakteristik Nilai RGB . . . 27

2. Karakteristik Indeks RGB . . . .. . . .. . . 33

3. Karakteristik Nilai HSI . . . .. . . .. . .

38

C. PELATIHAN JARINGAN SARAF TIRUAN

(TRAINING ANN)

. . . 43

I.

Training

ANN beras IR -64 ... 44

2.

Training

ANN

heras

_Membramo. . . 45

D. V ALIDASI JA.RINGAN SARAF TIRUAN . . . .. . . 47

V. KESIMPULAN DAN SARAN . . . .. . . .. . . 49

A. KESIMPULAN ... 49

B. SARAN . . . .. . . .. . . 50

DAFTARPUSTAKA .. . . 51

LAMPIRAN . . . .. . . 5

3

(10)

DAFTAR TABEL

Hal Tabel I. Persyaratan kualitas beras pengadaan dalam negeri tahun 2003... 2

Tabel2. Hasil pengukurau berat katu!... 19

Tabel 3. Kondisi setting peralatan pengambilan citra ... 20

Tabel4. Nilai rata-rata RGB keseluruhan sampel pada berbagai derajat

sosoh beras IR-64 ... 29

Tabel5. Selaug nilai RGB pada berbagai derajat sosoh beras IR-64 ... 30

Tabel 6. Nilai rata-rata RGB keseluruban sampel pada berbagai derajat

sosoh heras Membramo ... 33

Tabel 7. Selaug nilai RGB pada berbagai derajat sosoh beras Membramo ... 33

Tabe! 8. Nilai rata-rata

Ired.

Igreen. dan Iblue keseluruhan sampel pada

berbagai derajat sosoh beras IR-64 ... 35

Tabel 9. Selang nilai indeks RGB pada berbagai derajat sosoh beras

IR-64 . . . .. . . 35

Tabel 10. Nilai rata-rata

lred.lgreen.

dan [blue keseIuruhan sampel pada

berbagai derajat sosoh beras Membramo ... 37

Tabel 11. Selang nilai indeks RGB pada berbagai derajat sosoh heras

Membramo ... 38

Tabel 12. Nilai rata-rata HSI keseluruhan sampel pada berbagai derajat sosoh beras IR-64 ... 39

Tabel \3. Selang nilai HSI pada berbagai derajat sosoh beras IR-64 ... 40

Tabel 14. Nilai rata-rata HSI keseluruhan sampel pada berbagai derajat sosoh beras Membrarno ... 42

Tabe1 15. Selaug nilai HSI pada berbagai derajat sosoh beras Membramo ... 42

Tabel 1 6. Hasil dugaan data training ANN pada berbagai derajat sosoh

beras IR-64 ... ... 44

Tabel 17. Akurasi training ANN pada berbagai derajat sosoh beras

Membramo ... 4 6