Pendugaan Varietas Beras dengan Pengolahan Citra dan Artificial Neural Network
PENDUGAAN VARIETAS BERAS DENGAN
PENGOLAHAN CITRA DAN ARTIIIAL NEURAL NETWORK
OLEH:
KAMALDA OKTASTY ADHA RASYID
FOl4991Z8
203
FAKULTAS TEKNOLOGI PERTANIAN
INSTlTlIT PERTANIA\ BOGOR
BOGOR
MaUa mo ngucain makasi. 6uat :
Ibunda Zahrotul Hayati, dpn belipulph pku bpnypk belp.w untuk menjpdi wpnitp ypng mpndin,
legpr; dan spbpr dplpm menghpdppi ppppun
Ayahailda Asransyah Rasyid, dpn belipulph pku bpnypk belpjpr unluk berdislplin, menghprgpi, dpn
mensyukuri nikmpt sekecil ppppun
(May, Pay, mpkpsih plps dop, dukungpn, npsihpt, dpn cinlp ypng tipdp henli
Saudara-saudaraku
Bpng Hpdi
(fhihhu iluikllmaa Jlddall)
& Kp Idp. Bpng Impm. Kp Nung. Iril, Np, dpn Aby ypng selplu
member; sempngpt (Mapfyp kpla pku nggp bisp jpdi contoh ypng bpik Hik. ).
t dpn Putri "Cipuf' ptps kecerippnnyp ypng selplu dpppt menghiburku di sppt-sppt
Keponakanku
sulit (Cepet gede yp spypng. Oyp, kplo udph gede jpngpn bpndeP)
Keluarga besar di Jakarta (Ny ai, Encang2. dan Encing2), mpkpsih plps dop dpn dUkungpnnyp.
Arid Wahyu Utomo, STP ptps dop, dukungpn. dpn (ehm) kpsih spypngnyp (Semogp mps Arief
pdplph ypng terbpik ypng dipilihkpnNyp untukku. Mppfkplo pde sukp bikin mps kesel
)
'\"
8apak Sudarsono. Ibu Sulastri, ieni. dan Nita ptps dop dpn dukungpnnyp
Rossita "Oci" Nurdini, sphpbplku ypng ppling tulus. tempptku berkeluh kesph dpn curhpt lentpng
segplpnyp (Mpkpsih ptps npsihpt, kritik, dpn kebersamppnnyp li're unforgettpble, oney I Oyp sing
enteng jodoh. semogp Allph memberikpn ypng terbpik Amin)
Hemik. tempn seperjupngpnku sekpligus kompndan "'erps"' ptps keberspmpan dpn kerjpspmpnyp
(Mppfkplo pku sukp ngerepotin)
Team ·'beras"
Sobat-sobat
Noi, Putri, dpn Mbp Mip ptps kerjpspmpm p
iS
.
Mbp Rhe, Mbp Heppy, Tiwil. Elen. Heni. Ibu Guru "'Anik"', Lili, Mbp Spnti. dpn
Mbp Heti plps dukungan, kecerippn, kekeluprgpan, dpn kebersamppnnyp
SMIPers
Alti
komti,
Lince,
Tpmie.
Uci. Son�'p.
Dipnp.
..Jurul, Ari.
Deni, dpn Hprlis plps
keberspmppnnyp
Hendra Hermawan ptps bpntupn dpn kespbprpnnyp dplpn 111'njelpskpn A�N dpn progrpmnyp.
Yusuf Hendrawan
plps bpntupn
dpn kespbprpnnyp dplpm
menila�kan logikp-logikp progrpm
qengolphpn citrp ypng ngejelimet
Erwin ptps bpntupnnyp dplpm edit-mengedit gpmbpr
Nunung Nuraini plps persphpbplpnnyp ypng tulus (Aku ikhlps k(lk kpmu \�isudp lulupn. Hi;
Keluarga besar TEP'36 (TSP, BIOSISTEM, dpn lMP) plps keberspmapnnyp selpmp menjplpni
mpsa-mpsp kuliph di R&H.
Kakak-kakak di TEP'35, speciplly Mps Edy plps bpntupn dpn dukungpnnyp.
Ibu2 dan bapakl di BAAK ypng telph berjpsa mengurus surpt-surpl "spkti"" untuk persyprptpn im-itu
Mps-mps tukpng fotocppy di "Tri M ulya
..
ptps jpspnyp. sehinggp skripsi
illbia lerjilid dengpn rppih
Tukpng-tukpng angkot&bis ypng telph menganlprku pulpng Jpkprtp-Bogor dpn "arung-warun�
makanan ypng lelah membuptku bertphpn hidup selpm3 di Bogor.
Pihak-pihak lain yang tidpk bisp disebutkpn sptu persptu
KAMALOA OKTASTY AOIIA RASYI}. F01499128. Pendugaan Varietas Beras
dengan Pengoiahan Citra dan Artijicial Neural Network. Di bawah bimblngan
I Wayan Astika dan Mohamad Solahudin. nhh3.
RINGKASAN
Sebagai salah satu makanan okok sebagian besar enduduk Indonesia, beras
harus mempunyai mutu yang baik. Penggolongan kriteria mutu beras mempunyai
hubungan langsung dengan enerimaan di konsumen akhir. Oleh karena itu inspeksi
atau enilaian terhadap mutu eras sosoh perlu dilakukan sebe1um beras diJual
kepada konsumen. Mutu rasa yang didasarkan atas varietas merupakan salah satu
kategori mutu beTas yang menjadi preferensi utama dalam penetapan harga. Akan
tetap. pada kenyataannya beras dengan varietas mumi sulit ditemukan di pasaran.
Pencampuran varietas kerap terjadi karena sulit memedakan satu varietas dengan
varietas lain, terutama varietas lokal yang mempunyai bentuk dan ukuran yang
hanpir sana, sehingga konsumen tidak nendapatkan beras dengan varietas tertentu
sesuai dengan mutu rasa yang diinginkan.
Penelitian ini bertujuan mencan nilai numerik dari 26 parameter-parameter
yang menceninkan bentuk dan ukuran butiran beras dengan engolahan citra
(inwge processmg), yaitu panJang (P), lebar
(.l, L1, L1,
, L20),1ebar maksimal
(Lma,), keliling (K), luas obyek (A), roundness (R), dan nisbah PfL. Dari parameter
parameter tersebut diharapkan peodugaan varietas beras tertentu dapat dilakukan
dengan menggunakan metoda Janngan saraf tiruan (Arfljiciul Neural Network).
Soenarjo
(1991) meogcmukakan bahwa berdasarkan ukuran dan bentuk
beras, dalam standarisasl mutu beras di pasaran intemasional dikenal 4 tipe ukuran
panjang beras, yaitu bijl sangat panjang (extra long), biji panjang (long gram), biji
sedang
(medium
grain), dan bijl endek (short grain). Berdasarkan entuknya yang
ditetapkan dari nisbah P/L, beras juga dibagi ata;; 4 tie, yaitu lonjong (slendal,
sedang
(medium), agak bulat (hold), dan bulat (round).
Kegiatan penelitian In! dilakukan selama 5 bulan, mulal bulan April 2h03
sampai
dengan
Agustus
Laboratorium Sistem
Pertanian,
Fakultas
dan
2hh3. fPenelitian
dilakukan
Manajemen lnfonnatika
Teknologi
Pertanian,' Institut
di
dua
Pertaman,
Pertanian
tetnpat,
Jurusan
Bogor
dan
yaitu
T ekmk
Balal
Penelitian dan Pengembangan BULOG, Tambun. Bekasi.
Bahan yang digunakan
uotuk melakukan penelitian mi adalah beras yang
telah disosoh dengan derajat sosoh 95 %. Beras yang pada awalnya berbentuk gabah
ini dieroleh dari Balal Penelitian Tanaman Padi Inlitpa Muara, Ciapus, Bogor
dengan erat 1 kg untuk setiap varietas. Varietas yang diambiI untuk dijadlkan
samel adalah 10 van etas heras dalam negeri, yaitu Satang Gadis, Ciherang,
Cimelati, Cisadanc, GiJirang, lR 64, Membramo, Sintanur, Way Seputih, dan Widas.
Pada kegIatan peoyedian sampel, alat yang digunakan adalah Moivturer tester uotuk
gabah dan beras, Gram Af1(l�VXe Tester, timbangan lJial-()-( ;ram merek Ohaus,
Mixer Devider merek Tsukasa Co. LTD, ayakan menir, Indented Plate, dan alat
pembantu lain, seerti kaca pembesar, cawan petri, pmset, dan enyiduk. Pada
kegiatan engambilan citra digunakan kamera digital merek FUJi Fine Pix A203 dan
alat�alat pendukung berupa empat buah lampu 5 watt merek Phillips dan ilfuminwi:e
meter merek Minolta hpe T�lH. Pada pengolahan citra dan endugaan vanetas
digunakan seUefangkat keTUgaeb sebagai hardware yang didgkung egeh s.flware
UbegbaT yang dibangun Uada gingkgngan Micro.\(!fi V'1:nw{ Rasle 6.0.
fada Uefgakgan awag, gabah dari keseUgggh vafieaas diseseh dS halaS
fenelitian dan fengeTangan BULOv, TaTbuns hekasS. Selanjutnya dilakukan
UengaTbSlan dan mngelahan citra butir uaiJh dabS -TasSng-Tasing vabietas sebanyak
dua kah sehingga didaUat UafaTetef-UafaTeteb Uendggaan unauk dijadikan tfaining
sea dan vagidasi set Uada UfegbaT Arti/icw{ Neural Ne/\1'ork (TNN).
fada mnelitSan ini difancang 2 jenis TNNs yaiag TNN dengan 4 output untgk
Tenduga 4 vafietas dan TNN dengan 1h output untuk Tendgga 1 h vafSetas. masSng
Tasing jenis TNN aefsebua TeTUunyai 26 neda Uada mput layer dan 5h neda Uada
Illdden layer. TggebiaTa yang digunakan untgk kedua TNN aebsebut adagah algebitTa
hack propagatIOn dengan lagist/(: constant j dan {eanmg rate h.3.
fada Ubeses tfaining, kedua TNN tefsebga diStebasi saTUai TencaUai tingkat
akufasi abaSning aebtentg. TahaU validasS digakukan seaegah Tasing-Tasing TNN
TencaUai akufasi tfainSng tefbaik. Vagidasi digakukan gntgk Tegihaa sejagh Tana
keTaTUgan TNN dalaT Tengenal saTUel bet^s babu dS lgab saTmt yang diUakai
sebagai daaa abaSning dengan TeTbandingkan dugaan ¥afSetas yang dihasilkan egeh
TNN dengan kenyaaaan ashnya.
fada
Ureses
tfaining,
nilai
akufasi
unauk
TNN
dengan
4
output
adalah 95.5% yang dicaUaS setelah dilakgkan iaebasl sebanyak 1h hhh kali. fada
Ufeses tfainSng ini niai akufasi yang dlcaUai egeh ¦abieaas Baaang vadis adalah 99%,
Gilirang 98%, IR 64 99%, dan lay SeUutih 86%.
SeTenaaba Uada Ufeses validasS,
nilal akubasS utuk TNN dengan 4 output
adalah 69%. fada Ubeses validasi im nigai akubasl yang dlcaUai eteh vafietas hatang
vadSs adagah 84%, vigibang v6%, lR 64 1hh%, dan lay SeUutSh 1 6%.
Yntgk TNN dengan
1h output,
Uada Ufeses tfaining dilakukan SterasS
sebanyak 2h hhh kagi dan dihasigkan nilai akgbasi 64.j°0. fada Ufeses tfaining ini
nigal akurasi yang dicaUal egeh vaetas hatang GadSs adagah 99%, CSherang 48%,
ClTelati 35%s CSsadane 6h%, vSlifang 81�·0. IR 6l 5j%, meTbfaTe 65%,
SSntangb v j%, lay SeUutih 85%, dan lSdas 46 ° °
fada Ubeses vagSdasit nilaS akufasS yang dScaUal egeh TNN dengan 1h output
IllS adagah 2v. 1v%. fada Ubeses valSdasl i mga! alum ! yang dicaUal egeh vane las
Saaang vadls adagah
64%t Cthebang
jh�'o, C!meia¡l
j8t33%,
CSsadane
1u%t
Gihbang 54%, IR 64 38%s nembbaTe 18%, Smaanub 38(10. lay VeUutSh 6.u5%, dan
lSdas 14%t
kafS hasil UeneliaJan ini dSsarankan agab Uada cneliaian lebih lanjga
dilakukan Ubeses abaming dengan Tenggunakan /Ogl.\/IC constant dan leaning rate
yang
berbeda
gntgk
TengetahUi
hubgngan keduanya dengan
aingkat
akufasl
Uendggaan. fene1iaian lebih lanJut juga mbgg digakgkan untgk TebangkaS hardware
dan .w?/iware Ten{adl saau kesatgan yang tefintembasL sehmgga sisaeT daUat bebjalan
realfllne.
PENDUGAAN VARIETAS BERAS DENGAN
PENGOLAHAN CITRA DAN ARIFICIAL NEURAL NETWORK
SKRIPSI
Sebagai sagaq saau syaraa memmreleh gegab
SARJANA TEKNOLOGI PERTANIAN
Pada Jgbgsan Teknik Pefaanian.
Fakugias Te~nelegS PeraanSan,
lnsaiaui Peraanian hegef
Ogeh:
KAMALDA OKTASTY ADHA RASYID
FOI499I28
203
FAKULTAS TEKNOLOGI PERTANIAN
INSTITIIT PERTANIAN BOGOR
BOGOR
NSTITUT PERTANIAN BOG OR
FAKULTAS TEKNOLOGI PERTANIAN
PENDUGAAN VARIETAS BERAS DENGAN
ARTIIIAL NEURAL NETWORK
PENGOLAIIAN CITRA DAN
SKRIPSI
Sebagai salah satu syarat memperoieh gelar
SARJANA TEKNOLOGI PERTANIAN
Pada Jurusan Teknik Pertanian,
Fakultas Teknologi Pertanian,
Institut Petanian Bogar
Oleh:
KAMALDA OKTASTY ADIA RASYID
F01499128
Dilahirkan pada tanggal 8 Oktober 1981
di Jakarta
Tanggal lulus
:
29 September 2003
If. Mohamad Solahudin, M.Si
Dosen Pembimbing II
WAYATHIDUP
Penults
bemama
lengkap Kamalda
Oktasty
Adha
Rasyid, dilahirkan di Jakarta, 8 Oktober 1981 dan merupakan
anak keempat dari tujuh bersaudara dengan ayah bemama
Drs. H. Asransyah Rasyid dan ibu bemama Ora. Hj. Zahrotul
Hayati.
Pada tahuo 1993 enuhs menyelesaikan endidikan dasar di Sekolah Dasar
Islam Muslimat, Jakarta Penulis kemudian melanjutkan endidikan SMP dan SMU
nya di Pondok Pesantren Danl Arqom Muhammadiyah, Gamt selama 6 tahuo
sampai penulis lulus tahuo 1999.
Pada tabuo
1999, melalui jalur Ujian Masuk Perguruan Tinggi Negeri
(PN), enulis diterima di Jurusan Teknik Pertania, Fakultas Teknologi
Pertania, Institut Pertanian Bogor dan menyelesaikan endidikan SI-oya pada
tahun u0h3.
Selama
menempuh
studi
di
IPS,
enulis
terdatar
sebagai
anggota
HIMATETA dan mengikuti kepanitiaan yang diadakan oleh mahasiswa atau umum,
Penulis juga menjadi asisten dosen untuk mata kuliah Penerapan Komputer pada
tahun u0hu/20h3.
Penulis melaksanakan praktek lapang di Canation Florist, Lembang, Jawa
Barat dengan topik HAspek Teknik Pertanian pada Budidaya Tanaman Bunga Potong
Gerbera
dan Krisan",
"Pendugaan
Network",
Varietas
SeJanjutnya enulis melakukan enelitian dengan topik
Beras
dengan
Pengolahan
Citra
dan
Articial Neural
KATA PENGANTAR
fuji dan SYUkUf Uenuiis Uanjaakan keUada oiiah SlT alas rahTat dan
kabunSa-Nya sehingga UenuiSs daUaa TenyeiesaSkan skbiUsi dengan judul "Pendugaan
VarSetas heras dengan fengeiahan Ciaba dan
Artificwl eum! Network
".
SkriUsi Sni
TeruUakan hasil UeneliiSan dan siudS Uusaaka yang dliakukan mnulis Tuiai darS
buian oUbil saTUai dengan ogusius 2hh3.
fada keseTUaaan inS aak iuUa Uenulis ucaUkan banyak aerSTa kasSh keUada
1.
.
kr. If. I layan Astika, mSS selaku desen mTbiTbSng I yang ielah TeTbebikan
biTbmgan dan arahan yang sangat berai daiaT usaha enyeiesaSan skriUsi im.
2.
If. mehaTad Selahudin, mSS seiaku desen UeTbinbmg II atas bSTbSngannya_
3
kr. Jb. Subese, mogr selaku desen Uengu}\ skbSUsl aaas banauan dan Tasukannya.
4
Ir. obdui laries faswSbit mho dan hULOG yang aelah Tenyediakan jasiiSias
seiaTa mneliiian.
5
Ir. ErTan ozSz, mSct haUak RahTan Sugiyanae, dan mas RudS dl halaS
Peneiiaian dan fengeTbangan hULOG, WaTbuns hekasL yang aeiah banyak
TeTbaniu dalaT mlaksanaan mneiSiSan.
6.
haUak Gezali aaas baniuannya seiaTa UenelSaian.
v.
fbegraT UeneiSiian Duehke yang aelah TeTbiayal cneiSiSan.
8
Keiuarga tebcSnia (Ibunda, oyahandas kakak-kakakt dan adSk-adSk) atas dea dan
dukungan yang seiaTa Sm telah dSberSkan dengan Uenuh keSkhiasan.
9
SeTua UShak yang ieiah TcTbanau dan aSdak daUat dLsebuakan saau Uebsaiu.
fenuiSs ebharaU seTega UenciSiLan inS daUaa berpuna dan TeTben Tanfaai
bagS kiaa seTua. Segaia saran dan kriaik yang bebsSlat TeTbangun dabS seTua Uihak
akan Uenulis aeriTa dengan senang haiS deTS Ucr_aikan di Tasa Tendaaang.
hoger,
Oktebeb 20h3
fenuiis
IV
DAFTAR lSI
walaTan
KTTT fjNGTNTTR ...t...... .
IV
kTFTTR TThjL ..... .
kTFT TR GTBTR ....
VII
VIII
.
kTFTTR LTnPIRTN ..
I.
x
fjNkTwULUTN ..
A LTTTR hjLTKTNG..
h TUJUTN ...........
n
_. .
4
ll. T1NJTUTN fUSTTKT .. ..
4
T. hjRTS ........... .
4
l . nut¤ heras ..
5
n. Vafietas heras ..
h. fjNGOLTwTN ClTRT ..
6
C AR71NClAL NUIIIAL NIJW(}RK (TNN) ..
9
k. TfLIKTSl
fjNGOLTwTN
ClTRT
kTN AllnNUAI_
NUI/IAI.
N.TW()IIK kTLTn hIkTNG fjRTTNlTN .......... . . .
1jj. njTOkOLOGl fjNjLlTlTN ..
jn
j5
T. lTKXU kTN TEnfTL
15
B hTHTN kTN TLT..
15
C. njTOkj fjNjLlTlTN
j9
j. feflakuan T§al.
j9
n. fengabian Ci£fa hebas .
nj
3. fengolahan Citfa hibas
u4
4 . fenyusunan nodei dan Tbaining Art/flew! Neural Network (TNN)..
nv
5. Validasi fbogbaT . .
3j
IV. wTSIL kTN fjnhTwTSTN ..
T. fjNGOLTHTN ClTRT .
h. KTRTKTjRlSTIK ClTRT hERTS ..
36
j. Kafaktenstik fanJang hefas t
37
n. Kabaktefzsaik NSsbah f/L hebas tt
39
\
PENGOLAHAN CITRA DAN ARTIIIAL NEURAL NETWORK
OLEH:
KAMALDA OKTASTY ADHA RASYID
FOl4991Z8
203
FAKULTAS TEKNOLOGI PERTANIAN
INSTlTlIT PERTANIA\ BOGOR
BOGOR
MaUa mo ngucain makasi. 6uat :
Ibunda Zahrotul Hayati, dpn belipulph pku bpnypk belp.w untuk menjpdi wpnitp ypng mpndin,
legpr; dan spbpr dplpm menghpdppi ppppun
Ayahailda Asransyah Rasyid, dpn belipulph pku bpnypk belpjpr unluk berdislplin, menghprgpi, dpn
mensyukuri nikmpt sekecil ppppun
(May, Pay, mpkpsih plps dop, dukungpn, npsihpt, dpn cinlp ypng tipdp henli
Saudara-saudaraku
Bpng Hpdi
(fhihhu iluikllmaa Jlddall)
& Kp Idp. Bpng Impm. Kp Nung. Iril, Np, dpn Aby ypng selplu
member; sempngpt (Mapfyp kpla pku nggp bisp jpdi contoh ypng bpik Hik. ).
t dpn Putri "Cipuf' ptps kecerippnnyp ypng selplu dpppt menghiburku di sppt-sppt
Keponakanku
sulit (Cepet gede yp spypng. Oyp, kplo udph gede jpngpn bpndeP)
Keluarga besar di Jakarta (Ny ai, Encang2. dan Encing2), mpkpsih plps dop dpn dUkungpnnyp.
Arid Wahyu Utomo, STP ptps dop, dukungpn. dpn (ehm) kpsih spypngnyp (Semogp mps Arief
pdplph ypng terbpik ypng dipilihkpnNyp untukku. Mppfkplo pde sukp bikin mps kesel
)
'\"
8apak Sudarsono. Ibu Sulastri, ieni. dan Nita ptps dop dpn dukungpnnyp
Rossita "Oci" Nurdini, sphpbplku ypng ppling tulus. tempptku berkeluh kesph dpn curhpt lentpng
segplpnyp (Mpkpsih ptps npsihpt, kritik, dpn kebersamppnnyp li're unforgettpble, oney I Oyp sing
enteng jodoh. semogp Allph memberikpn ypng terbpik Amin)
Hemik. tempn seperjupngpnku sekpligus kompndan "'erps"' ptps keberspmpan dpn kerjpspmpnyp
(Mppfkplo pku sukp ngerepotin)
Team ·'beras"
Sobat-sobat
Noi, Putri, dpn Mbp Mip ptps kerjpspmpm p
iS
.
Mbp Rhe, Mbp Heppy, Tiwil. Elen. Heni. Ibu Guru "'Anik"', Lili, Mbp Spnti. dpn
Mbp Heti plps dukungan, kecerippn, kekeluprgpan, dpn kebersamppnnyp
SMIPers
Alti
komti,
Lince,
Tpmie.
Uci. Son�'p.
Dipnp.
..Jurul, Ari.
Deni, dpn Hprlis plps
keberspmppnnyp
Hendra Hermawan ptps bpntupn dpn kespbprpnnyp dplpn 111'njelpskpn A�N dpn progrpmnyp.
Yusuf Hendrawan
plps bpntupn
dpn kespbprpnnyp dplpm
menila�kan logikp-logikp progrpm
qengolphpn citrp ypng ngejelimet
Erwin ptps bpntupnnyp dplpm edit-mengedit gpmbpr
Nunung Nuraini plps persphpbplpnnyp ypng tulus (Aku ikhlps k(lk kpmu \�isudp lulupn. Hi;
Keluarga besar TEP'36 (TSP, BIOSISTEM, dpn lMP) plps keberspmapnnyp selpmp menjplpni
mpsa-mpsp kuliph di R&H.
Kakak-kakak di TEP'35, speciplly Mps Edy plps bpntupn dpn dukungpnnyp.
Ibu2 dan bapakl di BAAK ypng telph berjpsa mengurus surpt-surpl "spkti"" untuk persyprptpn im-itu
Mps-mps tukpng fotocppy di "Tri M ulya
..
ptps jpspnyp. sehinggp skripsi
illbia lerjilid dengpn rppih
Tukpng-tukpng angkot&bis ypng telph menganlprku pulpng Jpkprtp-Bogor dpn "arung-warun�
makanan ypng lelah membuptku bertphpn hidup selpm3 di Bogor.
Pihak-pihak lain yang tidpk bisp disebutkpn sptu persptu
KAMALOA OKTASTY AOIIA RASYI}. F01499128. Pendugaan Varietas Beras
dengan Pengoiahan Citra dan Artijicial Neural Network. Di bawah bimblngan
I Wayan Astika dan Mohamad Solahudin. nhh3.
RINGKASAN
Sebagai salah satu makanan okok sebagian besar enduduk Indonesia, beras
harus mempunyai mutu yang baik. Penggolongan kriteria mutu beras mempunyai
hubungan langsung dengan enerimaan di konsumen akhir. Oleh karena itu inspeksi
atau enilaian terhadap mutu eras sosoh perlu dilakukan sebe1um beras diJual
kepada konsumen. Mutu rasa yang didasarkan atas varietas merupakan salah satu
kategori mutu beTas yang menjadi preferensi utama dalam penetapan harga. Akan
tetap. pada kenyataannya beras dengan varietas mumi sulit ditemukan di pasaran.
Pencampuran varietas kerap terjadi karena sulit memedakan satu varietas dengan
varietas lain, terutama varietas lokal yang mempunyai bentuk dan ukuran yang
hanpir sana, sehingga konsumen tidak nendapatkan beras dengan varietas tertentu
sesuai dengan mutu rasa yang diinginkan.
Penelitian ini bertujuan mencan nilai numerik dari 26 parameter-parameter
yang menceninkan bentuk dan ukuran butiran beras dengan engolahan citra
(inwge processmg), yaitu panJang (P), lebar
(.l, L1, L1,
, L20),1ebar maksimal
(Lma,), keliling (K), luas obyek (A), roundness (R), dan nisbah PfL. Dari parameter
parameter tersebut diharapkan peodugaan varietas beras tertentu dapat dilakukan
dengan menggunakan metoda Janngan saraf tiruan (Arfljiciul Neural Network).
Soenarjo
(1991) meogcmukakan bahwa berdasarkan ukuran dan bentuk
beras, dalam standarisasl mutu beras di pasaran intemasional dikenal 4 tipe ukuran
panjang beras, yaitu bijl sangat panjang (extra long), biji panjang (long gram), biji
sedang
(medium
grain), dan bijl endek (short grain). Berdasarkan entuknya yang
ditetapkan dari nisbah P/L, beras juga dibagi ata;; 4 tie, yaitu lonjong (slendal,
sedang
(medium), agak bulat (hold), dan bulat (round).
Kegiatan penelitian In! dilakukan selama 5 bulan, mulal bulan April 2h03
sampai
dengan
Agustus
Laboratorium Sistem
Pertanian,
Fakultas
dan
2hh3. fPenelitian
dilakukan
Manajemen lnfonnatika
Teknologi
Pertanian,' Institut
di
dua
Pertaman,
Pertanian
tetnpat,
Jurusan
Bogor
dan
yaitu
T ekmk
Balal
Penelitian dan Pengembangan BULOG, Tambun. Bekasi.
Bahan yang digunakan
uotuk melakukan penelitian mi adalah beras yang
telah disosoh dengan derajat sosoh 95 %. Beras yang pada awalnya berbentuk gabah
ini dieroleh dari Balal Penelitian Tanaman Padi Inlitpa Muara, Ciapus, Bogor
dengan erat 1 kg untuk setiap varietas. Varietas yang diambiI untuk dijadlkan
samel adalah 10 van etas heras dalam negeri, yaitu Satang Gadis, Ciherang,
Cimelati, Cisadanc, GiJirang, lR 64, Membramo, Sintanur, Way Seputih, dan Widas.
Pada kegIatan peoyedian sampel, alat yang digunakan adalah Moivturer tester uotuk
gabah dan beras, Gram Af1(l�VXe Tester, timbangan lJial-()-( ;ram merek Ohaus,
Mixer Devider merek Tsukasa Co. LTD, ayakan menir, Indented Plate, dan alat
pembantu lain, seerti kaca pembesar, cawan petri, pmset, dan enyiduk. Pada
kegiatan engambilan citra digunakan kamera digital merek FUJi Fine Pix A203 dan
alat�alat pendukung berupa empat buah lampu 5 watt merek Phillips dan ilfuminwi:e
meter merek Minolta hpe T�lH. Pada pengolahan citra dan endugaan vanetas
digunakan seUefangkat keTUgaeb sebagai hardware yang didgkung egeh s.flware
UbegbaT yang dibangun Uada gingkgngan Micro.\(!fi V'1:nw{ Rasle 6.0.
fada Uefgakgan awag, gabah dari keseUgggh vafieaas diseseh dS halaS
fenelitian dan fengeTangan BULOv, TaTbuns hekasS. Selanjutnya dilakukan
UengaTbSlan dan mngelahan citra butir uaiJh dabS -TasSng-Tasing vabietas sebanyak
dua kah sehingga didaUat UafaTetef-UafaTeteb Uendggaan unauk dijadikan tfaining
sea dan vagidasi set Uada UfegbaT Arti/icw{ Neural Ne/\1'ork (TNN).
fada mnelitSan ini difancang 2 jenis TNNs yaiag TNN dengan 4 output untgk
Tenduga 4 vafietas dan TNN dengan 1h output untuk Tendgga 1 h vafSetas. masSng
Tasing jenis TNN aefsebua TeTUunyai 26 neda Uada mput layer dan 5h neda Uada
Illdden layer. TggebiaTa yang digunakan untgk kedua TNN aebsebut adagah algebitTa
hack propagatIOn dengan lagist/(: constant j dan {eanmg rate h.3.
fada Ubeses tfaining, kedua TNN tefsebga diStebasi saTUai TencaUai tingkat
akufasi abaSning aebtentg. TahaU validasS digakukan seaegah Tasing-Tasing TNN
TencaUai akufasi tfainSng tefbaik. Vagidasi digakukan gntgk Tegihaa sejagh Tana
keTaTUgan TNN dalaT Tengenal saTUel bet^s babu dS lgab saTmt yang diUakai
sebagai daaa abaSning dengan TeTbandingkan dugaan ¥afSetas yang dihasilkan egeh
TNN dengan kenyaaaan ashnya.
fada
Ureses
tfaining,
nilai
akufasi
unauk
TNN
dengan
4
output
adalah 95.5% yang dicaUaS setelah dilakgkan iaebasl sebanyak 1h hhh kali. fada
Ufeses tfainSng ini niai akufasi yang dlcaUai egeh ¦abieaas Baaang vadis adalah 99%,
Gilirang 98%, IR 64 99%, dan lay SeUutih 86%.
SeTenaaba Uada Ufeses validasS,
nilal akubasS utuk TNN dengan 4 output
adalah 69%. fada Ubeses validasi im nigai akubasl yang dlcaUai eteh vafietas hatang
vadSs adagah 84%, vigibang v6%, lR 64 1hh%, dan lay SeUutSh 1 6%.
Yntgk TNN dengan
1h output,
Uada Ufeses tfaining dilakukan SterasS
sebanyak 2h hhh kagi dan dihasigkan nilai akgbasi 64.j°0. fada Ufeses tfaining ini
nigal akurasi yang dicaUal egeh vaetas hatang GadSs adagah 99%, CSherang 48%,
ClTelati 35%s CSsadane 6h%, vSlifang 81�·0. IR 6l 5j%, meTbfaTe 65%,
SSntangb v j%, lay SeUutih 85%, dan lSdas 46 ° °
fada Ubeses vagSdasit nilaS akufasS yang dScaUal egeh TNN dengan 1h output
IllS adagah 2v. 1v%. fada Ubeses valSdasl i mga! alum ! yang dicaUal egeh vane las
Saaang vadls adagah
64%t Cthebang
jh�'o, C!meia¡l
j8t33%,
CSsadane
1u%t
Gihbang 54%, IR 64 38%s nembbaTe 18%, Smaanub 38(10. lay VeUutSh 6.u5%, dan
lSdas 14%t
kafS hasil UeneliaJan ini dSsarankan agab Uada cneliaian lebih lanjga
dilakukan Ubeses abaming dengan Tenggunakan /Ogl.\/IC constant dan leaning rate
yang
berbeda
gntgk
TengetahUi
hubgngan keduanya dengan
aingkat
akufasl
Uendggaan. fene1iaian lebih lanJut juga mbgg digakgkan untgk TebangkaS hardware
dan .w?/iware Ten{adl saau kesatgan yang tefintembasL sehmgga sisaeT daUat bebjalan
realfllne.
PENDUGAAN VARIETAS BERAS DENGAN
PENGOLAHAN CITRA DAN ARIFICIAL NEURAL NETWORK
SKRIPSI
Sebagai sagaq saau syaraa memmreleh gegab
SARJANA TEKNOLOGI PERTANIAN
Pada Jgbgsan Teknik Pefaanian.
Fakugias Te~nelegS PeraanSan,
lnsaiaui Peraanian hegef
Ogeh:
KAMALDA OKTASTY ADHA RASYID
FOI499I28
203
FAKULTAS TEKNOLOGI PERTANIAN
INSTITIIT PERTANIAN BOGOR
BOGOR
NSTITUT PERTANIAN BOG OR
FAKULTAS TEKNOLOGI PERTANIAN
PENDUGAAN VARIETAS BERAS DENGAN
ARTIIIAL NEURAL NETWORK
PENGOLAIIAN CITRA DAN
SKRIPSI
Sebagai salah satu syarat memperoieh gelar
SARJANA TEKNOLOGI PERTANIAN
Pada Jurusan Teknik Pertanian,
Fakultas Teknologi Pertanian,
Institut Petanian Bogar
Oleh:
KAMALDA OKTASTY ADIA RASYID
F01499128
Dilahirkan pada tanggal 8 Oktober 1981
di Jakarta
Tanggal lulus
:
29 September 2003
If. Mohamad Solahudin, M.Si
Dosen Pembimbing II
WAYATHIDUP
Penults
bemama
lengkap Kamalda
Oktasty
Adha
Rasyid, dilahirkan di Jakarta, 8 Oktober 1981 dan merupakan
anak keempat dari tujuh bersaudara dengan ayah bemama
Drs. H. Asransyah Rasyid dan ibu bemama Ora. Hj. Zahrotul
Hayati.
Pada tahuo 1993 enuhs menyelesaikan endidikan dasar di Sekolah Dasar
Islam Muslimat, Jakarta Penulis kemudian melanjutkan endidikan SMP dan SMU
nya di Pondok Pesantren Danl Arqom Muhammadiyah, Gamt selama 6 tahuo
sampai penulis lulus tahuo 1999.
Pada tabuo
1999, melalui jalur Ujian Masuk Perguruan Tinggi Negeri
(PN), enulis diterima di Jurusan Teknik Pertania, Fakultas Teknologi
Pertania, Institut Pertanian Bogor dan menyelesaikan endidikan SI-oya pada
tahun u0h3.
Selama
menempuh
studi
di
IPS,
enulis
terdatar
sebagai
anggota
HIMATETA dan mengikuti kepanitiaan yang diadakan oleh mahasiswa atau umum,
Penulis juga menjadi asisten dosen untuk mata kuliah Penerapan Komputer pada
tahun u0hu/20h3.
Penulis melaksanakan praktek lapang di Canation Florist, Lembang, Jawa
Barat dengan topik HAspek Teknik Pertanian pada Budidaya Tanaman Bunga Potong
Gerbera
dan Krisan",
"Pendugaan
Network",
Varietas
SeJanjutnya enulis melakukan enelitian dengan topik
Beras
dengan
Pengolahan
Citra
dan
Articial Neural
KATA PENGANTAR
fuji dan SYUkUf Uenuiis Uanjaakan keUada oiiah SlT alas rahTat dan
kabunSa-Nya sehingga UenuiSs daUaa TenyeiesaSkan skbiUsi dengan judul "Pendugaan
VarSetas heras dengan fengeiahan Ciaba dan
Artificwl eum! Network
".
SkriUsi Sni
TeruUakan hasil UeneliiSan dan siudS Uusaaka yang dliakukan mnulis Tuiai darS
buian oUbil saTUai dengan ogusius 2hh3.
fada keseTUaaan inS aak iuUa Uenulis ucaUkan banyak aerSTa kasSh keUada
1.
.
kr. If. I layan Astika, mSS selaku desen mTbiTbSng I yang ielah TeTbebikan
biTbmgan dan arahan yang sangat berai daiaT usaha enyeiesaSan skriUsi im.
2.
If. mehaTad Selahudin, mSS seiaku desen UeTbinbmg II atas bSTbSngannya_
3
kr. Jb. Subese, mogr selaku desen Uengu}\ skbSUsl aaas banauan dan Tasukannya.
4
Ir. obdui laries faswSbit mho dan hULOG yang aelah Tenyediakan jasiiSias
seiaTa mneliiian.
5
Ir. ErTan ozSz, mSct haUak RahTan Sugiyanae, dan mas RudS dl halaS
Peneiiaian dan fengeTbangan hULOG, WaTbuns hekasL yang aeiah banyak
TeTbaniu dalaT mlaksanaan mneiSiSan.
6.
haUak Gezali aaas baniuannya seiaTa UenelSaian.
v.
fbegraT UeneiSiian Duehke yang aelah TeTbiayal cneiSiSan.
8
Keiuarga tebcSnia (Ibunda, oyahandas kakak-kakakt dan adSk-adSk) atas dea dan
dukungan yang seiaTa Sm telah dSberSkan dengan Uenuh keSkhiasan.
9
SeTua UShak yang ieiah TcTbanau dan aSdak daUat dLsebuakan saau Uebsaiu.
fenuiSs ebharaU seTega UenciSiLan inS daUaa berpuna dan TeTben Tanfaai
bagS kiaa seTua. Segaia saran dan kriaik yang bebsSlat TeTbangun dabS seTua Uihak
akan Uenulis aeriTa dengan senang haiS deTS Ucr_aikan di Tasa Tendaaang.
hoger,
Oktebeb 20h3
fenuiis
IV
DAFTAR lSI
walaTan
KTTT fjNGTNTTR ...t...... .
IV
kTFTTR TThjL ..... .
kTFT TR GTBTR ....
VII
VIII
.
kTFTTR LTnPIRTN ..
I.
x
fjNkTwULUTN ..
A LTTTR hjLTKTNG..
h TUJUTN ...........
n
_. .
4
ll. T1NJTUTN fUSTTKT .. ..
4
T. hjRTS ........... .
4
l . nut¤ heras ..
5
n. Vafietas heras ..
h. fjNGOLTwTN ClTRT ..
6
C AR71NClAL NUIIIAL NIJW(}RK (TNN) ..
9
k. TfLIKTSl
fjNGOLTwTN
ClTRT
kTN AllnNUAI_
NUI/IAI.
N.TW()IIK kTLTn hIkTNG fjRTTNlTN .......... . . .
1jj. njTOkOLOGl fjNjLlTlTN ..
jn
j5
T. lTKXU kTN TEnfTL
15
B hTHTN kTN TLT..
15
C. njTOkj fjNjLlTlTN
j9
j. feflakuan T§al.
j9
n. fengabian Ci£fa hebas .
nj
3. fengolahan Citfa hibas
u4
4 . fenyusunan nodei dan Tbaining Art/flew! Neural Network (TNN)..
nv
5. Validasi fbogbaT . .
3j
IV. wTSIL kTN fjnhTwTSTN ..
T. fjNGOLTHTN ClTRT .
h. KTRTKTjRlSTIK ClTRT hERTS ..
36
j. Kafaktenstik fanJang hefas t
37
n. Kabaktefzsaik NSsbah f/L hebas tt
39
\