PENGEMBANGAN PERANGKAT IDENTIFIKASI MUTU FISIK BERAS MENGGUNAKAN REAL TIME IMAGE PROCESSING AGUS SUPRIATNA SOMANTRI

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 NIM F153110111

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. Kata kunci : Real-time image processing, jaringan syaraf tiruan, mutu fisik, beras

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

PENGEMBANGAN PERANGKAT IDENTIFIKASI MUTU FISIK BERAS MENGGUNAKAN REAL TIME IMAGE PROCESSING

AGUS SUPRIATNA SOMANTRI

Tesis sebagai salah satu syarat untuk memperoleh gelar Magister Sains pada Program Studi Teknologi Pascapanen

SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2014

Penguji Luar Komisi pada Ujian Tesis:

Dr Ridwan Rachmat, MAgr

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

Dekan Sekolah Pascasarjana

Prof Dr Ir Sutrisno, MAgr

Dr Ir Dahrul Syah, MScAgr

Tanggal Ujian: 24 Januari 2014

Tanggal Lulus:

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 Agus Supriatna Somantri

DAFTAR ISI DAFTAR TABEL

vi

DAFTAR GAMBAR

vi

DAFTAR LAMPIRAN

vii

1 PENDAHULUAN Latar Belakang Perumusan Masalah Tujuan Penelitian Manfaat Penelitian Ruang Lingkup Penelitian

1 3 3 3 3 3

2 TINJAUAN PUSTAKA Beras Pengolahan Citra Jaringan Syaraf Tiruan

4 4 7 8

3 METODE Bahan Alat Prosedur Analisis Data

11 11 12 12

4 HASIL DAN PEMBAHASAN Perangkat Real Time Image Processing Karakteristik Citra Beras Training dan Validasi Mutu Fisik Beras Aplikasi Sistem Penduga Mutu Fisik Beras Secara Real Time Karakteristik Derajat Sosoh Beras Training dan Validasi Derajat Sosoh Beras

19 19 28 34 36 38 42

5 SIMPULAN DAN SARAN Simpulan Saran

45 45 45

DAFTAR PUSTAKA

46

LAMPIRAN

49

RIWAYAT HIDUP

60

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 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32

Bagian-bagian beras (SNI 6128: 2008) Sistem terdepan dari pengolahan citra Model multilayer network Model multilayer network Arsitektur Jaringan Syaraf Tiruan untuk menentukan klas mutu beras Arsitektur JST untuk menentukan derajat sosoh beras Diagram alir prosedur penelitian pengolahan citra digital dan Jaringan Syaraf Tiruan (JST) untuk menentukan mutu beras. Perangkat pengujian mutu fisik beras dengan pengolahan citra digital Bagian luar perangkat pengujian mutu fisik beras Bagian dalam perangkat pengujian mutu fisik beras Algoritma pengambilan citra beras Tampilan antar muka pengambilan untuk pengambilan citra beras Algoritma pengolahan citra dan training beras Tampilan antar muka pengolahan citra beras Tampilan antar muka training mutu fisik beras Algoritma penentuan klasifikasi mutu fisik beras Kotak kontrol otomatik Sensor LDR Algoritma sistem pergerakan motor Tampilan antar muka sistem pengujian mutu fisik beras Citra beras yang diambil dari perangkat pemutuan “RICE” Karakteristik R setiap parameter mutu fisik beras Karakteristik G setiap parameter mutu fisik beras Karakteristik B setiap parameter mutu fisik beras Karakteristik Roundness setiap parameter mutu fisik beras Karakteristik Luas setiap parameter mutu fisik beras Karakteristik Keliling setiap parameter mutu fisik beras Karakteristik Panjang setiap parameter mutu fisik beras Karakteristik H setiap parameter mutu fisik beras Karakteristik S setiap parameter mutu fisik beras Karakteristik I setiap parameter mutu fisik beras Karakteristik indeks R setiap parameter mutu fisik beras 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 34 35 36 37 38 39 40 41 42 43 44 45 46 47

Karakteristik indeks B setiap parameter mutu fisik beras Sampel beras Inpari 19 yang diuji Hasil pendugaan mutu fisik beras Inpari 19 Citra beras pada berbagai derajat sosoh Karakteristik R beras sosoh Karakteristik G beras sosoh Karakteristik B beras sosoh Karakteristik R indeks beras sosoh Karakteristik G indeks beras sosoh Karakteristik B indeks beras sosoh Karakteristik H beras sosoh Karakteristik S beras sosoh Karakteristik I beras sosoh Grafik pendugaan derajat sosoh dan derajat sosoh real. 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 2. Hasil validasi beras varietas Inpari 10 3. Hasil training beras varietas Inpari 13 4. Hasil validasi beras varietas Inpari 13 5. Hasil training beras varietas Inpari 19 6. Hasil validasi beras varietas Inpari 19 7. Hasil training beras varietas Muncul 8. Hasil validasi beras varietas Muncul 9. Hasil training beras varietas Fatmawati 10. Hasil validasi beras varietas Fatmawati 11. Komponen perangkat “RICE” dan fungsinya

49 50 51 52 53 54 55 56 57 58 59

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 BBPascapanen Bogor dan Laboratorium Instalasi Penelitian 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

1. 2. 3. 4. 5. 6. 7. 8. 9. 10.

Derajat sosoh (min) Kadar air (maks) Butir kepala (min) Butir patah (maks) Butir menir (maks) Butir merah (maks) Butir kuning/rusak (maks) Butir mengapur (maks) Benda asing (maks) Butir gabah (maks)

Mutu I (%) 100 (%) 14 (%) 95 (%) 5 (%) 0 (%) 0 (%) 0 (%) 0 (%) 0 butir/100g 0 Satuan

Mutu II 100 14 89 10 1 1 1 1 0.02 1

Mutu III 95 14 78 20 2 2 2 2 0.02 1

Mutu IV 95 14 73 25 2 3 3 3 0.05 2

Mutu V 85 15 60 35 5 3 5 5 0.20 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 Skala USDA Ukuran 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 aniani 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 elemenelemennya 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). Neuronneuron 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, neuronneuron akan memiliki fungsi aktivasi yang sama. Apabila 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 : hj 

1  w x 1  e  ij i

…………………................……………………(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 : 1 ………………………………...…….....……....(2)   v jk h j 1 e 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 yk 

4. Menghitung error dari unit-unit menyesuaikannya dengan bobot vjk

pada

output

layer

(δk)

dan

 k  1  yk tk  yk  ……...…………...………….……..……..………(3) dimana: tk = target output pada noda ke-k v jk  v jk old   k h j  ………….………………................…..…………(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  h j 1  h j  k k v jk …………………………….…..…...…….(5) wij  wij old   j xi

……………….....…………………….....……….(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).

RMSE 

n

 pi  ai 2

i 1

n



n

Error (%) 

 i 1

……………………………….....…….….(7)

pi  ai ai  100% n

…………………….........…..…....(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-time Image Processing Real time image processing pada prinsipnya adalah menggabungkan antara perangkat kamera web (web-cam), komputer dan perangkat pengambilan citra (sample holder), sehingga objek dalam sample holder ditangkap oleh kamera, kemudian ditampilkan dalam layar komputer, setelah itu gambar dapat di-capture dan langsung diolah citranya. Hubungan kamera dan komputer dilakukan dengan bantuan sistem pemrograman Visual Basic. Perangkat real time image processing dirancang sedemikian rupa dengan melibatkan ilmu-ilmu perekayasaan, kontrol otomatik dan pemrograman komputer. Keterpaduan ilmu-ilmu ini menghasilkan alat penguji mutu fisik beras yang kontinyu dan bersifat real time.

Prosedur Analisis Data 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 masingmasing 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 masingmasing 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])= (i1  i2 ) 2  ( j1  j 2 ) 2 ....................................... (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. I

RG B ..................................................................................... (10) 3

cos H  S  1

2R  G  B 2 ( R  G) 2  ( R  B)(G  B)

.............................................. (11)

3 min( R, G, B) .......................................................... (12) RG B

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 Input Units

Hidden Units

Output

h0 X0

Wij

Vjk h1

Intensitas warna R

X1

Intensitas warna G

X2

h2

Intensitas warna B

h3

y1

Butir kepala

h4

y2

Butir patah

h5

y3

Butir menir

y4

Butir merah

y5

Butir kuning

y6

Butir mengapur

y7

Benda asing

y8

Gabah

X3

Roundness

X4

Luas

X5

Keliling

X6

Panjang

X7

Hue (corak)

X8

Saturation

X9

h6

Intensity

X10

R

X11

G

X12

B

X13

h7

h20

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

Gambar 4 Arsitektur JST untuk menentukan klas mutu beras

17 Input Units

Hidden Units

Output

h0 Wij

Vjk h1

X0

R

X1

G

X2

B

X3

Indeks R

X4

Indeks G

X5

Indeks B

X6

H

X7

S

X8

I

X9

h2

h3

h4 y1

DS 80%

y2

DS 85%

y3

DS 90%

y4

DS 95%

y5

DS 100%

h5

h6

h7

h20

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

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 n

 ( p  a) RMSE =

2

i 1

..................................................(13)

n

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. Mulai

A

Sampel Beras

Penentuan parameter mutu fisik beras

Penentuan jarak kamera, penyinaran, latar belakang

Tidak

Sesuai? Ya

Program pengolahan citra

R,G,B, color value, Luas, Keliling, Panjang, Hue, Saturation, intensity

Tidak

Pembuatan Perangkat Real Time Image Processing

Sesuai? Ya Training

Pengambilan citra

Penentuan bobot A Validasi Tidak Sesuai? Ya Selesai

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

Gambar 8 Bagian luar perangkat pengujian mutu fisik beras

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 Mulai

Mulai tart

Hubungkan kamera, perangkat komunikasi ke mikrokontroler

Hubungkan kamera, perangkat komunikasi ke mikrokontroler

Motor bergerak

Motor bergerak

Penanda terbaca 4 kali?

Tidak Penanda terbaca 1 kali?

Ya

Ya

Simpan citra

Citra beras kosong?

Tidak

Simpan citra

Tidak Citra beras kosong?

Tidak

Ya Ya Selesai

(a) Akuisisi citra mutu fisik beras

Selesai (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.

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 masingmasing 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

Mulai

Pilih jenis beras

Load citra beras Hasil Treshold citra Ekstrak karakteristik citra

Data training dan validasi cukup?

Tidak

Ya Input parameter training Training data dengan JST

Akurasi training dan validasi sudah tercapai ?

Tidak

Ya Selesai

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.

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 Mulai

Load bobot

Hubungkan kamera, perangkat komunikasi ke mikrokontroler

Motor bergerak

Penanda terbaca 4 kali ?

Tidak

Ya Simpan citra

Ekstrak data karakteristik citra

Penentuan tipe beras dengan JST

Simpan hasil pendugaan

Penentuan grade beras

Citra beras kosong ?

Tidak

Ya Selesai

Gambar 15 Algoritma penentuan klasifikasi mutu fisik beras

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

Gambar 17 Sensor LDR

27 Mulai

Perintah gerak dari komputer

Motor bergerak

Penanda terbaca 4 kali ?

Tidak

Ya Motor berhenti Delay 5 detik Selesai 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

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

Gambar 20 Citra beras yang diambil dari perangkat pemutuan “RICE”

30 Secara lengkap karakteristik citra beras untuk masing-masing kriteria mutu fisik ditampilkan pada Gambar 21 sampai dengan Gambar 33. 250 R (piksel)

200 150

135.07

133.20

135.27

138.37

163.57 112.71

100

99.27

103.93

50 0 Butir Kepala

Butir Patah

Butir Menir

Butir Butir Gabah Mengapur

Butir Rusak

Butir Merah

Benda Asing

Gambar 21 Karakteristik sebaran warna R setiap parameter mutu fisik beras

250 G (piksel)

200 150

143.73

140.10

142.78

100

166.47 129.35

110.95 80.81

103.77

50 0 Butir Kepala

Butir Patah

Butir Menir

Butir Butir Gabah Mengapur

Butir Rusak

Butir Merah

Benda Asing

Gambar 22 Karakteristik sebaran warna G setiap parameter mutu fisik beras

250 B (piksel)

200 150

173.06

167.57

185.76

176.80 122.45

100

125.65

125.10 93.94

50 0 Butir Kepala

Butir Patah

Butir Menir

Butir Butir Butir Gabah Mengapur Rusak

Butir Merah

Benda Asing

Gambar 23 Karakteristik sebaran warna B setiap parameter mutu fisik beras

Roundness

31 1,4 1,2 1 0,8 0,6 0,4 0,2 0

0.8580

0.5114

0.4011

Butir Kepala

0.8511

0.7399

0.6705

0.4777

0.3203

Butir Patah

Butir Menir

Butir Butir Butir Gabah Mengapur Rusak

Butir Merah

Benda Asing

Luas (piksel2)

Gambar 24 Karakteristik Roundness setiap parameter mutu fisik beras

300 250 200 150 100 50 0

187.22 95.76

Butir Kepala

56.36 Butir Patah

30.31 Butir Menir

Butir Butir Gabah Mengapur

100.25

80.93

55.03

27.48 Butir Rusak

Butir Merah

Benda Asing

Gambar 25 Karakteristik Luas setiap parameter mutu fisik beras

Keliling (piksel)

100 80 60 40

74.36 48.86 31.70

20

30.76

21.03

42.04

48.82 19.40

0 Butir Kepala

Butir Patah

Butir Menir

Butir Butir Butir Gabah Mengapur Rusak

Butir Merah

Benda Asing

Gambar 26 Karakteristik Keliling setiap parameter mutu fisik beras

Panjang (piksel)

40 30 20

27.35 17.49 10.48

10

6.76

10.05

14.69

17.16 6.36

0 Butir Kepala

Butir Patah

Butir Menir

Butir Butir Butir Gabah Mengapur Rusak

Butir Merah

Benda Asing

Gambar 27 Karakteristik Panjang setiap parameter mutu fisik beras

32 400

358.66

358.33

358.26

Hue

300

302.15

290.74 222.18

200 100

71.07

70.92

0 Butir Kepala

Butir Patah

Butir Menir

Butir Butir Butir Gabah Mengapur Rusak

Butir Merah

Benda Asing

Gambar 28 Karakteristik H setiap parameter mutu fisik beras

Saturation

0,25 0,2 0,15 0,1

0.1065

0.0994

0.1131

0.1344

0.1132

0,05

0.1022

0.0776

0.0741

0 Butir Kepala

Butir Patah

Butir Menir

Butir Butir Butir Gabah Mengapur Rusak

Butir Merah

Benda Asing

Intensity (piksel)

Gambar 29 Karakteristik S setiap parameter mutu fisik beras 250 200 150 100 50 0

151.16

Butir Kepala

147.42

Butir Patah

152.12

Butir Menir

172.46 130.55

116.73

Butir Butir Gabah Mengapur

Butir Rusak

111.57

91.81

Butir Merah

Benda Asing

Gambar 30 Karakteristik I setiap parameter mutu fisik beras

Indeks R

0,45 0,4

0,3

0.3655

0.3556

0,35 0.2986

0.3014

0.2968

0.3170

0.3242

0. 3116

0,25 Butir Kepala

Butir Patah

Butir Menir

Butir Butir Gabah Mengapur

Butir Rusak

Butir Merah

Gambar 31 Karakteristik indeks R setiap parameter mutu fisik beras

Benda Asing

33 0,35 indeks G

0,33 0,31

0.3176

0.3171

0.3287 0.3132

0.3203

0.3164

0.3098 0.2907

0,29 0,27 0,25 Butir Kepala

Butir Patah

Butir Menir

Butir Butir Butir Gabah Mengapur Rusak

Butir Merah

Benda Asing

Gambar 32 Karakteristik indeks G setiap parameter mutu fisik beras 0,47 Indeks B

0,42 0,37

0.3838

0.3815

0.3901

0,32

0.3626

0.3593

0.3786 0.3438

0.3157

0,27 Butir Kepala

Butir Patah

Butir Menir

Butir Butir Butir Gabah Mengapur Rusak

Butir Merah

Benda Asing

Gambar 33 Karakteristik indeks B setiap parameter mutu fisik beras Berdasarkan karakteristik di atas terlihat bahwa karakteristik R, G, B, indeks R, indeks G, indeks B, roundness, luas, keliling, panjang, Hue, Saturation dan Intensity untuk seluruh komponen mutu fisik beras besaran nilai rata-ratanya berada pada rentang yang bervariasi meskipun sebagian besar terlihat beririsan. Hal ini tentunya sangat dipengaruhi oleh bentuk dan warna dari masing-masing kriteria mutu fisik beras. Bentuk beras juga sangat bervariasi tergantung pada varietasnya. Variasi ukuran dan warna ini yang menyebabkan terjadinya irisan pada karakteristik citranya. Semakin besar irisan karakteristik citra yang terjadi pada komponen mutu fisik beras, maka akan semakin sulit untuk menduga perbedaan setiap mutu fisik beras berdasarkan karakteristik citra tersebut. Pada karakteristik R, G, B rata-rata terendah dimiliki oleh beras merah sedangkan rata-rata tertingginya dimiliki oleh beras mengapur, sehingga hal ini sangat memudahkan sistem dalam menduga perbedaan beras merah dan beras mengapur berdasarkan karakteristik R, G dan B. Pada karakteristik luas, roundness, keliling dan panjang nilainya lebih beragam terutama untuk butir kepala, butir patah, butir menir dan butir gabah, sehingga kemungkinan besar karakteristik luas, roundness, keliling dan panjang ini sangat berpengaruh dalam membedakan kelompok mutu fisik ini. Pada karakteristik H, S, dan I tingkat keragamannya sangat tinggi terutama untuk butir beras mengapur, butir rusak, butir merah dan benda asing, sehingga karakteristik HSI ini sangat besar pengaruhnya dalam membedakan kelompok mutu fisik ini.

34 Pada karakteristik R indeks, G indeks dan B indeks keragaman nilai tertinggi ditunjukkan pada kelompok butir gabah, butir mengapur, butir rusak, butir merah dan benda asing, meskipun irisannya juga masih cukup besar pada setiap kelompok beras ini. Pada kelompok beras dengan irisan yang besar pada karakteristik warnanya tentunya akan menyulitkan dalam membedakan antar kelompok tersebut. Hal ini dapat menyebabkan kesalahan dalam pendugaan. Berdasarkan kenyataan di atas dapat dikatakan bahwa secara umum karakteristik citra mutu fisik beras dapat dikelompokkan ke dalam dua kelompok besar, yaitu : (1) Kelompok butir kepala, butir patah, butir menir, dan butir gabah lebih kuat pengaruhnya jika dipisahkan berdasarkan karakteristik bentuk (luas, panjang, roundness dan keliling) (2) Kelompok butir mengapur, butir rusak, butir merah dan benda asing kuat pengaruhnya jika dipisahkan berdasarkan karakteristik warna (RGB dan HSI). Training dan Validasi Mutu Fisik Beras Hasil training dan validasi beras Inpari 10 seperti ditunjukkan pada Lampiran 1 dan 2. Pada lampiran tersebut terlihat bahwa pendugaan gabah memiliki nilai akurasi tertinggi baik pada saat training maupun validasi, yaitu 100%, sedangkan pendugaan beras kepala pada saat training 94.84%, sedangkan validasinya 91.51%. Turunnya nilai akurasi pendugaan ini disebabkan oleh masih adanya salah duga dan butir yang tidak dikenal. Secara keseluruhan nilai akurasi training beras Inpari 10 ini adalah 90.53%, sedangkan validasinya adalah 81.02%. Turunnya nilai akurasi total ini disebabkan oleh turunnya nilai pendugaan benda asing. Hal ini dapat dipahami karena bentuk benda asing ini pada umumnya tidak beraturan. Hasil training dan validasi beras Inpari 13 seperti ditunjukkan pada Lampiran 3 dan 4. Pada lampiran tersebut terlihat bahwa pendugaan pada saat training akurasi beras kepala cukup baik yaitu 99.38%, namun pada saat validasi turun menjadi 89.38%. Hal ini disebabkan oleh adanya salah duga, tidak dikenal dan error. Secara keseluruhan nilai akurasi training beras Inpari 13 hanya 85.33%, dan validasinya 70.08%. Rendahnya nilai akurasi total ini, disebabkan kecilnya angka pendugaan beras patah, yaitu 29.61% pada saat training dan 24.56% pada saat validasi, yang disebabkan oleh tingginya salah duga, tidak dikenal dan error. Di samping itu ketika dilakukan validasi hanya diperoleh nilai akurasi sebesar 42.73%. Hasil training dan validasi beras Inpari 19 seperti ditunjukkan pada Lampiran 5 dan 6. Pada lampiran tersebut terlihat bahwa pendugaan beras kepala cukup tinggi, yaitu 98.86% pada saat training dan 94.29% pada saat trainingnya. Pendugaan gabah dan butir merah sangat tinggi mencapai 100%, meskipun pada saat validasi mengalami sedikit penurunan. Secara keseluruhan nilai akurasi total training diperoleh 95.39% dan validasinya adalah 81.16%. Pada beras Inpari 19 ini juga terjadi penurunan nilai akurasi pada saat validasi yang terjadi pada benda asing yang hanya diperoleh akurasi 58.18%. Hasil training dan validasi beras Muncul seperti ditunjukkan pada Lampiran 7 dan 8. Pada lampiran tersebut terlihat bahwa pendugaan beras kepala pada saat training diperoleh sangat tinggi akurasinya, yaitu 99.38% dan validasinya menurun saat dilakukan validasi menjadi 93.96% yang disebabkan oleh adanya

35 salah duga dan tidak dikenal. Secara keseluruhan akurasi total trainingnya adalah 93.87%, sedangkan validasinya 83.12%. Besarnya salah duga dan butiran yang tidak dikenal menyebabkan akurasi validasinya turun. Hasil training dan validasi beras Fatmawati seperti ditunjukkan pada Lampiran 9 dan 10. Pada lampiran tersebut terlihat bahwa pendugaan beras kepala akurasi trainingnya sebesar 99.33% dan validasinya sebesar 96.75%. Secara keseluruhan total akurasi training adalah 91.59% dan validasinya 79.97%. Turunnya nilai validasi disebabkan oleh tingginya salah dugaan dan butir patah yang diduga sebagai butir menir. Pada benda asing terjadi juga penurunan yang besar akibat salah pendugaan, sehingga secara total nilai akuransinya turun. Rekapitulasi data hasil training dan validasi pengolahan citra pada perangkat “RICE‟, seperti ditunjukkan pada Tabel 4 dan 5. Beragamnya nilai akurasi hasil training dan validasi dapat juga disebabkan oleh human error, yaitu kurang telitinya dalam melakukan persiapan pengelompokan sampel beras sebelum dilakukan proses training dan validasi, sehingga nilai akurasi training dan validasinya menjadi tidak optimal. Hal ini yang mempengaruhi adalah kondisi penerangan yang tidak stabil akibat naik turunnya tegangan listrik, sehingga sangat besar pengaruhnya terhadap nilai akurasi training. Tabel 4 Hasil training beras pada perangkat “RICE” Varietas No. Mutu Fisik Inpari 10 Inpari 13 Inpari 19 Muncul Fatmawati (%) 1. Butir Kepala 94.84 99.38 98.86 99.38 99.33 2. Butir Patah 91.35 29.61 88.89 84.11 76.67 3. Butir Menir 72.15 86.45 91.08 95.57 82.25 4. Butir Gabah 100.00 100.00 100.00 100.00 100.00 5. Butir Mengapur 97.25 96.70 94.51 97.80 96.15 6. Butir Rusak 81.93 87.95 93.98 89.16 92.77 7. Buitr Merah 98.15 99.38 100.00 100.00 99.38 8. Benda Asing 88.55 83.13 95.78 84.94 86.14 Akurasi total (%) 90.53 85.33 95.39 93.87 91.59 Tabel 5 Hasil validasi beras pada perangkat “RICE” Varietas No. Mutu Fisik Inpari 10 Inpari 13 Inpari 19 Muncul Fatmawati (%) 1. Butir Kepala 91.51 89.38 94.29 93.96 96.75 2. Butir Patah 80.77 24.56 69.60 72.97 66.96 3. Butir Menir 71.55 69.53 77.40 70.48 69.64 4. Butir Gabah 100.00 98.17 99.08 100.00 94.59 5. Butir Mengapur 82.14 86.61 82.14 83.04 93.75 6. Butir Rusak 70.18 59.65 74.56 76.32 64.04 7. Buitr Merah 92.00 90.00 94.00 90.00 94.00 8. Benda Asing 60.00 42.73 58.18 78.18 60.00 Akurasi total (%) 81.02 70.08 81.16 83.12 79.97

36 Aplikasi Sistem Penduga Mutu Fisik Beras secara Real Time Aplikasi sistem penduga mutu fisik beras dilakukan dengan menggunakan nilai bobot yang diperoleh dari proses training. Pengujian dilakukan dengan menggunakan sampel dari beras varietas Inpari 19, Inpari 13, Fatmawati, Muncul dan Inpari 10 yang diambil secara acak dari populasi beras campuran berbagai kriteria mutu fisik. Hasil pendugaan dengan menggunakan sistem aplikasi tersebut disajikan pada Tabel 6. Tabel 6 Hasil pendugaan mutu fisik beras secara real time Varietas No. Mutu Fisik Inpari 19 Inpari 13 Fatmawati A B A B A B (butir beras) 1. Butir Kepala 47 36 22 21 52 51 2. Butir Patah 9 7 2 2 3 0 3. Butir Menir 12 4 6 5 3 1 4. Butir Gabah 3 8 0 0 2 0 5. Butir Mengapur 11 8 4 2 12 12 6. Butir Rusak 8 4 5 4 7 7 7. Butir Merah 4 3 3 2 3 2 8. Benda Asing 1 1 1 1 1 2 Akurasi 94 % 82 % 75 % Keterangan : A : Butir beras aktual B : Butir beras pendugaan

Muncul A B

Inpari 10 A B

14 11 3 0 4 0 5 2 38 36 19 10 20 18 11 8 54 %

8 4 1 0 1 1 0 0 23 19 22 20 13 11 15 13 71 %

Berdasarkan Tabel 6 di atas terlihat bahwa beras Inpari 19 memiliki tingkat akurasi yang baik dibandingkan dengan ke 4 varietas yang lainnya, sedangkan yang terkecil adalah beras varietas Muncul. Tingkat akurasi ini sangat tergantung pada akurasi hasil training dan validasinya. Semakin tinggi akurasi training dan validasi, maka akan semakin baik pula pendugaan terhadap masing-masing kriteria mutu fisik beras pada setiap varietas. Sebagai contoh pendugaan mutu fisik beras varietas Inpari 19 yang diambil salah satu frame hasil capture dari perangkat “RICE” seperti pada Gambar 34. Selanjutnya dari gambar tersebut dihitung secara manual masing-masing butir beras sesuai kriteria mutu fisiknya. Berdasarkan hasil peritungan manual pada frame tersebut, kemudian disandingkan hasilnya dengan hasil pendugaan dari sistem penduga mutu fisik beras secara real time. Hasil perhitungan manual seperti pada Tabel 7, sedangkan hasil pendugaannya seperti pada Gambar 35. Cara pendugaan ini dilakukan juga terhadap beras varietas Inpari 13, Inpari 10, Muncul dan Fatmawati dan hasilnya seperti pada Tabel 6.

37

Gambar 34 Sampel beras Inpari 19 yang diuji

Tabel 7 Data aktual sampel beras Inpari 19 No Parameter Mutu Jumlah butir 1. Beras Kepala 47 2. Beras Patah 9 3. Beras Menir 12 4. Gabah 3 5. Beras Mengapur 11 6. Beras Rusak 8 7. Beras Merah 4 8. Benda Asing 1

Gambar 35 Hasil pendugaan mutu fisik beras Inpari 19

38 Karakteristik Derajat Sosoh Beras Dalam proses penyosohan beras pecah kulit menjadi beras giling tingkat derajat sosoh menjadi sangat penting. Ditinjau dari kepentingan konsumen terhadap beras sebagai bahan pangan, lapisan luar yang mempunyai kandungan gizi sebaiknya tidak disosoh sepenuhnya. Sebaliknya bagi kepentingan pengadaan pangan dengan tujuan penyimpanan jangka panjang, adanya lapisan aleuron yang tinggi akan menurunkan daya simpannya, karena lapisan aleuron pada beras menyebabkan beras menjadi cepat tengik. Untuk mengontrol proses penyosohan beras di penggilingan beras sehingga diperoleh derajat sosoh yang dikehendaki, maka perlu adanya cara pengukuran derajat sosoh yang cepat dan akurat. Hal ini diperlukan dalam transaksi perdagangan dan pengadaan beras. Selama ini metode pengukuran derajat sosoh dilakukan berdasarkan pendugaan jumlah dedak yang disosoh atau dedak yang tersisa. Hal ini pula yang dilakukan di Instalasi Penelitian Pascapanen Karawang, semua kegiatan penentuan derajat sosoh masih dilakukan secara mekanis dan dilanjutkan penentuan derajat sosohnya secara visual oleh operator yang sudah terlatih. Sehubungan dengan hal tersebut di atas, hasil pengujian derajat sosoh secara mekanis tersebut diuji kembali dengan menggunakan perangkat pengujian mutu fisik beras dengan menggunakan pengolahan citra digital. Pengambilan citra derajat sosoh beras dengan menggunakan perangkat pemutuan “RICE” menghasilkan citra seperti pada Gambar 36. Citra ini diperoleh melalui tangkapan kamera mikroskop digital dengan perbesaran 50 kali. Selanjutnya citra yang diperoleh dilakukan training dan validasi, sehingga diharapkan akan diperoleh bobot yang baik untuk kebutuhan pendugaan derajat sosoh beras.

39

DS 80%

DS 85%

DS 90%

DS 95%

DS 100% Gambar 36 Citra beras pada berbagai derajat sosoh Berdasarkan citra di atas kemudian dilakukan pengolahan citra dan hasilnya seperti ditunjukkan pada Gambar 37 sampai dengan Gambar 45. Pangolahan citra yang dilakukan meliputi pembangkitan karakteristik R, G, B, indeks R, indeks G, indeks B, H, S dan I. Berdasarkan Gambar tersebut, secara keseluruhan karakteristik citra beras sosoh menunjukkan karakter yang hampir sama untuk masing-masing beras sosoh.

40 180

R (piksel)

160 140 120

127.76

127.05

126.63

124.57

127.57

100 80 Sosoh 80%

Sosoh 85%

Sosoh 90%

Sosoh 95% Sosoh 100%

Gambar 37 Karakteristik sebaran warna R beras sosoh Berdasarkan Gambar 37 terlihat bahwa untuk karaktersitik R rentang nilainya berada pada kisaran yang hampir sama untuk semua derajat sosoh, demikian juga nilai rata-ratanya. Kondisi ini tentunya sangat menyulitkan sistem dalam membedakan kelompok beras berdasarkan derajat sosohnya. 200

G (piksel)

180 160 140 120

128.43

127.36

126.70

124.76

127.59

100 80 Sosoh 80%

Sosoh 85%

Sosoh 90%

Sosoh 95% Sosoh 100%

B (piksel)

Gambar 38 Karakteristik sebaran warna G beras sosoh

160 150 140 130 120 110 100 90

123.74

Sosoh 80%

123.85

Sosoh 85%

122.89

Sosoh 90%

121.57

Sosoh 95%

123.77

Sosoh 100%

Gambar 39 Karakteristik sebaran warna B beras sosoh

41 300

Indeks R

250 200 150 100

98.11

84.59

77.49

50

61.91

55.76

0 Sosoh 80%

Sosoh 85%

Sosoh 90%

Sosoh 95% Sosoh 100%

Gambar 40 Karakteristik indeks R beras sosoh 0,365 Indeks G

0,355 0,345 0,335

0.3363

0.3355

0.3356

0.3352

0.3351

0,325 Sosoh 80%

Sosoh 85%

Sosoh 90%

Sosoh 95%

Sosoh 100%

Gambar 41 Karakteristik indeks G beras sosoh 0,345

Indeks B

0,335 0,325

0.3262

0.3272

0.3267

0.3276

0.3268

0,315 0,305 0,295 Sosoh 80%

Sosoh 85%

Sosoh 90%

Sosoh 95%

Sosoh 100%

Gambar 42 Karakteristik indeks B beras sosoh 250

Hue

200 150

128.76

130.05

100

117.73

127.75

120.91

50 0 Sosoh 80%

Sosoh 85%

Sosoh 90%

Sosoh 95% Sosoh 100%

Gambar 43 Karakteristik H beras sosoh

42 0,12 Saturation

0,1 0,08 0,06 0,04

0.0376

0,02

0.0330

0.0333

0.0314

0.0335

0 Sosoh 80%

Sosoh 85%

Sosoh 90%

Sosoh 95%

Sosoh 100%

Gambar 44 Karakteristik S beras sosoh

Intensity (piksel)

180 160 140 120

126.65

126.09

125.41

123.64

126.31

100 Sosoh 80%

Sosoh 85%

Sosoh 90%

Sosoh 95% Sosoh 100%

Gambar 45 Karakteristik I beras sosoh Seperti halnya pada karakteristik R di atas, karakteristik G, B, indeks R, indeks G, indeks B, H, S dan I seperti terlihat pada Gambar 36 sampai dengan Gambar 43 semuanya mengalami hal yang serupa, yaitu nilai rata-ratanya yang sangat berdekatan, rentang nilainya juga hampir sama dan membentuk irisan yang sangat besar bahkan terlihat setangkup, sehingga karakteristik G dan B pun akan menyulitkan sistem dalam membedakan kelompok beras berdasarkan derajat sosohnya. Training dan Validasi Derajat Sosoh Beras Hasil pengolahan citra beras di atas selanjutnya dilakukan training dan validasi untuk mendapatkan bobot yang menggambarkan akurasi terbaik. Secara keseluruhan hasil pendugaan dilakukan dengan menggunakan JST, seperti ditunjukkan pada Gambar 46.

43

Derajat sosoh dugaan (%)

100 y = 0.9677x + 1.9767 R² = 0.9269

95 90 85 80 75 70 70

75

80

85

90

95

100

95

100

Derajat sosoh real (%)

(a). Training

Derajat sosoh dugaan (%)

100 95 90

y = -0.422x + 126.21 R² = 0.171

85 80 75 70 70

75

80

85

90

Derajat sosoh real (%)

(b). Validasi Gambar 46 Grafik pendugaan derajat sosoh dan derajat sosoh real. Berdasarkan hasil pendugaan pada Gambar 46, terlihat bahwa tidak ada keselarasan antara hasil training dan validasi. Hasil training menunjukkan bahwa pendugaan derajat sosoh beras sudah cukup baik, hal ini terlihat bahwa kelompok beras hasil pendugaan sudah dapat menggambarkan derajat sosoh yang sesungguhnya. Namun pada saat validasi, hasilnya tidak dapat menggambarkan kondisi beras sosoh yang sesungguhnya, sehingga dengan demikian dapat disimpulkan bahwa sistem belum mampu melakukan pendugaan derajat sosoh dengan baik. Hal ini diduga karena data yang digunakan untuk training sangat berbeda jauh dengan data yang dipergunakan untuk validasi sehingga tidak ada karakteristik yang signifikan yang membedakan antara masing-masing derajat

44 sosoh. Hal ini dapat dilihat pada nilai Hue yang dihasilkan oleh masing-masing derajat sosoh pada Gambar 47 di bawah ini. 140

Hue

120 100

DR100

80

DR95

60

DR90

40

DR85

20

DR80

0 0

10

butir ke

20

30

(a). Training

140

Hue

120 100

DR100

80

DR95

60

DR90

40

DR85

20

DR80

0 0

5

10

15

20

butir ke

(b). Validasi Gambar 47 Nilai Hue butiran beras pada setiap tingkatan derajat sosoh Berdasarkan karakteristik nilai hue diatas, terlihat bahwa tidak ada batas yang jelas antara kelompok beras dengan derajat sosoh 100%, 95%, 90%, 85%, dan 80% serta tidak mengelompoknya nilai-nilai tersebut berdasarkan derajat sosoh masing-masing, baik pada proses training maupun validasi. Berdasarkan nilai akurasi derajat sosoh yang rendah, maka tidak dilanjutkan dengan pengujian derajat sosoh secara real time. Beberapa hal yang dapat disampaikan berkenaan dengan sulitnya mengidentifikasi derajat sosoh dengan cara pengolahan citra ini adalah sebagai berikut : - Beras sosoh yang diuji merupakan beras sosoh yang dihasilkan dari cara penyosohan mekanis dan pengujiannya masih dengan cara visual yang seringkali menimbulkan masalah di lapangan. - Akibat cara penyosohan mekanis tersebut, ketebalan aleuron pada beras sosoh menjadi tidak konsisten untuk masing-masing kelompok, sehingga berdampak pada hasil training dan validasi yang tidak konsisten pula. Berdasarkan

45 kenyataan ini perlu dicari cara lain dalam menduga derajat sosoh dengan pengolahan citra, seperti pengambilan citra tidak dalam bentuk sebaran, tapi dalam bentuk tumpukan untuk menghindari terjadinya bayangan warna latar belakang karena beras sosoh bentuknya transparan.

5 SIMPULAN DAN SARAN Simpulan Dari penelitian ini dapat disimpulkan beberapa hal berikut : 1) Telah dibuat perangkat pengujian mutu fisik beras secara real time dengan menggunakan teknologi pengolahan citra dan JST. Perangkat ini terdiri dari perangkat keras dan perangkat lunak. Semua komponennya secara fungsional dapat bekerja seperti yang diharapkan. Hasil pengujian terhadap 5 varietas beras menunjukkan bahwa sistem pergerakan sampel, akuisisi citra, proses training, validasi dan aplikasi pendugaan mutu beras sudah dapat berfungsi dengan baik. 2) Proses training terhadap lima varietas beras menunjukkan hasil pendugaan yang baik terutama dalam menduga beras kepala rata-rata akurasinya di atas 90%, sedangkan validasinya mengalami penurunan akibat rendahnya akurasi benda asing yang disebabkan oleh bentuknya yang tidak beraturan dan warnanya beragam, sehingga menyulitkan sistem dalam mengenalinya. Secara keseluruhan menunjukkan bahwa penggunaan 13 input parameter dengan 20 lapisan tersembunyi pada JST mampu mengenali dengan baik 8 jenis output mutu fisik beras. Sebaliknya pada pengujian derajat sosoh dengan menggunakan 9 input parameter dan 20 lapisan tersembunyi, tidak mampu menduga 5 jenis derajat sosoh beras, sehingga belum dapat dilanjutkan pada proses aplikasinya. Hal ini disebabkan oleh ketebalan aleuron pada beras sosoh yang tidak konsisten untuk masing-masing kelompok derajat sosoh beras.

Saran Untuk penyempurnaan alat ini disarankan beberapa hal berikut : 1) Diperlukan perbaikan pada perangkat pemasukan sampel beras, sehingga sampel dapat menyebar di atas sabuk (belt) secara merata. Hal ini penting untuk dilakukan agar pengambilan citra dapat optimal di setiap binkainya, sehingga waktu yang diperlukan untuk proses pengolahan dapat lebih cepat. 2) Diperlukan ketelitian yang tinggi dalam pemilihan sampel beras yang akan diuji sehingga menghasilkan akurasi yang tinggi dalam proses training dan validasinya. 3) Diperlukan kajian yang lebih mendalam tentang karakteristik derajat sosoh butiran beras sebelum dilakukan identifikasi dengan pengolahan citra. Hal ini penting dilakukan untuk pemilihan jenis kamera, bentuk dan kualitas penyinaran yang sesuai dengan karakteristik derajat sosoh beras tersebut.

46

DAFTAR PUSTAKA Allidawati dan Kustianto. 1989. Metode Uji Mutu Beras Dalam Program Pemuliaan Padi. Padi Buku 2. Badan Penelitian dan Pengembangan Pertanian Pusat Penelitian dan Pengembangan Pertanian. Pusat Penelitian dan Pengembangan Tanaman Pangan. Bogor. Anonymous. 1972. Laporan Studi Tahunan Standarisasi/Grading Padi dan Beras di Indonesia. Sub Kelompok Processing National Rice Research Program. Bogor. Arymurthy AM dan Suryana S. 1992. Pengantar Pengolahan Citra. PT Elex Media Komputindo. Jakarta. Ahmed J, Jafri MN, Ahmad J, dan Khan MI. 2005. Design and Implementation Of A Neural Network For Real-Time Object Tracking. World Academy Of Science, Engineering And Technology : 6 : 209-212. Alchanatis V, Peleg K, dan M Ziv. 1993. Classification of Tissue Segments By Colour Machine Vision. Journal of Agricultural Engineering Research : 55 : 299 – 311. Anonymous. 2008. SNI Beras Giling (SNI 6128:2008). Badan Standardisasi Nasional. Jakarta, 9 Halaman. Ahmad U, Subrata IDM, dan Gunayanti S. 2004. Pemutuan buah mangga berdasarkan penampakannya menggunakan pengolahan citra. Jurnal Keteknikan Pertanian, Vol 18 No. 1. Departemen Teknik Pertanian, IPB. Blasco JN, Aleixos J, Go´mez E, Molto. 2007. Citrus sorting by identification of the most common defects using multispectral computer vision. Journal of Food Engineering 83: 384–393. Blasco J, S Cubero, J Gómez-Sanchís, P Mira, E Moltó. 2009. Development of a machine for the automatic sorting of pomegranate (Punica granatum) arils based on computer vision. Journal of Food Engineering Vol 90: 27–34. Behrens T, Diepenbrock W. 2006. Using digital image analysis to describe canopies of winter oilseed rape during vegetative developmental stages. Journal of Agron-omy and Crop Science 192, 295–302. Chen P, MJ McCarthy, and R Kauten. 1989. NMR for internal quality evaluation of fruits and vegetables. Trans. ASAE 32:1747-1753. Daradjat AA, Baehaki, HM Toha, Dan SJ Munarso. 1999. Hasil Penelitian Teknologi Tepat Guna Menunjang Palagung. Pusat Penelitian dan Pengembangan Tanaman Pangan, Balai Penelitian Tanaman Padi. Sukamandi. Damardjati DS. 1987. Prospek Peningkatan Mutu Beras di Indonesia. Jurnal Penelitian dan Pengembangan Pertanian. Pusat Penelitian dan Pengembangan Pertanian. Bogor. Vi (4): 85-92. Damardjati DS dan EY Purwani. 1991. Padi Buku 3. Penyunting Edi Soenarjo DS dan Mahyudin Syam. Pusat Penelitian dan Pengembangan Tanaman Pangan Bogor. Bogor. Gao X and J Tan. 1996. Analysis of Expanded-Food Texture by Image Processing Part I: Geometric Properties. Journal of Food Process Engineering (19): 425 – 444.

47 Haralick RM, K Shanmugam and I Dinstein. 1973. Textural feature for image clasification. IEEE Trans. On System, Man and Cybernetics. 3(6): 610-621. Hung JS and Chern SL. 2012. An optical automatic measurement method for the moisture content of rough rice using image processing techniques. Computers and Electronics in Agriculture 85 (2012): 134–139 Jia L, Chen X, Zhang F, Buerkert A, Romheld V. 2004. Use of digital camera to assess nitrogen status of winter wheat in the northern China plain. Journal of Plant Nutrition 27 (3): 441–450. Kusumadewi S. 2003. Artificial Intelligence (Teknik dan Aplikasinya). Graha Ilmu. Yogyakarta. Katsuragi Y and Y Yamato. 1998. Rice Inspection Technology. The Food Agency, Ministry of Agriculture, Forestry And Fisheries, Japan. Kawashima S, Nakatani M. 1998. An algorithm for estimating chlorophyll content in leaves using a video camera. Annals of Botany 81, 49–54. Ku HH, Kim SH, Choi KS, Eom HY, Lee SE, Yun SG, Kim TW. 2004. Nondestructive and rapid estimation of chlorophyll content in rye leaf using digital camera. Korean Journal of Crop Science 49 (1): 41–45. Li Y, Chen D, Walker CN, Angus JF. 2010. Estimating the nitrogen status of crops using a digital camera. Field Crops Research 118, 221–227. Lee KJ , Byun WL. 2013. Estimation of rice growth and nitrogen nutrition status using color digital camera image analysis. Europ. J. Agronomy 48 (2013) 57– 65. Marzempi Y dan Jastra SE. 1995. Pengaruh Lama Penumpukan dan Ukuran Tumpukan Padi Setelah Panen Terhadap Mutu Beras. Risalah Seminar Balai Penelitian Tanaman Pangan Sukarami. Muir AY, RL Porteous, and RL Wastie. 1989. Experiments in the detection of incipient diseases in potato tubers by optical methods. Journal Agric. Engin. Res. 27:131-138. Narendra VG dan Hareesh KS. 2010. Prospect of Computer Vision Automated Grading and Sorting Systems In Agricultural And Food Products for Quality Evaluation. International Jounal of Computer Applications (0975 – 8887); 1( 4 ):1 - 9. Pagola M, Oritiz R, Irigoyen I, Bustinece H, Barrenechea E, Aparicio-Tejo P, Lamsfus C, Lasa B. 2009. New method to assess barley nitrogen nutrition status based on image colour analysis: comparison with SPAD-502. Computers and Electronics in Agriculture 65, 213–218. Rich E, and Knight K. 1983. Artificial Intelligent. Second Edition. Mc GrawHill Inc. Singapore. Raji A, dan Alimutu A. 2005. Prospect of Computer Vision Automated Sorting Systems In Agricultural Process Operations in Nigeria. Agricultural Engineering International: The Cigr Journal of Scientific Research and Development, Invited Overview : 7. Rehkughler GE, and JA Throop. 1989. Image Processing algorithm for apple defect detection. Trans. ASAE 32: 267 – 272. Soerjandoko. 2010. Teknik Pengujian Mutu Beras Skala Laboratorium. Buletin Teknik Pertanian : 15(2):44-47. Schatzki TF, RP Haff, R Young I, Can LC, Le, and N Toyofuku. 1997. Defect detection in apples by mean of X-ray imaging. Trans ASAE 40: 1407-1415.

48 Soedibyo DW, IDM Subrata, Suroso dan U Ahmad. 2006. Pemutuan Edamame Menggunakan Pengolahan Citra dan Jaringan Syaraf Tiruan. Jurnal Keteknikan Pertanian, Perteta – Indonesia; 20(3):243 – 252. Somantri AS. 2010. Menentukan Klasifikasi Mutu Fisik Beras Dengan Menggunakan Teknologi Pengolahan Citra Digital dan Jaringan Syaraf Tiruan. Jurnal Standardisasi 12(3):162-173. Throop JA, DJ Aneshansley, and BL Upchurch. 1995. An image processing algorithm to find new and old bruises. Journal Applied Engineering in Agriculture 11:751-757. Timmermans AJM. 1998. Computer Vision System For Online Sorting Pot Plant Based on Learning Techniques. Acta Horticultura : 421 : 91-98. Yam KL, dan Spyridon EP. 2003. A Simple Digital Imaging Method for Measuring and Analyzing Colour of Food Surfaces. Journal of Food Engineering : 61 : 137-142. Yuan W, Dejian W, Gang Z and Jun W. 2013. Estimating Nitrogen Status of Rice Using the Image Segmentation of G-R thresholding method. Journal of Field Crops Research 149(2013):33-39.

49

Lampiran 1 Hasil training beras varietas Inpari 10

No. Mutu Fisik 1. 2. 3. 4. 5. 6. 7. 8.

Butir Kepala Butir Patah Butir Menir Butir Gabah Butir Mengapur Butir Rusak Buitr Merah Benda Asing

Butir Kepala 147 2 0 0 0 1 0 0

Output Dugaan Akurasi Jumlah Butir Butir Butir Butir Butir Butir Benda Salah Tidak (%) Tepat Error Patah Menir Gabah Kapur Rusak Merah Asing Duga Dikenal 5 0 0 0 0 0 0 147 5 3 0 155 94.84 171 6 0 0 4 0 0 169 10 4 2 185 91.35 9 128 0 0 0 0 24 114 19 11 14 158 72.15 0 0 164 0 0 0 0 164 0 0 0 164 100.00 0 0 0 177 1 0 4 177 5 0 0 182 97.25 2 3 0 2 144 0 12 136 12 10 8 166 81.93 0 0 0 0 0 159 2 159 2 1 0 162 98.15 1 10 0 0 1 0 149 147 10 7 2 166 88.55 Rata-rata 90.53

49

50 50

Lampiran 2 Hasil validasi beras varietas Inpari 10

No. Mutu Fisik 1. 2. 3. 4. 5. 6. 7. 8.

Butir Kepala Butir Patah Butir Menir Butir Gabah Butir Mengapur Butir Rusak Buitr Merah Benda Asing

Butir Butir Butir Kepala Patah Menir 97 4 0 1 88 8 0 6 89 0 0 0 0 1 0 1 3 1 0 0 0 0 7 14

Output Butir Butir Butir Butir Benda Gabah Kapur Rusak Merah Asing 0 0 4 0 0 0 0 4 0 1 0 0 0 0 15 107 0 0 0 0 0 94 5 0 5 0 3 85 6 13 0 1 1 94 4 1 2 11 7 72 Rata-rata

Tepat 97 84 83 107 92 80 92 66

Dugaan Akurasi Jumlah Salah Tidak (%) Error Duga Dikenal 8 1 0 106 91.51 10 6 4 104 80.77 15 12 6 116 71.55 0 0 0 107 100.00 7 10 3 112 82.14 20 8 6 114 70.18 4 2 2 100 92.00 28 6 10 110 60.00 81.02

51 Lampiran 3 Hasil training beras varietas Inpari 13

No. Mutu Fisik 1. 2. 3. 4. 5. 6. 7. 8.

Butir Kepala Butir Patah Butir Menir Butir Gabah Butir Mengapur Butir Rusak Buitr Merah Benda Asing

Output Dugaan Akurasi Jumlah Butir Butir Butir Butir Butir Butir Butir Benda Salah Tidak (%) Tepat Error Kepala Patah Menir Gabah Kapur Rusak Merah Asing Duga Dikenal 160 1 0 0 0 0 0 0 160 1 0 0 161 99.38 0 101 96 0 0 1 0 1 45 42 9 56 152 29.61 0 15 198 0 1 0 0 7 185 10 6 13 214 86.45 0 0 0 166 0 0 0 0 166 0 0 0 166 100.00 0 0 0 0 178 0 0 2 176 0 4 2 182 96.70 1 0 2 0 0 146 0 5 146 8 12 0 166 87.95 0 0 0 0 0 0 161 0 161 0 1 0 162 99.38 0 0 17 0 0 1 0 140 138 16 10 2 166 83.13 Rata-rata 85.33

51

52

52

Lampiran 4 Hasil validasi beras varietas Inpari 13

No.

Mutu Fisik

1. 2. 3. 4. 5. 6. 7. 8.

Butir Kepala Butir Patah Butir Menir Butir Gabah Butir Mengapur Butir Rusak Buitr Merah Benda Asing

Butir Butir Butir Kepala Patah Menir 106 7 0 9 51 63 0 14 103 0 0 0 0 2 1 3 2 2 0 0 0 1 6 24

Output Dugaan Akurasi Jumlah Butir Butir Butir Butir Benda Salah Tidak (%) Tepat Error Gabah Kapur Rusak Merah Asing Duga Dikenal 0 0 3 0 0 101 5 2 5 113 89.38 0 0 3 0 1 28 53 10 23 114 24.56 0 1 1 0 14 89 14 10 15 128 69.53 108 0 1 0 0 107 0 1 1 109 98.17 0 102 4 0 6 97 7 3 5 112 86.61 1 6 73 2 13 68 20 19 7 114 59.65 2 0 3 93 3 90 5 2 3 100 90.00 1 2 10 4 54 47 27 22 14 110 42.73 Rata-rata 70.08

53 Lampiran 5 Hasil training beras varietas Inpari 19

No. Mutu Fisik 1. 2. 3. 4. 5. 6. 7. 8.

Butir Kepala Butir Patah Butir Menir Butir Gabah Butir Mengapur Butir Rusak Buitr Merah Benda Asing

Output Dugaan Akurasi Jumlah Butir Butir Butir Butir Butir Butir Butir Benda Salah Tidak (%) Tepat Error Kepala Patah Menir Gabah Kapur Rusak Merah Asing Duga Dikenal 174 1 0 0 1 0 0 0 174 2 0 0 176 98.86 2 137 6 0 0 0 0 0 136 7 9 1 153 88.89 0 5 146 0 2 0 0 2 143 6 5 3 157 91.08 0 0 0 156 0 0 0 0 156 0 0 0 156 100.00 0 1 0 0 173 1 0 1 172 2 7 1 182 94.51 0 0 0 0 1 157 1 2 156 3 6 1 166 93.98 0 0 0 0 0 0 162 0 162 0 0 0 162 100.00 0 0 1 0 0 1 0 159 159 2 5 0 166 95.78 Rata-rata 95.39

53

54 54

Lampiran 6

Hasil validasi beras varietas Inpari 19

No. Mutu Fisik 1. 2. 3. 4. 5. 6. 7. 8.

Butir Kepala Butir Patah Butir Menir Butir Gabah Butir Mengapur Butir Rusak Buitr Merah Benda Asing

Output Dugaan Akurasi Jumlah Butir Butir Butir Butir Butir Butir Butir Benda Salah Tidak (%) Tepat Error Kepala Patah Menir Gabah Kapur Rusak Merah Asing Duga Dikenal 100 0 1 0 1 1 0 0 99 2 3 1 105 94.29 1 93 22 0 7 0 0 0 87 24 8 6 125 69.60 0 1 114 0 7 0 0 7 113 14 18 1 146 77.40 0 0 0 108 0 0 0 0 108 0 1 0 109 99.08 0 4 4 0 92 3 0 3 92 10 8 2 112 82.14 1 5 0 0 4 92 4 10 85 17 5 7 114 74.56 0 0 0 0 0 1 95 5 94 5 0 1 100 94.00 0 7 6 1 1 22 6 83 64 22 4 20 110 58.18 Rata-rata 81.16

55 Lampiran 7 Hasil training beras varietas Muncul

No. Mutu Fisik 1. 2. 3. 4. 5. 6. 7. 8.

Butir Kepala Butir Patah Butir Menir Butir Gabah Butir Mengapur Butir Rusak Buitr Merah Benda Asing

Output Dugaan Akurasi Jumlah Butir Butir Butir Butir Butir Butir Butir Benda Salah Tidak (%) Tepat Error Kepala Patah Menir Gabah Kapur Rusak Merah Asing Duga Dikenal 161 0 0 0 0 1 0 0 160 0 0 1 161 99.38 0 128 14 0 0 0 0 1 127 14 9 1 151 84.11 0 0 152 0 0 0 0 2 151 1 5 1 158 95.57 0 0 0 153 0 0 0 0 153 0 0 0 153 100.00 0 0 0 0 178 1 0 0 178 1 3 0 182 97.80 0 0 1 0 1 148 0 0 148 2 16 0 166 89.16 0 0 0 0 0 0 162 0 162 0 0 0 162 100.00 0 1 9 0 1 2 0 143 141 11 12 2 166 84.94 Rata-rata 93.87

55

56

56

Lampiran 8 Hasil validasi beras varietas Muncul

No. Mutu Fisik 1. 2. 3. 4. 5. 6. 7. 8.

Butir Kepala Butir Patah Butir Menir Butir Gabah Butir Mengapur Butir Rusak Buitr Merah Benda Asing

Butir Kepala 109 0 0 0 6 1 0 2

Butir Butir Patah Menir 2 1 82 17 7 78 0 0 0 0 2 5 2 1 7 0

Output Dugaan Akurasi Jumlah Butir Butir Butir Butir Benda Salah Tidak (%) Tepat Error Gabah Kapur Rusak Merah Asing Duga Dikenal 0 0 1 0 1 109 5 2 0 116 93.96 0 0 0 0 1 81 17 12 1 111 72.97 0 0 0 1 15 74 19 8 4 105 70.48 101 0 0 0 0 101 0 0 0 101 100.00 0 95 6 0 5 93 11 4 4 112 83.04 0 5 89 2 6 87 19 6 2 114 76.32 0 1 2 93 5 90 3 2 5 100 90.00 2 1 0 7 86 86 19 1 4 110 78.18 Rata-rata 83.12

57

Lampiran 9 Hasil training beras varietas Fatmawati

No. Mutu Fisik 1. 2. 3. 4. 5. 6. 7. 8.

Butir Kepala Butir Patah Butir Menir Butir Gabah Butir Mengapur Butir Rusak Buitr Merah Benda Asing

Butir Butir Butir Kepala Patah Menir 149 0 0 0 141 29 0 4 140 0 0 0 0 0 0 0 1 0 0 0 0 0 0 6

Output Dugaan Akurasi Jumlah Butir Butir Butir Butir Benda Salah Tidak (%) Tepat Error Gabah Kapur Rusak Merah Asing Duga Dikenal 0 0 0 0 0 149 0 1 0 150 99.33 0 0 0 0 2 138 26 12 4 180 76.67 0 0 1 0 7 139 9 19 2 169 82.25 158 0 0 0 0 158 0 0 0 158 100.00 0 175 2 0 1 175 3 4 0 182 96.15 0 1 155 0 3 154 4 7 1 166 92.77 0 0 0 162 1 161 0 0 1 162 99.38 0 3 0 0 145 143 7 14 2 166 86.14 Rata-rata 91.59

57

58 58

Lampiran 10 Hasil validasi beras varietas Fatmawati

No. Mutu Fisik 1. 2. 3. 4. 5. 6. 7. 8.

Butir Kepala Butir Patah Butir Menir Gabah Butir Mengapur Butir Rusak Buitr Merah Benda Asing

Butir Butir Butir Kepala Patah Menir 120 0 0 0 76 18 0 2 80 0 0 0 0 0 1 0 7 1 0 0 0 0 4 6

Output Dugaan Akurasi Jumlah Butir Butir Butir Butir Benda Salah Tidak (%) Tepat Error Gabah Kapur Rusak Merah Asing Duga Dikenal 0 4 0 0 0 119 3 0 1 123 96.75 0 0 1 0 4 75 22 14 1 112 66.96 0 0 0 0 16 78 16 16 2 112 69.64 110 0 2 3 0 105 0 1 5 111 94.59 0 106 1 0 2 105 1 4 2 112 93.75 1 5 81 5 11 73 22 11 8 114 64.04 0 2 0 94 2 94 4 2 0 100 94.00 0 2 17 3 72 66 26 12 6 110 60.00 Rata-rata 79.97

59

Lampiran 11 Komponen perangkat “RICE” dan fungsinya No. Nama 1. Kompartemen Derajat Sosoh

Fungsi Tempat pengambilan data citra untuk analisis tingkat derajat sosoh bulir beras. Tempat ini dilengkapi LED sebagai sumber cahaya baur untuk menghasilkan citra yang optimal.

2. Kompartemen Karakterisasi Beras

Tempat pengambilan data citra untuk analisis karakter fisik bulir beras dan penghitungan jumlah bulir dari sampel. Tempat ini dilengkapi LED sebagai sumber cahaya baur untuk menghasilkan citra yang optimal.

3. Pelindung Kamera

Untuk melindungi kamera pengambil citra pada kompartemen karakterisasi beras

4. Kompartemen Pelindung Komponen Pemisah Beras

Melindungi komponen pemisah beras dan komponen sensor serta laser untuk penentuan pengambilan data citra.

5. Wadah Beras

Tempat penyimpanan beras.

6. Pengatur Sabuk Konveyor

Untuk mengatur ketegangan dan kelurusan sabuk konveyor.

7. Pasangan Sproket-Rantai

Untuk menyalurkan putaran motor penggerak ke sabuk konveyor.

8. Motor Penggerak

Menghasilkan tenaga putar

9. Rangka Utama

Sebagai penopang beban seluruh komponen mesin analisis mutu beras.

10. Unit Kontrol

Berfungsi untuk mengatur putaran motor dan membaca data yang dikeluarkan sensor untuk pengambilan data citra.

11. Trafo Step Down

Menurunkan tegangan dari tegangan PLN (220V) menjadi 12V.

12. Mikroskop Digital

Alat pengambil data citra yang digunakan untuk analisis derajat sosoh.

13. Kamera

Alat pengambil data citra yang digunakan untuk analisis karakter beras.

14. Pemisah Beras Vertikal

Untuk memisah kumpulan beras dengan arah potongan vertikal (sejajar dengan arah gerak sabuk konveyor)

15. Pemisah Beras Horizontal

Untuk memisah kumpulan beras dengan arah potongan horizontal (tegak lurus arah gerak sabuk konveyor)

60

RIWAYAT HIDUP Penulis dilahirkan di Sukabumi pada tanggal 3 Juli 1964, merupakan putera ke tiga dari pasangan orang tua Bapak MD Soemantri (alm) dan Ibu Siti Jahroh. Penulis menikah dengan Ida Herlinda dan di karunia seorang anak, Herdi Jatnika Supriadi. Saat ini penulis bekerja sebagai peneliti di Balai Besar Penelitian dan Pengembangan Pascapanen Pertanian, Badan Penelitian dan Pengembangan Pertanian, Kementan yang berlokasi di Jl. Tentara Pelajar No 12 Cimanggu, Bogor. Jenjang pendidikan S1 penulis tempuh di Fakultas Teknologi Pertanian, Institut Pertanian Bogor dan lulus pada tahun 1987. Saat ini penulis aktif melakukan berbagai kegiatan penelitian bidang dynamic modelling untuk kebijakan pertanian, mengikuti seminar-seminar baik nasional maupun internasional, dan mengikuti kursus jangka pendek untuk meningkatkan kemampuan dibidang penelitian. Beberapa kegiatan kursus jangka pendek yang pernah diikuti adalah kursus penanganan segar produk hortikultura di Korea Food Research Institute, mengikuti kursus jangka pendek tentang biodiesel di Michigan State University, kursus ISO 9000-9001, dan kursus dynamic modelling. Selain kegiatan penelitian, penulis juga aktif memberikan training bidang dynamic modelling pada BPTP di setiap propinsi seluruh Indonesia.