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

Transkripsi

1 PENGEMBANGAN PERANGKAT IDENTIFIKASI MUTU FISIK BERAS MENGGUNAKAN REAL TIME IMAGE PROCESSING AGUS SUPRIATNA SOMANTRI SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2014

2

3 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 F

4 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

5 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.

6 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

7 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

8 Penguji Luar Komisi pada Ujian Tesis: Dr Ridwan Rachmat, MAgr

9 Judul Tesis : Pengembangan Perangkat Identifikasi Mutu Fisik Beras Menggunakan Real Time Image Processing Nama : Agus Supriatna Somantri NIM : F 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:

10 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

11 DAFTAR ISI DAFTAR TABEL DAFTAR GAMBAR DAFTAR LAMPIRAN 1 PENDAHULUAN 1 Latar Belakang 3 Perumusan Masalah 3 Tujuan Penelitian 3 Manfaat Penelitian 3 Ruang Lingkup Penelitian 3 2 TINJAUAN PUSTAKA 4 Beras 4 Pengolahan Citra 7 Jaringan Syaraf Tiruan 8 3 METODE 11 Bahan 11 Alat 12 Prosedur Analisis Data 12 4 HASIL DAN PEMBAHASAN 19 Perangkat Real Time Image Processing 19 Karakteristik Citra Beras 28 Training dan Validasi Mutu Fisik Beras 34 Aplikasi Sistem Penduga Mutu Fisik Beras Secara Real Time 36 Karakteristik Derajat Sosoh Beras 38 Training dan Validasi Derajat Sosoh Beras 42 5 SIMPULAN DAN SARAN 45 Simpulan 45 Saran 45 DAFTAR PUSTAKA 46 LAMPIRAN 49 RIWAYAT HIDUP 60 vi vi vii

12 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: 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 DAFTAR GAMBAR 1 Bagian-bagian beras (SNI 6128: 2008) 2 Sistem terdepan dari pengolahan citra Model multilayer network 3 Model multilayer network 4 Arsitektur Jaringan Syaraf Tiruan untuk menentukan klas mutu beras 5 Arsitektur JST untuk menentukan derajat sosoh beras 6 Diagram alir prosedur penelitian pengolahan citra digital dan Jaringan Syaraf Tiruan (JST) untuk menentukan mutu beras. 7 Perangkat pengujian mutu fisik beras dengan pengolahan citra digital 8 Bagian luar perangkat pengujian mutu fisik beras 9 Bagian dalam perangkat pengujian mutu fisik beras 10 Algoritma pengambilan citra beras 11 Tampilan antar muka pengambilan untuk pengambilan citra beras 12 Algoritma pengolahan citra dan training beras 13 Tampilan antar muka pengolahan citra beras 14 Tampilan antar muka training mutu fisik beras 15 Algoritma penentuan klasifikasi mutu fisik beras 16 Kotak kontrol otomatik 17 Sensor LDR 18 Algoritma sistem pergerakan motor 19 Tampilan antar muka sistem pengujian mutu fisik beras 20 Citra beras yang diambil dari perangkat pemutuan RICE 21 Karakteristik R setiap parameter mutu fisik beras 22 Karakteristik G setiap parameter mutu fisik beras 23 Karakteristik B setiap parameter mutu fisik beras 24 Karakteristik Roundness setiap parameter mutu fisik beras 25 Karakteristik Luas setiap parameter mutu fisik beras 26 Karakteristik Keliling setiap parameter mutu fisik beras 27 Karakteristik Panjang setiap parameter mutu fisik beras 28 Karakteristik H setiap parameter mutu fisik beras 29 Karakteristik S setiap parameter mutu fisik beras 30 Karakteristik I setiap parameter mutu fisik beras 31 Karakteristik indeks R setiap parameter mutu fisik beras 32 Karakteristik indeks G setiap parameter mutu fisik beras

13 33 Karakteristik indeks B setiap parameter mutu fisik beras 34 Sampel beras Inpari 19 yang diuji 35 Hasil pendugaan mutu fisik beras Inpari Citra beras pada berbagai derajat sosoh 37 Karakteristik R beras sosoh 38 Karakteristik G beras sosoh 39 Karakteristik B beras sosoh 40 Karakteristik R indeks beras sosoh 41 Karakteristik G indeks beras sosoh 42 Karakteristik B indeks beras sosoh 43 Karakteristik H beras sosoh 44 Karakteristik S beras sosoh 45 Karakteristik I beras sosoh 46 Grafik pendugaan derajat sosoh dan derajat sosoh real. 47 Nilai Hue butiran beras pada setiap tingkatan derajat sosoh DAFTAR LAMPIRAN 1. Hasil training beras varietas Inpari Hasil validasi beras varietas Inpari Hasil training beras varietas Inpari Hasil validasi beras varietas Inpari Hasil training beras varietas Inpari Hasil validasi beras varietas Inpari Hasil training beras varietas Muncul Hasil validasi beras varietas Muncul Hasil training beras varietas Fatmawati Hasil validasi beras varietas Fatmawati Komponen perangkat RICE dan fungsinya 59

14

15 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

16 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,

17 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. 3 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 BB- Pascapanen Bogor dan Laboratorium Instalasi Penelitian Pascapanen, Karawang.

18 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 Satuan Mutu Mutu Mutu Mutu Mutu I II III IV V 1. Derajat sosoh (min) (%) Kadar air (maks) (%) kepala (min) (%) patah (maks) (%) menir (maks) (%) merah (maks) (%) kuning/rusak (maks) (%) mengapur (maks) (%) Benda asing (maks) (%) gabah (maks) butir/100g 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

19 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 Ukuran Skala USDA Beras pecah kulit Beras giling Panjang (mm) Sangatpanjang (extra long) Panjang (long grain) Sedang (medium grain) Pendek (short grain) Bentuk (rasio : panjang/lebar) Lonjong (slender) Sedang (medium) Agakbulat (bold) Bulat (round) 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 ( 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 5

20 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

21 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. utuh beras baik sehat maupun cacat, yang utuh (ukuran 8/8) atau tidak ada yang patah sama sekali 2. kepala beras baik sehat maupun cacat yang mempunyai ukuran lebih besar atau sama dengan 0.75 bagian dari butir beras utuh 3, patah beras baik sehat maupun cacat yang mempunyai ukuran lebih besar dari 0.25 sampai dengan lebih kecil 0.75 dari butir beras utuh 4. menir beras baik sehat maupun cacat yang mempunyai ukuran lebih kecil dari 0.25 bagian butir beras utuh 7 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.

22 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).

23 9 Keterangan : x i = variabel input noda i pada lapisan input, i = 0, 1, 2,, i H h = output noda j pada lapisan hidden, h = 0, 1, 2,, h z m = output noda k pada lapisan output, m = 1, 2, 3,..., m w ij = bobot yang menghubungkan noda i pada lapisan input dengan noda j pada lapisan hidden v jk = 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).

24 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 x i dan data target t k dalam range (0 dan1) c. Seluruh pembobot (w ij dan v jk ) awal diberi nilai random antara -1 sampai 1 d. Inisialisasi aktivasi thresholding unit, x 0 = 1 dan h 0 = 1 2. Aktivasi unit-unit dari input layer ke hidden layer dengan fungsi : 1 h j... (1) w ij x i 1 e dimana : w ij = 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 yk (2) v jk h j 1 e dimana : σ = konstanta logistik (logistic contant) v jk = pembobot v yang menghubungkan node unit ke-j pada hidden layer dengan noda ke-k pada output layer 4. Menghitung error dari unit-unit pada output layer (δ k ) dan menyesuaikannya dengan bobot v jk t y k 1 yk k k (3) dimana: t k = target output pada noda ke-k v v old h (4) jk jk dimana : β = konstanta laju pembelajaran v jk old = pembobot v jk sebelumnya k j 5. Menghitung error dari unit-unit pada hidden layer (τ j ) dan menyesuaikannya dengan bobot w ij h 1 h k v (5) j ij j ij j j i k jk w w old x (6)

25 11 6. Training set (learning) dihentikan jika y k mendekati t k. Proses pembelajaran juga dapat dihentikan berdasarkan error. Salah satu persamaan untuk nilai error adalah dengan menggunakan Root Mean Square Error (RMSE). RMSE n i 1 pi ai n n pi ai i 1 ai Error(%) 100% n Keterangan: p i = nilai dugaan output ulangan ke-i a i = nilai aktual output ulangan ke-i n = jumlah contoh data (7) (8) 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 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.

26 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

27 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 yang tertinggal/tersangkut pada lubang ayakan dikembalikan ke sampel beras yang tidak dapat lolos dari ayakan. -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 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 13

28 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([i 1,j 1 ],[i 2,j 2 ])= ( i j... (9) i2 ) ( j1 2 ) Berdasarkan hasil pengukuran panjang dari obyek ini didapatkan hasil sebaran nilai panjang obyek dari masing-masing ukuran butir beras.

29 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. R G B I... (10) 3 2R G B cos H... (11) 2 2 ( R G) ( R B)( G B) 3 S 1 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. 15

30 16 Input Units Hidden Units Output h0 X0 Wij h1 Vjk Intensitas warna R X1 h2 Intensitas warna G X2 h3 y1 kepala Intensitas warna B X3 h4 y2 patah Roundness X4 Luas X5 h5 y3 menir Keliling X6 h6 y4 merah Panjang X7 h7 y5 kuning Hue (corak) X8 y6 mengapur Saturation X9 y7 Benda asing Intensity X10 y8 Gabah R X11 G X12 B X13 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

31 17 Input Units Hidden Units Output h0 Wij h1 Vjk X0 h2 R X1 h3 G X2 h4 y1 DS 80% B X3 h5 y2 DS 85% Indeks R X4 h6 Indeks G X5 h7 y3 DS 90% Indeks B X6 y4 DS 95% H X7 y5 DS 100% S X8 I X9 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:

32 18 dimana : RMSE = n i 1 ( p a) n 2 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...(13) A Sampel Beras Penentuan parameter mutu fisik beras Penentuan jarak kamera, penyinaran, latar belakang Program pengolahan citra Tidak Sesuai? R,G,B, color value, Luas, Keliling, Panjang, Hue, Saturation, intensity Ya Pembuatan Perangkat Real Time Image Processing Pengambilan citra Tidak Sesuai? Ya Training A Penentuan bobot Validasi Tidak Sesuai? Ya Selesai Gambar 6 Diagram alir prosedur penelitian pengolahan citra digital dan JST untuk menentukan mutu beras.

33 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

34 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.

35 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? Tidak Ya Ya Simpan citra Simpan citra Citra beras kosong? Tidak Citra beras kosong? Tidak Ya Ya Selesai Selesai (a) Akuisisi citra mutu fisik beras (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.

36 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.

37 Mulai 23 Pilih jenis beras Load citra beras Treshold Hasil 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.

38 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.

39 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

40 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

41 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

42 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.

43 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

44 30 Secara lengkap karakteristik citra beras untuk masing-masing kriteria mutu fisik ditampilkan pada Gambar 21 sampai dengan Gambar 33. R (piksel) Kepala Patah Menir Gabah Mengapur Rusak Merah Benda Asing Gambar 21 Karakteristik sebaran warna R setiap parameter mutu fisik beras G (piksel) Kepala Patah Menir Gabah Mengapur Rusak Merah Benda Asing Gambar 22 Karakteristik sebaran warna G setiap parameter mutu fisik beras B (piksel) Kepala Patah Menir Gabah Mengapur Rusak Merah Benda Asing Gambar 23 Karakteristik sebaran warna B setiap parameter mutu fisik beras

45 31 Roundness 1,4 1,2 1 0,8 0,6 0,4 0,2 0 Kepala Patah Menir Gabah Mengapur Rusak Merah Gambar 24 Karakteristik Roundness setiap parameter mutu fisik beras Benda Asing Luas (piksel 2 ) Kepala Patah Menir Gabah Mengapur Rusak Merah Gambar 25 Karakteristik Luas setiap parameter mutu fisik beras Benda Asing Keliling (piksel) Kepala Patah Menir Gabah Mengapur Rusak Merah Gambar 26 Karakteristik Keliling setiap parameter mutu fisik beras Benda Asing Panjang (piksel) Kepala Patah Menir 6.76 Gabah Mengapur Rusak Merah Benda Asing 6.36 Gambar 27 Karakteristik Panjang setiap parameter mutu fisik beras

46 32 Saturation Hue ,25 0,2 0,15 0,1 0,05 0 Kepala Patah Menir Gabah Mengapur Rusak Merah Gambar 28 Karakteristik H setiap parameter mutu fisik beras Kepala Patah Menir Gabah Mengapur Rusak Merah Gambar 29 Karakteristik S setiap parameter mutu fisik beras Benda Asing Benda Asing Intensity (piksel) Kepala Patah Menir Gabah Mengapur Rusak Merah Gambar 30 Karakteristik I setiap parameter mutu fisik beras Benda Asing ,45 Indeks R 0,4 0,35 0, ,25 Kepala Patah Menir Gabah Mengapur Rusak Merah Gambar 31 Karakteristik indeks R setiap parameter mutu fisik beras Benda Asing

47 33 indeks G 0,35 0,33 0,31 0,29 0,27 0,25 Kepala Patah Menir Gabah Mengapur Rusak Merah Benda Asing Gambar 32 Karakteristik indeks G setiap parameter mutu fisik beras 0,47 Indeks B 0,42 0,37 0, ,27 Kepala Patah Menir Gabah Mengapur Rusak 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.

48 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

49 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 No. Mutu Fisik Varietas Inpari 10 Inpari 13 Inpari 19 Muncul Fatmawati (%) 1. Kepala Patah Menir Gabah Mengapur Rusak Buitr Merah Benda Asing Akurasi total (%) Tabel 5 Hasil validasi beras pada perangkat RICE No. Mutu Fisik Varietas Inpari 10 Inpari 13 Inpari 19 Muncul Fatmawati (%) 1. Kepala Patah Menir Gabah Mengapur Rusak Buitr Merah Benda Asing Akurasi total (%)

50 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 Muncul Inpari 10 A B A B A B A B A B (butir beras) 1. Kepala Patah Menir Gabah Mengapur Rusak Merah Benda Asing Akurasi 94 % 82 % 75 % 54 % 71 % Keterangan : A : beras aktual B : beras pendugaan 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.

51 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 Beras Patah 9 3. Beras Menir Gabah 3 5. Beras Mengapur Beras Rusak 8 7. Beras Merah 4 8. Benda Asing 1 Gambar 35 Hasil pendugaan mutu fisik beras Inpari 19