PENGENALAN BERAS CAMPURAN MENGGUNAKAN TRANSFORMASI WAVELET DAN PROBABILISTIC NEURAL NETWORK
INEKE KUSUMAWATI
DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2015
PERNYATAAN MENGENAI SKRIPSI DAN SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA Dengan ini saya menyatakan bahwa skripsi berjudul Pengenalan Beras Campuran Menggunakan Transformasi Wavelet dan Probabilistic Neural Network 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 tulisan ini. Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor. Bogor, Juli 2015 Ineke Kusumawati NIM G64124061
ABSTRAK INEKE KUSUMAWATI. Pengenalan Beras Campuran Menggunakan Transformasi Wavelet dan Probabilistic Neural Network. Dibimbing oleh AZIZ KUSTIYO. Penelitian identifikasi varietas beras menggunakan pengolahan citra digital menjadi penting karena dapat digunakan sebagai alternatif dalam mengidentifikasi varietas beras. Pada penelitian ini, identifikasi varietas beras dilakukan dengan menggunakan ekstraksi ciri transformasi wavelet dan pengklasifikasian menggunakan metode Probabilistic Neural Network. Identifikasi citra beras dilakukan dengan 3 percobaan yaitu identifikasi varietas beras tunggal, beras campuran, dan gabungan dari keduanya. Varietas beras yang digunakan adalah beras jagung, beras ketan putih, beras pandan wangi, dan beras rojo lele. Akurasi terbaik sebesar 90% diperoleh pada dekomposisi Wavelet level 6 menggunakan data citra gabungan dari varietas beras tunggal dan beras campuran. Kata kunci: beras, pengolahan citra digital, probabilistic neural network, tranformasi wavelet.
ABSTRACT INEKE KUSUMAWATI. Identification of Mixed Rice Using Wavelet Transformation and Probabilistic Neural Network. Supervised by AZIZ KUSTIYO. Research identifying rice varieties using digital image processing is important because it can be used as an alternative in identifying varieties of rice. In this study, the identification of varieties of rice is done by using wavelet transform for feature extraction and Probabilistic Neural Network for classification method. Image identification is done with 3 trials, namely, identification of single rice varieties, mixed rice, and combination of the two. Rice varieties used were corn rice, white glutinous rice, fragrant pandan rice, and rojo lele rice. The best accuracy of 90% is obtained in the wavelet decomposition level 6 that used a combination of image data from single rice varieties and mixed rice. Keywords: digital image processing, probabilistic neural network, rice wavelet transformation.
PENGENALAN BERAS CAMPURAN MENGGUNAKAN TRANSFORMASI WAVELET DAN PROBABILISTIC NEURAL NETWORK
INEKE KUSUMAWATI
Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer pada Departemen Ilmu Komputer
DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2015
Penguji : 1 2
Dr. Yeni Herdiyeni, S.Si, M.Kom Toto Haryanto, S.Kom, M.Si
Judul Skripsi : Pengenalan Beras Campuran Menggunakan Transformasi Wavelet dan Probabilistic Neural Network Nama : Ineke Kusumawati NIM : G64124061
Disetujui oleh
Aziz Kustiyo, Ssi, MKom Pembimbing
Diketahui oleh
Dr Ir Agus Buono, MSi, MKom Ketua Departemen
Tanggal Lulus:
PRAKATA
Puji dan syukur penulis panjatkan kepada Allah subhanahu wata’ala atas segala nikmat dan karunia-Nya sehingga skripsi yang berjudul “Pengenalan Beras Campuran Menggunakan Transformasi Wavelet dan Probabilistic Neural Network” ini berhasil diselesaikan dengan baik. Penulis juga menyampaikan terima kasih kepada seluruh pihak yang telah membantu dalam penelitian ini, yaitu: 1 Ayahanda Drs Akhmad Ekram Bardiman (Alm) dan Ibunda Kusdariyati, Anik Kusmastuti, SE, Herry Suseno, SE dan Keyko Kusrianawati Suseno atas doa, kasih sayang serta dukungan yang luar biasa. 2 Bapak Aziz Kustiyo, Ssi, MKom selaku dosen pembimbing yang telah banyak memberikan ide, nasihat, dan dukungan dalam penyelesaian skripsi ini. 3 Ibu Dr Yeni Herdiyeni, SSi, MKom dan Bapak Toto Haryanto, SKom, MSi selaku dosen penguji atas saran dan masukannya. 4 Anda Kurnianto, A.Md atas doa, kasih sayang dan dukungannya. 5 Rekan-rekan satu bimbingan Nicky Astriyanti, Tri Puguh Santoso, dan Nur Choiriyati atas diskusi, suka dan duka selama bimbingan. 6 Teman-teman Alih Jenis Ilmu Komputer IPB Angkatan 07 atas segala dukungan semangatnya. 7 Teman-teman Divisi Planning Monitoring and Plantation (PMNP) PT. SMART, Tbk, Jakarta. Penulis berharap semoga skripsi ini dapat bermanfaat bagi seluruh pihak. Bogor, Juli 2015 Ineke Kusumawati
DAFTAR ISI
DAFTAR TABEL
ix
DAFTAR GAMBAR
ix
DAFTAR LAMPIRAN
x
PENDAHULUAN
1
Latar Belakang
1
Tujuan Penelitian
2
Ruang Lingkup Penelitian
2
TINJAUAN PUSTAKA
2
Beras
2
Transformasi Wavelet
4
Wavelet Haar
4
K-Fold Cross Validation
5
Probabilistic Neural Network
6
Confusion Matrix
7
Evaluasi Hasil Klasifikasi
7
METODE PENELITIAN
8
Akuisisi Citra
8
Data Citra Beras
9
Ekstraksi Ciri Wavelet
9
Pembagian Data Latih dan Data Uji
10
Percobaan 1: Menguji Varietas Beras Tunggal
10
Percobaan 2: Menguji Varietas Beras Campuran
11
Percobaan 3: Menguji Varietas Beras Tunggal dan Beras Campuran
11
Klasifikasi Probabilistic Neural Network (PNN)
11
Analisa Hasil Klasifikasi
12
Lingkungan Pengembangan
12
HASIL DAN PEMBAHASAN
12
Hasil Percobaan 1: Menguji Varietas Beras Tunggal
12
Hasil Percobaan 2: Menguji Beras Campuran
14
Hasil Percobaan 3: Menguji Varietas Beras Tunggal dan Beras Campuran KESIMPULAN DAN SARAN
16 18
Kesimpulan
18
Saran
18
DAFTAR PUSTAKA
19
RIWAYAT HIDUP
30
DAFTAR TABEL 1 2 3 4 5 6 7 8 9 10 11 12 13 14
Rincian data citra beras untuk penelitian Dimensi citra beras Data citra beras untuk percobaan 1 Data citra beras untuk percobaan 2 Data citra beras untuk percobaan 3 Akurasi hasil klasifikasi PNN dengan varietas beras tunggal Confusion matrix citra dekomposisi level 6 pada klasifikasi PNN dengan varietas beras tunggal Analisis kesalahan identifikasi pada klasifikasi PNN dengan varietas beras tunggal Akurasi hasil klasifikasi PNN dengan beras campuran Confusion matrix citra dekomposisi level 5 pada klasifikasi PNN dengan beras campuran Analisis kesalahan identifikasi pada klasifikasi PNN dengan beras campuran Akurasi hasil klasifikasi PNN gabungan antara varietas beras tunggal dan beras campuran Confusion matrix citra dekomposisi level 6 pada klasifikasi PNN gabungan antara varietas beras tunggal dan beras campuran Analisis kesalahan identifikasi pada klasifikasi gabungan antara varietas beras tunggal dan beras campuran
9 10 11 11 11 13 13 14 14 15 15 16 16 17
DAFTAR GAMBAR 1 Varietas beras jagung 2 Varietas beras ketan putih 3 Varietas beras pandan wangi 4 Varietas beras rojo lele 5 (a) stationary signal dan (b) non-stationary signal 6 Ilustrasi filter bank 7 Dekomposisi Wavelet (a) Level 1 (b) Level 2 8 Struktur Probabilistic Neural Network 9 Tahapan Identifikasi Varietas Beras 10 Ilustrasi Tahapan Akuisisi Data 11 Citra Dekomposisi Wavelet Level 1, 2, 3, 4, 5 dan 6 untuk varietas Beras Ketan Putih
2 3 3 3 4 5 5 6 8 9 10
DAFTAR LAMPIRAN 1 2 3 4 5 6 7 8 9 10
Data latih dan data uji varietas beras jagung Data latih dan data uji varietas beras ketan putih Data latih dan data uji varietas beras pandan wangi Data latih dan data uji varietas beras rojo lele Data latih dan data uji campuran beras jagung dan rojo lele Data latih dan data uji campuran beras jagung dan ketan putih Data latih dan data uji campuran beras jagung dan pandan wangi Data latih dan data uji campuran beras ketan putih dan pandan wangi Data latih dan data uji campuran beras ketan putih dan rojo lele Data latih dan data uji campuran beras pandan wangi dan rojo lele
20 21 22 23 24 25 26 27 28 29
PENDAHULUAN Latar Belakang Indonesia merupakan negara agraris dengan penghasil tanaman padi. Tanaman padi dapat dibedakan berdasarkan varietasnya. Berdasarkan THL TBPP Departemen Pertanian (2011), tanaman padi dibedakan dalam 3 jenis varietas, yaitu varietas padi hibrida contohnya: Intani 1 dan 2, varietas beras padi unggul contohnya: IR 42, IR 62, IR 64 atau Sentra Ramos, IR 65, IR 66, IR 70, IR 74 dan varietas beras padi lokal contohnya: Pandan Wangi Cianjur, Rojo Lele Delanggu, Ketan Hitam Banyumas, Ketan Putih Yogyakarta. Pada industri beras yang modern, identifikasi sifat fisik beras sangat bermanfaat dalam aspek pengendalian mutu dan jaminan mutu. Konsumen tertentu menginginkan jaminan mutu beras yang dikonsumsinya. Hal ini terkait dengan adanya peredaran beras oplosan. Di Indonesia “oplos” dikonotasikan sebagai usaha mencampur dengan maksud untuk mengambil keuntungan tanpa memperhatikan kualitas. Pengoplosan beras ditinjau dari UU No. 8 Tahun 1999 tentang Perlindungan Konsumen menyebutkan bahwa tindakan pencampuran suatu barang yang berbeda kualitas, bertentangan atau merupakan suatu perbuatan yang melanggar undang-undang perlindungan konsumen. Beras putih yang setiap hari dikonsumsi itu pun ternyata tidak bisa dianggap sebagai bahan pangan yang alami karena ada kemungkinan dioplos sehingga konsumen tetap harus membayar dengan harga mahal, yaitu harga beras aslinya. Menurut media online JPNN (Maret 2015) bahwa di Pasar Induk Beras Cipinang menemukan beras operasi pasar (OP) Bulog dioplos dengan beras kualitas buruk menjadi beras kualitas baik. Selain itu, karung beras Bulog diganti dengan karung beras cap Pandan Wangi dan dikemas rapi dalam karung. Kondisi seperti ini tentu saja selain sangat merugikan konsumen juga merugikan petani. Penelitian identifikasi varietas beras menggunakan pengolahan citra digital menjadi penting karena dapat digunakan sebagai alternatif dalam mengidentifikasi varietas beras. Selain itu juga, data hasil identifikasinya dapat digunakan sebagai acuan dalam proses pengendalian dan jaminan mutu produk beras yang akan dipasarkan, khususnya untuk kemurnian varietas beras. Penelitian (Prasetyo 2009) tentang klasifikasi citra beras dengan metode matriks ko-okurensi aras keabuan (GLCM) menggunakan K-Nearest Neighbour (KNN). Beras Cianjur, Beras Ketan Putih, Beras Merah, Beras Ketan Hitam, dan Beras Pandan Wangi adalah data beras yang digunakan. Hasilnya adalah tingkat pengenalan terhadap citra pada Beras Ketan Putih, Beras Merah, dan Beras Ketan Hitam mencapai 100% dan untuk citra uji dari varietas Beras Cianjur masih dikenali sebagai Beras Pandan Wangi, begitu juga sebaliknya ada citra Beras Pandan Wangi yang dikenali sebagai Beras Cianjur. Penelitian (Suminar 2012) melakukan pengklasifikasian beras berdasarkan ciri fisik berbasis pengolahan citra digital dengan ekstraksi ciri statistik orde pertama dan orde kedua menggunakan K-Nearest Neighbour (KNN). Varietas beras yang menjadi bahan penelitian adalah Beras Pandan Wangi, Beras IR 64, Beras Rojo Lele, Beras IR 42, dan Beras C4. Akurasi tertinggi klasifikasi kualitas beras mencapai 84,167%.
2 Oleh karena itu, dengan melihat pada penelitian sebelumnya yang hanya meneliti beras tunggal saja, maka pada penelitian ini dilakukan pengenalan beras campuran dengan menggunakan metode ekstraksi ciri transformasi Wavelet dan Probabilistic Neural Network. (PNN). Tujuan Penelitian Penelitian ini bertujuan untuk mengimplementasikan dan menganalisis kinerja metode Probabilistic Neural Network (PNN) dalam pengenalan beras campuran dengan transformasi Wavelet. Ruang Lingkup Penelitian Data yang digunakan adalah data primer berupa citra beras dari 4 varietas yaitu Beras Jagung, Beras Ketan Putih, Beras Pandan Wangi, dan Beras Rojo Lele.
TINJAUAN PUSTAKA Beras Berikut adalah data varietas beras yang digunakan dalam penelitian ini: 1 Beras Jagung Beras jagung adalah olahan produksi yang berbahan baku murni dari penggilingan biji jagung dengan ukuran partikel yang lebih kecil dibandingkan dengan biji jagung utuh. Ukuran partikel beras jagung hampir menyerupai ukuran partikel beras padi sehingga diberi nama beras jagung. Beras ini berwarna kekuningan mengkilat dan memiliki bentuk butiran yang kotak-kotak dan mengkristal (Deptan DJTP 2011).
Gambar 1 Varietas beras jagung 2
Beras Ketan Putih Beras ketan putih berwarna putih susu karena hampir seluruh patinya merupakan amilopektin dan memiliki bentuk butiran yang lebih besar daripada beras putih. Seluruh bagian butir beras ketan mengapur atau kelam, tetapi kekerasan butirnya sama dengan beras putih. Pemakaian
3 beras ini tidaklah seumum beras putih karena biasanya digunakan pada saat-saat tertentu saja (Deptan DJTP 2011).
Gambar 2 Varietas beras ketan putih 3
Beras Pandan Wangi Beras Pandan Wangi adalah varietas padi lokal. Sesuai dengan namanya, beras pandan wangi mengeluarkan aroma wangi pandan yang lembut. Beras ini memiliki bentuk tidak panjang, tetapi cenderung bulat dan juga berwarna sedikit kekuningan dan tidak putih namun bening (Deptan DJTP 2011).
Gambar 3 Varietas beras pandan wangi 4 Beras Rojo Lele Beras Rojo Lele memiliki bentuk memanjang dan warnanya putih cerah. Secara fisik mirip dengan beras IR 64. Beras ini memiliki tekstur yang pulen dan lembut. Contoh gambar dari varietas Beras Rojo Lele (Deptan DJTP 2011).
Gambar 4 Varietas beras rojo lele
4 Transformasi Wavelet Transformasi Wavelet merupakan metode ekstraksi ciri yang dapat mengatasi kekurangan yang dimiliki oleh transformasi Fourier karena transformasi Fourier hanya dapat menganalisis sinyal dengan bentuk stationary signal (Sengur 2009). Pola sinyal tersebut tidak dapat memberikan informasi waktu dari frekuensi sinyal yang dibentuk, sedangkan transformasi Wavelet dapat menganalisis sinyal berbentuk non-stationary signal yang mampu mengatasi periodisitas sinyal sehingga dapat memberikan informasi mengenai frekuensi dan waktu dari sinyal. Berdasarkan jenis frekuensinya, sinyal terbagi menjadi sinyal stationary signal dan non-stationary signal. Frekuensi dalam stationary signal tidak berubah dan selalu berulang dalam waktu, dan frekuensi dalam non-stationary signal selalu berubah-ubah dalam waktu.
(a)
(b) Gambar 5 (a) stationary signal dan (b) non-stationary signal (Polikar, 2003) Wavelet Haar Jenis filter bank yang digunakan pada penelitian ini adalah Haar. Filter Haar Wavelet merupakan orde pertama dari famili Wavelet Daubechies dan merupakan jenis Wavelet yang paling sederhana serta mudah diimplementasikan (Lee dan Yamamoto 1994).
5
Gambar 6 Ilustrasi filter bank (Kaur dan Singh, 2011) Notasi aL menunjukkan low pass filter. Low pass filter diaplikasikan untuk memperoleh komponen berfrekuensi rendah dari citra. Notasi aH menunjukkan high pass filter yang bertujuan memperoleh komponen berfrekuensi tinggi dari citra. Hasil dari low pass filter dan high pass filter berupa setengah nilai dari nilai frekuensi sebelumnya yang dinotasikan dengan ↓2 (Kaur dan Singh 2011). Ekstraksi ciri dilakukan untuk menentukan nilai vektor yang digunakan sebagai penciri dengan dimensi yang lebih kecil. Hasilnya adalah citra tersebut akan terdekomposisi menjadi 4 subbagian. Tiga subbagian diantaranya merupakan bagian detail dari citra yaitu horizontal (LH), vertikal (HL), dan diagonal (HH). Subbagian LL merupakan bagian aproksimasi citra dan digunakan sebagai citra penciri. Proses dekomposisi akan diterapkan kembali pada subbagian tersebut sesuai dengan batas level yang ditentukan. LH1, HL1, dan HH1 merupakan hasil dekomposisi level 1. LL2 tidak diperlihatkan pada gambar karena langsung didekomposisi lagi menjadi LL2, LH2, HL2 dan HH2.
LL1
LL2
HL2
LH2
HH2
HL1
LL1
HL1
1 LH1
HH1
LH1
HH1
LL1
LL1
LL1
LL1
1
1
1
(a)
(b)
1
Gambar 7 Dekomposisi Wavelet (a) Level 1 (b) Level 2
K-Fold Cross Validation Metode k-fold cross validation akan melakukan pembagian data secara acak menjadi beberapa bagian yang terpisah satu dengan yang lainya, data akan dibagi menjadi data latih dan data uji. Pembagian data akan dilakukan sebanyak k nilai (Kohavi 1995). Pada metode ini, sample data dibagi menjadi beberapa subsample. Saat proses pelatihan, setiap subsample dijadikan data uji dan k-1 subsample lainnya dijadikan data latih. Proses ini berjalan sebanyak k iterasi.
6 Probabilistic Neural Network Probabilistic Neural Network (PNN) diusulkan oleh Donald Specht pada tahun 1990 sebagai alternatif dari back-propagation neural network. PNN merupakan jaringan syaraf tiruan yang menggunakan Radial Basis Function (RBF). RBF adalah fungsi yang berbentuk seperti bel yang menskalakan variabel non linear (Wu et al. 2007). Keuntungan utama menggunakan PNN adalah pelatihannya yang mudah dan cepat. Bobot bukan merupakan hasil pelatihan melainkan nilai yang menjadi masukan. Pada tahap ini, Probabilistic Neural Network (PNN) digunakan untuk pelatihan dan pengujian. PNN terdiri atas empat lapisan yaitu lapisan masukan, lapisan pola, lapisan penjumlahan, dan lapisan keluaran. Struktur PNN selengkapnya ditunjukkan pada Gambar 8. neuron A1
neuron A2
f(A)x
x1 Vektor masukan (input) sebanyak P dimensi
x2 :
neuron An : :
Ambil Yang Maksimum
neuron B1
xp
neuron B2
f(B)x
neuron Bm
Lapisan masukan (input)
Lapisan pola (pattern)
Lapisan penjumlahan (summation)
Lapisan keluaran (output)
Gambar 8 Struktur Probabilistic Neural Network (Rahmani, 2004) 1
Lapisan masukan (input layer) Lapisan masukan merupakan input x yang terdiri atas k nilai yang akan diklasifikasikan pada salah satu kelas dari n kelas. Berfungsi untuk menampung data masukan. Input layer ini terhubung secara penuh (fully connected) ke layer berikutnya.
2
Lapisan pola (pattern layer) Lapisan pola dilakukan perkalian titik (dot product) antara input x dan vektor bobot xij, yaitu Zi = x.xij.Zi kemudian dibagi dengan bias tertentu σ dan selanjutnya dimasukkan ke dalam fungsi radial basis, yaitu radbas (n) =exp(-n). Lapisan pola berfungsi untuk mengkomputasikan ukuran jarak antara input dan data pelatihan yang dipresentasikan oleh
7 neuron. Dengan demikian, persamaan yang digunakan pada lapisan pola adalah: 𝑓(𝑥) = 𝑒𝑥𝑝 − 3
Lapisan penjumlahan (summation layer) Lapisan ini menerima masukan dari node lapisan pola yang terkait dengan kelas yang ada. Layer ini memiliki satu neuron untuk setiap kelas. Setiap neuron ini menampung hasil penjumlahan dari setiap kelas pada pattern layer. Persamaan yang digunakan pada lapisan ini adalah:
𝑝 𝑥 =
1 𝑘
−
(2𝜋)2 𝜎 𝑘 𝑡
4
(𝑥 − 𝑥𝑖𝑗 )𝑇 (𝑥 − 𝑥𝑖𝑗 ) 2𝜎 2
1 𝑁𝑡
𝑡
𝑒𝑥𝑝 − 𝑖=1
(𝑥 − 𝑥𝑖𝑗 )𝑇 (𝑥 − 𝑥𝑖𝑗 ) 2𝜎 2
Lapisan keluaran (output layer) Lapisan ini menetukan kelas dari input yang diberikan. Input x akan masuk ke Y jika nilai pY(x) paling besar dibandingkan kelas lainnya. Pada output layer akan diambil nilai maksimum dari vektor output kemudian menghasilkan nilai satu untuk kelas tersebut dan nilai nol untuk kelas lainnya. Confusion Matrix
Confusion matrix merupakan sebuah tabel yang terdiri dari banyaknya baris data uji yang diprediksi benat dan tidak benar oleh model klasifikasi. Tabel ini diperlukan untuk menentukan kinerja suatu model klasifikasi (Tan et al. 2005). Evaluasi Hasil Klasifikasi Tahapan ini merupakan tahapan terakhir dalam mengevaluasi kelebihan serta kekurangan dari metode yang digunakan. Hal ini terlihat dari hasil perbandingan antara hasil klasifikasi citra beras yang terklasifikasi dengan benar dibandingkan dengan total data uji. Proses perhitungan akurasi hasil klasifikasi menggunakan rumus: Akurasi =
Nbenar x 100% N
dengan: Σ Nbenar : total jumlah citra uji yang diklasifikasikan dengan benar. ΣN : total jumlah citra uji yang digunakan. Akurasi tersebut akan dirata-ratakan untuk setiap fold ke i (i = 1, 2, …, 5).
8
METODE PENELITIAN Penelitian ini dilakukan dengan beberapa tahapan yakni akusisi citra, praproses yang meliputi pengubahan mode warna dari RGB menjadi grayscale, ekstraksi ciri tekstur pada citra beras, klasifikasi data dengan PNN, dan analisis hasil klasifikasi. Secara umum tahapan identifikasi varietas beras dapat dilihat pada Gambar 9. Mulai
Akuisisi Citra
Data Citra Beras
Konversi Citra RGB ke Grayscale
Ekstraksi Ciri Wavelet Data Latih hh
Data Uji
Klasifikasi PNN
Analisis Hasil Klasifikasi
Selesai
Akuisisi Identifikasi Citra Gambar 9 Tahapan Varietas Beras Akuisisi setiap citra beras menggunakan kamera pada telepon seluler dengan resolusi 640 x 480 pixel dan format JPEG. Langkah-langkah akuisisi untuk setiap varietas beras adalah sebagai berikut: setiap varietas beras diambil sebanyak 200 gram (3 genggam), kemudian diletakkan di dalam kotak dengan ukuran 12 x 8 cm. Posisi kamera tegak lurus dengan objek dan ketinggian + 10 cm. Pengaturan cahaya menggunakan sinar matahari pada siang hari di ruang terbuka, dan selanjutnya dilakukan proses pengambilan citra beras. Sedangkan untuk akuisisi pada campuran 2 varietas beras digunakan perbandingan 1 : 1 pada setiap varietasnya, sebagai contoh 100 gram Beras Jagung dicampur dengan 100 gram Beras Rojo Lele sehingga menghasilkan kombinasi Beras Jagung dan Beras Rojo Lele di dalam satu kotak. Ilustrasi akuisisi data ini dapat dilihat pada Gambar 10.
9
10 cm
Gambar 10 Ilustrasi Tahapan Akuisisi Data Data Citra Beras Data yang digunakan dalam penelitian ini berupa citra beras sebanyak 100 citra dengan jumlah kelas ada 10. Adapun rincian dari 100 data citra beras tersebut disajikan pada Tabel 1. Tabel 1 Rincian data citra beras untuk penelitian Kelas B1 B2 B3 B4 B5 B6 B7 B8 B9 B10
Nama Beras Beras Jagung Beras Ketan Putih Beras Pandan Wangi Beras Rojo Lele Beras Jagung+Rojo Lele Beras Jagung+Ketan Putih Beras Jagung+Pandan Wangi Beras Ketan Putih+Pandan Wangi Beras Ketan Putih+Rojo Lele Beras Pandan Wangi+Rojo Lele
Ekstraksi Ciri Wavelet Untuk citra yang akan diekstraksi menggunakan Wavelet Haar, mode warna citra diubah dahulu menjadi grayscale. Grayscale digunakan untuk menyederhanakan model gambar. Pada awalnya gambar terdiri dari 3 layer matriks yaitu R-layer, G-layer dan B-layer. Fungsi dari format warna gray ini adalah untuk memudahkan proses selanjutnya karena apabila format gambar RGB digunakan maka nilai yang dihasilkan akan bervariasi. Selain itu, mode warna grayscale yang terdiri atas 1 layer bertujuan untuk menyederhanakan citra masukan sehingga akan mengurangi waktu pemrosesan. Proses ekstraksi ciri ini bertujuan untuk mereduksi dimensi citra beras sebelum menjadi masukan dalam Probabilistic Neural Network (PNN). Pada penelitian ini, digunakan Wavelet Haar karena sederhana dan relatif lebih mudah. Secara detail dimensi citra hasil dekomposisi Wavelet dapat dilihat pada Tabel 2 dan citra hasil dekomposisi Wavelet dapat dilihat pada Gambar 11.
10 Tabel 2 Dimensi citra beras Level Dekomposisi Citra Asli Wavelet Level 1 Wavelet Level 2 Wavelet Level 3 Wavelet Level 4 Wavelet Level 5 Wavelet Level 6
Dimensi Citra (pixel) 640 x 480 320 x 240 160 x 120 80 x 60 40 x 30 20 x 15 10 x 8
Wavelet Level 1
Wavelet Level 2
Wavelet Level 3
Wavelet Level 4
Wavelet Level 5
Wavelet Level 6
Gambar 11 Citra Dekomposisi Wavelet Level 1, 2, 3, 4, 5 dan 6 untuk varietas Beras Ketan Putih
Pembagian Data Latih dan Data Uji Proses identifikasi varietas beras dimulai dengan membagi data menjadi data latih dan data uji. Adapun citra data latih dan data uji disajikan pada Lampiran 1 sampai dengan Lampiran 10. Pembagian data latih dan data uji dilakukan dengan menggunakan metode k-fold cross validation. Data kemudian dibagi menjadi 80% data sebagai data latih dan 20% data sebagai data uji. Pembagian data dilakukan dengan metode 5-fold cross validation. Dalam proses pengujiannya dilakukan 3 tahap percobaan yang berbeda yaitu percobaan pengenalan varietas beras tunggal, pengenalan beras campuran, serta gabungan dari kedua percobaan. Percobaan 1: Menguji Varietas Beras Tunggal Pada percobaan 1, dilakukan pengujian varietas beras tunggal dengan jumlah kelas ada 4, masing-masing kelas terdiri atas 10 citra beras sehingga jumlah data ada 40 citra beras. Dalam hal ini pembagian data latih sebanyak 32 citra beras dan data uji sebanyak 8 citra beras. Adapun data yang digunakan untuk percobaan 1 disajikan pada Tabel 3.
11 Tabel 3 Data citra beras untuk percobaan 1 Kelas B1 B2 B3 B4
Varietas Beras Beras Jagung Beras Ketan Putih Beras Pandan Wangi Beras Rojo Lele
Percobaan 2: Menguji Varietas Beras Campuran Pada percobaan 2, dilakukan pengujian varietas beras campuran dengan jumlah kelas ada 6, masing-masing kelas terdiri atas 10 citra beras campuran sehingga jumlah data ada 60 citra beras campuran. Dalam hal ini pembagian data latih sebanyak 48 citra beras campuran dan data uji sebanyak 12 citra beras campuran. Adapun data yang digunakan untuk percobaan 2 disajikan pada Tabel 4. Tabel 4 Data citra beras untuk percobaan 2 Kelas B5 B6 B7 B8 B9 B 10
Varietas Beras Beras Jagung+Rojo Lele Beras Jagung+Ketan Putih Beras Jagung+Pandan Wangi Beras Ketan Putih+Pandan Wangi Beras Ketan Putih+Rojo Lele Beras Pandan Wangi+Rojo Lele
Percobaan 3: Menguji Varietas Beras Tunggal dan Beras Campuran Pada percobaan 3, dilakukan pengujian dengan menggabungkan citra beras pada percobaan 1 yaitu varietas beras tunggal dan percobaan 2 yaitu varietas beras campuran dalam satu kelas sehingga jumlah kelas ada 10, dimana masing-masing kelas tersebut terdiri atas 10 citra beras. Dalam hal ini pembagian data latih sebanyak 80 citra beras dan data uji sebanyak 20 citra beras. Adapun data yang digunakan untuk percobaan 3 disajikan pada Tabel 5. Tabel 5 Data citra beras untuk percobaan 3 Kelas B1 B2 B3 B4 B5 B6 B7 B8 B9 B 10
Varietas Beras Beras Jagung Beras Ketan Putih Beras Pandan Wangi Beras Rojo Lele Beras Jagung+Rojo Lele Beras Jagung+Ketan Putih Beras Jagung+Pandan Wangi Beras Ketan Putih+Pandan Wangi Beras Ketan Putih+Rojo Lele Beras Pandan Wangi+Rojo Lele
Klasifikasi Probabilistic Neural Network (PNN) Citra yang digunakan pada proses identifikasi beras ini adalah citra yang melalui proses dekomposisi pada masing-masing level menggunakan transformasi
12 wavelet. Layer masukan merupakan matriks berukuran 640 x 480 yang berasal dari citra beras. Pada lapisan pola, dihitung “jarak” vektor pelatihan ke vektor pengujian dan menghasilkan vektor yang mengindikasikan seberapa dekat input ke vektor pelatihan. Pada layer penjumlahan, setiap keluaran dari layer pola akan dijumlahkan dengan keluaran dari layer pola lainnya yang berada dalam satu kelas untuk menghasilkan probabilitas vektor keluaran (output). Pada lapisan keluaran, nilai maksimum dari vektor keluaran (output) akan diambil. Analisa Hasil Klasifikasi Analisa hasil klasifikasi ini bertujuan untuk menghitung nilai akurasi dari setiap percobaan yang dilakukan, yaitu percobaan 1 untuk menguji varietas beras tunggal, percobaan 2 untuk menguji varietas beras campuran, serta percobaan 3 untuk menguji varietas beras tunggal dan campuran dengan menggunakan klasifikasi Probabilistic Neural Network (PNN). Selain itu juga, untuk melakukan analisis kesalahan dari hasil klasifikasi pada setiap percobaan digunakan metode confusion matrix. Lingkungan Pengembangan Penelitian ini diimplementasikan menggunakan spesifikasi perangkat keras dan lunak sebagai berikut: 1 Perangkat Keras Spesifikasi perangkat keras yang digunakan adalah: Laptop Sony Vaio Intel® Core™ i3-3217U CPU 1.80 GHz. Memori 2 GB. Harddisk 465.64 GB. Mouse. Kamera Samsung Galaxy Mega 5.8 inch dengan VGA ukuran 640 x 480 pixel. 2 Perangkat Lunak Sistem operasi Windows 8 Pro 64 bit. Matlab 7.7.0 (R2008b).
HASIL DAN PEMBAHASAN Setelah melakukan ekstraksi ciri dengan transformasi Wavelet. Tahapan selanjutnya adalah melakukan klasifikasi menggunakan classifier Probabilistic Neural Network (PNN) yang dilakukan pada setiap fold percobaan. Hasil Percobaan 1: Menguji Varietas Beras Tunggal Pada percobaan 1, data diproses menggunakan transformasi Wavelet Haar dengan menguji varietas beras tunggal, jumlah kelas ada 4 dan masing-masing kelas terdiri atas 10 citra beras sehingga jumlah data ada 40 citra beras. Setiap naik satu level dekomposisi, dimensi fitur berkurang yaitu dari Wavelet level 1 sebesar 76.800 menjadi 20 dimensi fitur pada Wavelet level 7.
13 Berdasarkan Tabel 6, untuk perhitungan rata-rata nilai akurasi dapat digambarkan bahwa semakin tinggi level Wavelet yang digunakan, maka semakin naik nilai rata-rata akurasinya Meningkatnya level dekomposisi ini menyebabkan adanya peningkatan akurasi dimana hasil akurasi rata-rata terbaik yang diperoleh adalah sebesar 85.00% pada transformasi Wavelet level 6. Namun demikian, akurasi rata-rata pada dekomposisi Wavelet level 7 menurun sebanyak 7.50% sehingga akurasi rata-ratanya menjadi 77.50%. Hal ini kemungkinan disebabkan oleh makin berkurangnya dimensi fitur menjadi 20. Tabel 6 Akurasi hasil klasifikasi PNN dengan varietas beras tunggal Wavelet Level 1 2 3 4 5 6 7
Dimensi Citra 320 x 240 160 x 120 80 x 60 40 x 30 20 x 15 10 x 8 5x4
Rata-Rata Akurasi (%) 25.00 52.50 52.50 60.00 80.00 85.00 77.50
Berdasarkan Tabel 7, classifier PNN mampu mengklasifikasikan 34 citra beras yang sesuai dan 6 citra beras yang tidak sesuai. Varietas beras Jagung dan beras Ketan Putih adalah varietas beras yang paling banyak tidak terklasifikasi dengan benar. Data citra beras yang digunakan ini juga dipengaruhi oleh kondisi tata cahaya yang ada saat proses pengambilan gambar. Pencahayaan sangat penting dalam hal pengenalan varietas beras tunggal. Semakin terang intensitas cahayanya maka tingkat pengenalan varietas beras akan semakin baik, dan sebaliknya bila intensitas cahaya kurang maka tingkat pengenalan varietas beras akan semakin kecil. Hal ini dapat dilihat dari hasil klasifikasi dengan PNN dimana untuk citra beras Pandan Wangi dan beras Rojo Lele memiliki kualitas intensitas cahaya yang terang sehingga tingkat pengenalan varietas beras tersebut dapat dikenali semua. Sedangkan untuk varietas beras Jagung dan beras Ketan Putih memiliki kualitas intensitas cahaya yang agak gelap sehingga saat proses identifikasi pada masing-masing varietas tersebut masih mengalami beberapa kesalahan klasifikasi. Tabel 7 Confusion matrix citra dekomposisi level 6 pada klasifikasi PNN dengan varietas beras tunggal Kelas
Keterangan
B1 B2 B3 B4
Beras Jagung Beras Ketan Putih Beras Pandan Wangi Beras Rojo Lele
Beras Jagung 6 0 0 0
Beras Ketan Putih 0 8 0 0
Beras Pandan Wangi 4 2 10 0
Beras Rojo Lele 0 0 0 10
14 Tabel 8 Analisis kesalahan identifikasi pada klasifikasi PNN dengan varietas beras tunggal Varietas Beras Beras Jagung
Beras Ketan Putih
Hasil Klasifikasi
Gambar Kesalahan Hasil Klasifikasi 1
2
1
2
3
Beras Pandan Wangi
Beras Pandan Wangi
Hasil Percobaan 2: Menguji Beras Campuran Berdasarkan Tabel 9, untuk perhitungan rata-rata nilai akurasi dapat digambarkan bahwa semakin tinggi level Wavelet yang digunakan, maka semakin naik nilai rata-rata akurasinya Meningkatnya level dekomposisi ini menyebabkan adanya peningkatan akurasi dimana hasil akurasi rata-rata terbaik yang diperoleh adalah sebesar 88.33% pada transformasi Wavelet level 5. Namun demikian, akurasi rata-rata pada dekomposisi Wavelet level 6 menurun sebanyak 3.00% sehingga akurasi rata-ratanya menjadi 85.00%. Nilai rata-rata akurasi yang diperoleh pada percobaan 2 ini lebih baik daripada nilai rata-rata akurasi pada percobaan 1. Hal ini menunjukkan bahwa hasil klasifikasi PNN dengan campuran dua beras lebih mudah diidentifikasi dan dibedakan jika dibandingan dengan varietas beras tunggal. Tabel 9 Akurasi hasil klasifikasi PNN dengan beras campuran Wavelet Level 1 2 3 4 5 6 7
Dimensi Citra 320 x 240 160 x 120 80 x 60 40 x 30 20 x 15 10 x 8 5x4
Rata-Rata Akurasi 48,33 48.33 61.67 81.67 88.33 85.00 85.00
Berdasarkan Tabel 10, classifier PNN mampu mengklasifikasikan 51 citra beras yang sesuai dan 9 citra beras yang tidak sesuai. Varietas beras yang mengalami kesalahan klasifikasi adalah campuran beras Jagung dan Rojo Lele, campuran beras Jagung dan Ketan Putih, campuran beras Ketan Putih dan Pandan Wangi, serta campuran beras Pandan Wangi dan Rojo Lele. Campuran beras Jagung dan Pandan Wangi, campuran beras Ketan Putih dan Rojo Lele memiliki kualitas intensitas cahaya yang baik, sehingga hasil klasifikasi untuk pengenalan beras campuran ini dapat diidentifikasi semua
4
15 dengan benar. Kemudian, untuk campuran beras beras Jagung dan Rojo Lele, campuran beras Jagung dan Ketan Putih, campuran beras Ketan Putih dan Pandan Wangi, serta campuran beras Pandan Wangi dan Rojo Lele memiliki kualitas intensitas cahaya yang agak gelap di sisi kiri dan kanan citra, hanya bagian tengah citra yang terlihat terang sehingga proses identifikasi untuk pengenalan beras campuran pada masing-masing kelas tersebut tidak dapat dikenali semua dengan benar. Tabel 10 Confusion matrix citra dekomposisi level 5 pada klasifikasi PNN dengan beras campuran Kelas B5 B6 B7 B8 B9 B 10
Keterangan Beras Jagung+Rojo Lele Beras Jagung+Ketan Putih Beras Jagung+Pandan Wangi Beras Ketan Putih+Pandan Wangi Beras Ketan Putih+Rojo Lele Beras Pandan Wangi+Rojo Lele
B5 8 2 0 2 0 0
B6 0 8 0 0 0 0
B7 2 0 10 0 0 0
B8 0 0 0 6 0 0
B9 0 0 0 0 10 1
Tabel 11 Analisis kesalahan identifikasi pada klasifikasi PNN dengan beras campuran Varietas Beras
Beras Jagung+Rojo Lele
Beras Jagung+Ketan Putih
Hasil Klasifikasi
Gambar Kesalahan Hasil Klasifikasi 1
2
1
2
Beras Jagung+Pandan Wangi
Beras Jagung+Rojo Lele 1
Beras Ketan Putih+Pandan Wangi
Beras Jagung+Rojo Lele 1
Beras Ketan Putih+Pandan Wangi
Beras Pandan Wangi+Rojo Lele 1
Beras Ketan Putih+Pandan Wangi
Beras Jagung+Rojo Lele
2
3
B 10 0 0 0 2 0 9
16 Hasil Percobaan 3: Menguji Varietas Beras Tunggal dan Beras Campuran Berdasarkan Tabel 12, semakin tinggi level Wavelet yang digunakan maka semakin tinggi nilai rata-rata akurasinya. Meningkatnya level dekomposisi ini menyebabkan adanya peningkatan akurasi dimana hasil akurasi rata-rata terbaik yang diperoleh adalah sebesar 90.00% pada transformasi Wavelet level 6. Namun demikian, akurasi rata-rata pada dekomposisi Wavelet Level 7 menurun sebanyak 9.00% sehingga akurasi rata-ratanya menjadi 81.00%. Hal ini kemungkinan disebabkan oleh makin berkurangnya dimensi fitur menjadi 20 sehingga nilai akurasi rata-rata menjadi ikut turun juga. Tabel 12 Akurasi hasil klasifikasi PNN gabungan antara varietas beras tunggal dan beras campuran Wavelet Level 1 2 3 4 5 6 7
Dimensi Citra 320 x 240 160 x 120 80 x 60 40 x 30 20 x 15 10 x 8 5x4
Rata-Rata Akurasi (%) 10 12 53 69 83 90 81
Berdasarkan Tabel 13, classifier PNN mampu mengklasifikasikan 90 citra beras yang sesuai dan 10 citra beras yang tidak sesuai. Varietas beras yang paling banyak mengalami kesalahan klasifikasi adalah varietas Beras Jagung dan Beras Ketan Putih. Sedangkan untuk varietas beras yang seluruhnya terklasifikasi dengan benar adalah varietas Beras Rojo Lele, campuran Beras Jagung dan Pandan Wangi, campuran Beras Ketan Putih dan Pandan Wangi, serta campuran Beras Ketan Putih dan Rojo Lele. Tabel 13 Confusion matrix citra dekomposisi level 6 pada klasifikasi PNN gabungan antara varietas beras tunggal dan beras campuran Kelas B1 B2 B3 B4 B5 B6 B7 B8 B9 B 10
Keterangan Beras Jagung Beras Ketan Putih Beras Pandan Wangi Beras Rojo Lele Beras Jagung+Rojo Lele Beras Jagung+Ketan Putih Beras Jagung+Pandan Wangi Beras Ketan Putih+Pandan Wangi Beras Ketan Putih+Rojo Lele Beras Pandan Wangi+Rojo Lele
B1 6 0 1 0 0 0 0 0 0 0
B2 0 8 0 0 0 0 0 0 0 0
B3 3 2 9 0 0 0 0 0 0 0
B4 0 0 0 10 0 0 0 0 0 0
B5 0 0 0 0 9 1 0 0 0 0
B6 1 0 0 0 0 9 0 0 0 0
B7 0 0 0 0 1 0 10 0 0 0
B8 0 0 0 0 0 0 0 10 0 0
B9 0 0 0 0 0 0 0 0 10 1
B 10 0 0 0 0 0 0 0 0 0 9
17 Tabel 14 Analisis kesalahan identifikasi pada klasifikasi gabungan antara varietas beras tunggal dan beras campuran Varietas Beras
Hasil Klasifikasi
Gambar Kesalahan Hasil Klasifikasi 1
Beras Jagung
2
Beras Pandan Wangi
1 Beras Jagung
Beras Jagung+Ketan Putih 1
Beras Ketan Putih
Beras Pandan Wangi
1 Beras Pandan Wangi
Beras Jagung
1 Beras Jagung+Rojo Lele
Beras Jagung+Pandan Wangi 1
Beras Jagung+Ketan Putih
Beras Jagung+Rojo Lele 1
Beras Pandan Wangi+Rojo Lele
Beras Ketan Putih+Rojo Lele
2
3
18
KESIMPULAN DAN SARAN Kesimpulan Pada percobaan ini dilakukan pengenalan beberapa varietas beras, yaitu beras Jagung, beras Ketan Putih, beras Pandan Wangi, dan beras Rojo Lele. Penelitian dilakukan baik terhadap varietas beras tunggal dan beras campuran. Nilai akurasi yang diperoleh dengan menggunakan klasifikasi Probabilistic Neural Network (PNN) untuk varietas beras tunggal adalah 85% pada transformasi Wavelet level 6, beras campuran adalah 88.33% pada transformasi Wavelet level 5, dan gabungan antara varietas beras tunggal dan campuran adalah 90% pada transformasi Wavelet level 6. Saran Beberapa hal yang perlu dikembangkan lebih lanjut dari penelitian ini antara lain : 1 Varietas beras yang digunakan untuk bahan penelitian lebih bervariasi dengan jumlah data yang lebih banyak lagi 2 Mencoba untuk menguji varietas campuran beras dengan perbandingan yang berbeda untuk setiap percobaannya, misalnya dengan perbandingan 10 : 1, 10 : 2, 10 : 3, dan seterusnya sehingga diperoleh hasil yang bervariasi.
19
DAFTAR PUSTAKA [Deptan] Kementrian Pertanian, Direktorat Jenderal Tanaman Pangan. 2011. Jenis-jenis Beras di Indonesia. Jakarta (ID): Deptan. [JPNN]. Beras OP di Lumbung Spekulan, di Pasaran Jadi Oplosan [Internet]. [Edisi Minggu, 8 Maret 2015] [diunduh Senin, 9 Maret 2015]. Kaur G, Singh B. 2011. Intensity based image segmentation using wavelet analysis and clustering techniques. IJCSE. 2(3): 379-384. Kohavi R. 1995. A study sof cross-validation and bootsrap for accurancy estimation and model selection. Computer Science Department Stanford University: 1137-1143. Lee DTL, Yamamoto A. 1994. Wavelet analysis: theory and applications. Hewlett-Packard Journal: 44-52. Prasetyo E. 2009. Identifikasi Varietas Berdasarkan Warna dan Tekstur Permukaan Beras Menggunakan Pengolahan Citra Digital dan Jaringan Syaraf Tiruan [Skripsi]. Semarang (ID): Jurusan Teknik Elektro Fakultas Teknik. Universitas Diponegoro. Polikar R. 2003. The wavelet tutorial: Science Magazine’s NetWatch Department, Science. 300, 873. Rahmani. 2004. Probabilistic Neural Network [Internet]. [diunduh Minggu, 15 Maret 2015]. [RI] 1999. Undang-Undang Republik Indonesia Nomor 8 Tahun 1999 Tentang Perlindungan Konsumen. Jakarta (ID): Badan Pengawas Obat dan Makanan. Sengur A. 2008. Color texture classification using wavelet transform and neural network ensembles. AJSE. 34(2B): 491-502. Suminar R. 2012. Klasifikasi Kualitas Beras Berdasarkan Ciri Fisik Berbasis Pengolahan Citra Digital [Skripsi]. Bandung (ID): Jurusan Teknik Elektro dan Komunikasi. Institut Teknologi Telkom. Talukder HK, Harada K. 2007. Haar wavelet based approach for image compression and quality assessnment of compressed image. Di dalam: Proceedings of the World Congress on Engineering 2007; 2007 Jul 2-4; London, Inggris. London (UK): WCE. Tan PN, Steinbach M, Kumar V. 2006. Introduction to Data Mining. Boston: Pearson Addison-Wesley. Wu SG, Bao FS, Xu EY, Wang Y, Chang Y, Xiang Q. 2007. A leaf recognition algorithm for plant using probabilistic neural network. Di dalam: IEEE International Symposium on Signal Processing and Information Technology, 2007; 2007 Des15-18; Giza, Mesir. (EG).
20 Lampiran 1 Data latih dan data uji varietas beras jagung 1
2
3
4
5
6
7
8
9
10
21 Lampiran 2 Data latih dan data uji varietas beras ketan putih 1
2
3
4
5
6
7
8
9
10
22 Lampiran 3 Data latih dan data uji varietas beras pandan wangi 1
2
3
4
5
6
7
8
9
10
23 Lampiran 4 Data latih dan data uji varietas beras rojo lele 1
2
3
4
5
6
7
8
9
10
24 Lampiran 5 Data latih dan data uji campuran beras jagung dan beras rojo lele 1
2
3
4
5
6
7
8
9
10
25 Lampiran 6 Data latih dan data uji campuran beras jagung dan beras ketan putih 1
2
3
4
5
6
7
8
9
10
26 Lampiran 7 Data latih dan data uji campuran beras jagung dan beras pandan wangi
1
2
3
4
5
6
7
8
9
10
27 Lampiran 8 Data latih dan data uji campuran beras ketan putih dan pandan wangi
1
2
3
4
5
6
7
8
9
10
28 Lampiran 9 Data latih dan data uji campuran beras ketan putih dan rojo lele 1
2
3
4
5
6
7
8
9
10
29 Lampiran 10 Data latih dan data uji campuran beras pandan wangi dan rojo lele 1
2
3
4
5
6
7
8
9
10
30
RIWAYAT HIDUP Penulis dilahirkan di Mataram, Nusa Tenggara Barat pada tanggal 27 November 1988 dari (Alm) Bapak Drs Akhmat Ekram Bardiman dan Ibu Kusdariyati. Penulis merupakan putri bungsu dari 2 bersaudara. Penulis menyelesaikan pendidikan Diploma 3 di Universitas Gadjah Mada Jurusan Sistem Informasi Geografi dan Penginderaan Jauh (SIG dan PJ) dan menyelesaikannya pada tahun 2010. Kemudian pada tahun 2012, penulis terdaftar sebagai mahasiswa Departemen Ilmu Komputer Fakultas Matematika dan Ilmu Pengetahuan Institut Pertanian Bogor dan saat ini bekerja sebagai GIS Staff di PT. SMART, Tbk Jakarta.
