Pengenalan Beras Campuran Menggunakan Transformasi Wavelet dan Probabilistic Neural Network.

PENGENALAN BERAS CAMPURAN MENGGUNAKAN TRANSFORMASI
WAVELET DAN PROBABILISTIC NEURAL NETWORK

INEKE KUSUMAWATI

DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2015

PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa skripsi berjudul Pengenalan Beras
Campuran Menggunakan Transformasi Wavelet dan Probabilistic Neural Network
adalah benar karya saya dengan arahan dari komisi pembimbing dan belum
diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber
informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak
diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam
Daftar Pustaka di bagian akhir tulisan ini.
Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut

Pertanian Bogor.
Bogor, Juli 2015
Ineke Kusumawati
NIM G64124061

ABSTRAK
INEKE KUSUMAWATI. Pengenalan Beras Campuran Menggunakan
Transformasi Wavelet dan Probabilistic Neural Network. Dibimbing oleh AZIZ
KUSTIYO.
Penelitian identifikasi varietas beras menggunakan pengolahan citra digital
menjadi penting karena dapat digunakan sebagai alternatif dalam mengidentifikasi
varietas beras. Pada penelitian ini, identifikasi varietas beras dilakukan dengan
menggunakan ekstraksi ciri transformasi wavelet dan pengklasifikasian
menggunakan metode Probabilistic Neural Network. Identifikasi citra beras
dilakukan dengan 3 percobaan yaitu identifikasi varietas beras tunggal, beras
campuran, dan gabungan dari keduanya. Varietas beras yang digunakan adalah
beras jagung, beras ketan putih, beras pandan wangi, dan beras rojo lele. Akurasi
terbaik sebesar 90% diperoleh pada dekomposisi Wavelet level 6 menggunakan
data citra gabungan dari varietas beras tunggal dan beras campuran.
Kata kunci: beras, pengolahan citra digital, probabilistic neural network,

tranformasi wavelet.

ABSTRACT
INEKE KUSUMAWATI. Identification of Mixed Rice Using Wavelet
Transformation and Probabilistic Neural Network. Supervised by AZIZ
KUSTIYO.
Research identifying rice varieties using digital image processing is
important because it can be used as an alternative in identifying varieties of rice.
In this study, the identification of varieties of rice is done by using wavelet
transform for feature extraction and Probabilistic Neural Network for
classification method. Image identification is done with 3 trials, namely,
identification of single rice varieties, mixed rice, and combination of the two. Rice
varieties used were corn rice, white glutinous rice, fragrant pandan rice, and rojo
lele rice. The best accuracy of 90% is obtained in the wavelet decomposition level
6 that used a combination of image data from single rice varieties and mixed rice.
Keywords: digital image processing, probabilistic neural network, rice
wavelet transformation.

PENGENALAN BERAS CAMPURAN MENGGUNAKAN TRANSFORMASI
WAVELET DAN PROBABILISTIC NEURAL NETWORK

INEKE KUSUMAWATI

Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Komputer
pada
Departemen Ilmu Komputer

DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2015

Penguji :
1
2

Dr. Yeni Herdiyeni, S.Si, M.Kom

Toto Haryanto, S.Kom, M.Si

Judul Skripsi : Pengenalan Beras Campuran Menggunakan Transformasi Wavelet
dan Probabilistic Neural Network
Nama
: Ineke Kusumawati
NIM
: G64124061

Disetujui oleh

Aziz Kustiyo, Ssi, MKom
Pembimbing

Diketahui oleh

Dr Ir Agus Buono, MSi, MKom
Ketua Departemen

Tanggal Lulus:

PRAKATA

Puji dan syukur penulis panjatkan kepada Allah subhanahu wata’ala atas
segala nikmat dan karunia-Nya sehingga skripsi yang berjudul “Pengenalan Beras
Campuran Menggunakan Transformasi Wavelet dan Probabilistic Neural
Network” ini berhasil diselesaikan dengan baik.
Penulis juga menyampaikan terima kasih kepada seluruh pihak yang telah
membantu dalam penelitian ini, yaitu:
1 Ayahanda Drs Akhmad Ekram Bardiman (Alm) dan Ibunda Kusdariyati,
Anik Kusmastuti, SE, Herry Suseno, SE dan Keyko Kusrianawati
Suseno atas doa, kasih sayang serta dukungan yang luar biasa.
2 Bapak Aziz Kustiyo, Ssi, MKom selaku dosen pembimbing yang telah
banyak memberikan ide, nasihat, dan dukungan dalam penyelesaian
skripsi ini.
3 Ibu Dr Yeni Herdiyeni, SSi, MKom dan Bapak Toto Haryanto, SKom,
MSi selaku dosen penguji atas saran dan masukannya.
4 Anda Kurnianto, A.Md atas doa, kasih sayang dan dukungannya.
5 Rekan-rekan satu bimbingan Nicky Astriyanti, Tri Puguh Santoso, dan
Nur Choiriyati atas diskusi, suka dan duka selama bimbingan.

6 Teman-teman Alih Jenis Ilmu Komputer IPB Angkatan 07 atas segala
dukungan semangatnya.
7 Teman-teman Divisi Planning Monitoring and Plantation (PMNP) PT.
SMART, Tbk, Jakarta.
Penulis berharap semoga skripsi ini dapat bermanfaat bagi seluruh pihak.
Bogor, Juli 2015
Ineke Kusumawati

DAFTAR ISI

DAFTAR TABEL

ix

DAFTAR GAMBAR

ix

DAFTAR LAMPIRAN

x

PENDAHULUAN

1

Latar Belakang

1

Tujuan Penelitian

2

Ruang Lingkup Penelitian

2

TINJAUAN PUSTAKA

2

Beras

2

Transformasi Wavelet

4

Wavelet Haar

4

K-Fold Cross Validation

5

Probabilistic Neural Network

6

Confusion Matrix

7

Evaluasi Hasil Klasifikasi

7

METODE PENELITIAN

8

Akuisisi Citra

8

Data Citra Beras

9

Ekstraksi Ciri Wavelet

9

Pembagian Data Latih dan Data Uji

10

Percobaan 1: Menguji Varietas Beras Tunggal

10

Percobaan 2: Menguji Varietas Beras Campuran

11

Percobaan 3: Menguji Varietas Beras Tunggal dan Beras Campuran

11

Klasifikasi Probabilistic Neural Network (PNN)

11

Analisa Hasil Klasifikasi

12

Lingkungan Pengembangan

12

HASIL DAN PEMBAHASAN

12

Hasil Percobaan 1: Menguji Varietas Beras Tunggal

12

Hasil Percobaan 2: Menguji Beras Campuran

14

Hasil Percobaan 3: Menguji Varietas Beras Tunggal dan Beras Campuran
KESIMPULAN DAN SARAN

16
18

Kesimpulan

18

Saran

18

DAFTAR PUSTAKA

19

RIWAYAT HIDUP

30

DAFTAR TABEL
1 Rincian data citra beras untuk penelitian
2 Dimensi citra beras
3 Data citra beras untuk percobaan 1
4 Data citra beras untuk percobaan 2
5 Data citra beras untuk percobaan 3
6 Akurasi hasil klasifikasi PNN dengan varietas beras tunggal
7 Confusion matrix citra dekomposisi level 6 pada klasifikasi PNN
dengan varietas beras tunggal
8 Analisis kesalahan identifikasi pada klasifikasi PNN dengan varietas
beras tunggal
9 Akurasi hasil klasifikasi PNN dengan beras campuran
10 Confusion matrix citra dekomposisi level 5 pada klasifikasi PNN
dengan beras campuran
11 Analisis kesalahan identifikasi pada klasifikasi PNN dengan beras
campuran
12 Akurasi hasil klasifikasi PNN gabungan antara varietas beras tunggal
dan beras campuran
13 Confusion matrix citra dekomposisi level 6 pada klasifikasi PNN
gabungan antara varietas beras tunggal dan beras campuran
14 Analisis kesalahan identifikasi pada klasifikasi gabungan antara
varietas beras tunggal dan beras campuran

9
10
11
11
11
13
13
14
14
15
15
16
16
17

DAFTAR GAMBAR
1 Varietas beras jagung
2 Varietas beras ketan putih
3 Varietas beras pandan wangi
4 Varietas beras rojo lele
5 (a) stationary signal dan (b) non-stationary signal
6 Ilustrasi filter bank
7 Dekomposisi Wavelet (a) Level 1 (b) Level 2
8 Struktur Probabilistic Neural Network
9 Tahapan Identifikasi Varietas Beras
10 Ilustrasi Tahapan Akuisisi Data
11 Citra Dekomposisi Wavelet Level 1, 2, 3, 4, 5 dan 6 untuk varietas
Beras Ketan Putih

2
3
3
3
4
5
5
6
8
9
10

DAFTAR LAMPIRAN
1
2
3
4
5
6
7
8
9
10

Data latih dan data uji varietas beras jagung
Data latih dan data uji varietas beras ketan putih
Data latih dan data uji varietas beras pandan wangi
Data latih dan data uji varietas beras rojo lele
Data latih dan data uji campuran beras jagung dan rojo lele
Data latih dan data uji campuran beras jagung dan ketan putih
Data latih dan data uji campuran beras jagung dan pandan wangi
Data latih dan data uji campuran beras ketan putih dan pandan wangi
Data latih dan data uji campuran beras ketan putih dan rojo lele
Data latih dan data uji campuran beras pandan wangi dan rojo lele

20
21
22
23
24
25
26
27
28
29

PENDAHULUAN
Latar Belakang
Indonesia merupakan negara agraris dengan penghasil tanaman padi.
Tanaman padi dapat dibedakan berdasarkan varietasnya. Berdasarkan THL TBPP
Departemen Pertanian (2011), tanaman padi dibedakan dalam 3 jenis varietas,
yaitu varietas padi hibrida contohnya: Intani 1 dan 2, varietas beras padi unggul
contohnya: IR 42, IR 62, IR 64 atau Sentra Ramos, IR 65, IR 66, IR 70, IR 74 dan
varietas beras padi lokal contohnya: Pandan Wangi Cianjur, Rojo Lele Delanggu,
Ketan Hitam Banyumas, Ketan Putih Yogyakarta.
Pada industri beras yang modern, identifikasi sifat fisik beras sangat
bermanfaat dalam aspek pengendalian mutu dan jaminan mutu. Konsumen
tertentu menginginkan jaminan mutu beras yang dikonsumsinya. Hal ini terkait
dengan adanya peredaran beras oplosan. Di Indonesia “oplos” dikonotasikan
sebagai usaha mencampur dengan maksud untuk mengambil keuntungan tanpa
memperhatikan kualitas. Pengoplosan beras ditinjau dari UU No. 8 Tahun 1999
tentang Perlindungan Konsumen menyebutkan bahwa tindakan pencampuran
suatu barang yang berbeda kualitas, bertentangan atau merupakan suatu perbuatan
yang melanggar undang-undang perlindungan konsumen. Beras putih yang setiap
hari dikonsumsi itu pun ternyata tidak bisa dianggap sebagai bahan pangan yang
alami karena ada kemungkinan dioplos sehingga konsumen tetap harus membayar
dengan harga mahal, yaitu harga beras aslinya. Menurut media online JPNN
(Maret 2015) bahwa di Pasar Induk Beras Cipinang menemukan beras operasi
pasar (OP) Bulog dioplos dengan beras kualitas buruk menjadi beras kualitas baik.
Selain itu, karung beras Bulog diganti dengan karung beras cap Pandan Wangi
dan dikemas rapi dalam karung. Kondisi seperti ini tentu saja selain sangat
merugikan konsumen juga merugikan petani.
Penelitian identifikasi varietas beras menggunakan pengolahan citra digital
menjadi penting karena dapat digunakan sebagai alternatif dalam mengidentifikasi
varietas beras. Selain itu juga, data hasil identifikasinya dapat digunakan sebagai
acuan dalam proses pengendalian dan jaminan mutu produk beras yang akan
dipasarkan, khususnya untuk kemurnian varietas beras.
Penelitian (Prasetyo 2009) tentang klasifikasi citra beras dengan metode
matriks ko-okurensi aras keabuan (GLCM) menggunakan K-Nearest Neighbour
(KNN). Beras Cianjur, Beras Ketan Putih, Beras Merah, Beras Ketan Hitam, dan
Beras Pandan Wangi adalah data beras yang digunakan. Hasilnya adalah tingkat
pengenalan terhadap citra pada Beras Ketan Putih, Beras Merah, dan Beras Ketan
Hitam mencapai 100% dan untuk citra uji dari varietas Beras Cianjur masih
dikenali sebagai Beras Pandan Wangi, begitu juga sebaliknya ada citra Beras
Pandan Wangi yang dikenali sebagai Beras Cianjur. Penelitian (Suminar 2012)
melakukan pengklasifikasian beras berdasarkan ciri fisik berbasis pengolahan
citra digital dengan ekstraksi ciri statistik orde pertama dan orde kedua
menggunakan K-Nearest Neighbour (KNN). Varietas beras yang menjadi bahan
penelitian adalah Beras Pandan Wangi, Beras IR 64, Beras Rojo Lele, Beras IR
42, dan Beras C4. Akurasi tertinggi klasifikasi kualitas beras mencapai 84,167%.

2
Oleh karena itu, dengan melihat pada penelitian sebelumnya yang hanya
meneliti beras tunggal saja, maka pada penelitian ini dilakukan pengenalan beras
campuran dengan menggunakan metode ekstraksi ciri transformasi Wavelet dan
Probabilistic Neural Network. (PNN).
Tujuan Penelitian
Penelitian ini bertujuan untuk mengimplementasikan dan menganalisis
kinerja metode Probabilistic Neural Network (PNN) dalam pengenalan beras
campuran dengan transformasi Wavelet.
Ruang Lingkup Penelitian
Data yang digunakan adalah data primer berupa citra beras dari 4 varietas
yaitu Beras Jagung, Beras Ketan Putih, Beras Pandan Wangi, dan Beras Rojo
Lele.

TINJAUAN PUSTAKA
Beras
Berikut adalah data varietas beras yang digunakan dalam penelitian ini:
1

Beras Jagung
Beras jagung adalah olahan produksi yang berbahan baku murni
dari penggilingan biji jagung dengan ukuran partikel yang lebih kecil
dibandingkan dengan biji jagung utuh. Ukuran partikel beras jagung
hampir menyerupai ukuran partikel beras padi sehingga diberi nama beras
jagung. Beras ini berwarna kekuningan mengkilat dan memiliki bentuk
butiran yang kotak-kotak dan mengkristal (Deptan DJTP 2011).

Gambar 1 Varietas beras jagung
2

Beras Ketan Putih
Beras ketan putih berwarna putih susu karena hampir seluruh
patinya merupakan amilopektin dan memiliki bentuk butiran yang lebih
besar daripada beras putih. Seluruh bagian butir beras ketan mengapur atau
kelam, tetapi kekerasan butirnya sama dengan beras putih. Pemakaian

3
beras ini tidaklah seumum beras putih karena biasanya digunakan pada
saat-saat tertentu saja (Deptan DJTP 2011).

Gambar 2 Varietas beras ketan putih
3

Beras Pandan Wangi
Beras Pandan Wangi adalah varietas padi lokal. Sesuai dengan
namanya, beras pandan wangi mengeluarkan aroma wangi pandan yang
lembut. Beras ini memiliki bentuk tidak panjang, tetapi cenderung bulat
dan juga berwarna sedikit kekuningan dan tidak putih namun bening
(Deptan DJTP 2011).

Gambar 3 Varietas beras pandan wangi
4

Beras Rojo Lele
Beras Rojo Lele memiliki bentuk memanjang dan warnanya putih
cerah. Secara fisik mirip dengan beras IR 64. Beras ini memiliki tekstur
yang pulen dan lembut. Contoh gambar dari varietas Beras Rojo Lele
(Deptan DJTP 2011).

Gambar 4 Varietas beras rojo lele

4
Transformasi Wavelet
Transformasi Wavelet merupakan metode ekstraksi ciri yang dapat
mengatasi kekurangan yang dimiliki oleh transformasi Fourier karena
transformasi Fourier hanya dapat menganalisis sinyal dengan bentuk stationary
signal (Sengur 2009). Pola sinyal tersebut tidak dapat memberikan informasi
waktu dari frekuensi sinyal yang dibentuk, sedangkan transformasi Wavelet dapat
menganalisis sinyal berbentuk non-stationary signal yang mampu mengatasi
periodisitas sinyal sehingga dapat memberikan informasi mengenai frekuensi dan
waktu dari sinyal.
Berdasarkan jenis frekuensinya, sinyal terbagi menjadi sinyal stationary
signal dan non-stationary signal. Frekuensi dalam stationary signal tidak berubah
dan selalu berulang dalam waktu, dan frekuensi dalam non-stationary signal
selalu berubah-ubah dalam waktu.

(a)

(b)
Gambar 5 (a) stationary signal dan (b) non-stationary signal (Polikar, 2003)
Wavelet Haar
Jenis filter bank yang digunakan pada penelitian ini adalah Haar. Filter
Haar Wavelet merupakan orde pertama dari famili Wavelet Daubechies dan
merupakan jenis Wavelet yang paling sederhana serta mudah diimplementasikan
(Lee dan Yamamoto 1994).

5

Gambar 6 Ilustrasi filter bank (Kaur dan Singh, 2011)
Notasi aL menunjukkan low pass filter. Low pass filter diaplikasikan untuk
memperoleh komponen berfrekuensi rendah dari citra. Notasi aH menunjukkan
high pass filter yang bertujuan memperoleh komponen berfrekuensi tinggi dari
citra. Hasil dari low pass filter dan high pass filter berupa setengah nilai dari nilai
frekuensi sebelumnya yang dinotasikan dengan ↓2 (Kaur dan Singh 2011).
Ekstraksi ciri dilakukan untuk menentukan nilai vektor yang digunakan
sebagai penciri dengan dimensi yang lebih kecil. Hasilnya adalah citra tersebut
akan terdekomposisi menjadi 4 subbagian. Tiga subbagian diantaranya merupakan
bagian detail dari citra yaitu horizontal (LH), vertikal (HL), dan diagonal (HH).
Subbagian LL merupakan bagian aproksimasi citra dan digunakan sebagai citra
penciri.
Proses dekomposisi akan diterapkan kembali pada subbagian tersebut
sesuai dengan batas level yang ditentukan. LH1, HL1, dan HH1 merupakan hasil
dekomposisi level 1. LL2 tidak diperlihatkan pada gambar karena langsung
didekomposisi lagi menjadi LL2, LH2, HL2 dan HH2.

LL1

LH1

LL2

HL2

LH2

HH2

HL1

HH1

HL1

LH1

(a)

HH1
(b)

Gambar 7 Dekomposisi Wavelet (a) Level 1 (b) Level 2

K-Fold Cross Validation
Metode k-fold cross validation akan melakukan pembagian data secara
acak menjadi beberapa bagian yang terpisah satu dengan yang lainya, data akan
dibagi menjadi data latih dan data uji. Pembagian data akan dilakukan sebanyak k
nilai (Kohavi 1995). Pada metode ini, sample data dibagi menjadi beberapa
subsample. Saat proses pelatihan, setiap subsample dijadikan data uji dan k-1
subsample lainnya dijadikan data latih. Proses ini berjalan sebanyak k iterasi.

6
Probabilistic Neural Network
Probabilistic Neural Network (PNN) diusulkan oleh Donald Specht pada
tahun 1990 sebagai alternatif dari back-propagation neural network. PNN
merupakan jaringan syaraf tiruan yang menggunakan Radial Basis Function
(RBF). RBF adalah fungsi yang berbentuk seperti bel yang menskalakan variabel
non linear (Wu et al. 2007). Keuntungan utama menggunakan PNN adalah
pelatihannya yang mudah dan cepat. Bobot bukan merupakan hasil pelatihan
melainkan nilai yang menjadi masukan.
Pada tahap ini, Probabilistic Neural Network (PNN) digunakan untuk
pelatihan dan pengujian. PNN terdiri atas empat lapisan yaitu lapisan masukan,
lapisan pola, lapisan penjumlahan, dan lapisan keluaran. Struktur PNN
selengkapnya ditunjukkan pada Gambar 8.
neuron
A1

neuron
A2

f(A)x

x1
Vektor
masukan
(input)
sebanyak P
dimensi

x2
:

neuron
An
:
:

Ambil Yang Maksimum

neuron
B1

xp

neuron
B2

f(B)x

neuron
Bm

Lapisan
masukan
(input)

Lapisan
pola
(pattern)

Lapisan
penjumlahan
(summation)

Lapisan
keluaran
(output)

Gambar 8 Struktur Probabilistic Neural Network (Rahmani, 2004)
1

Lapisan masukan (input layer)
Lapisan masukan merupakan input x yang terdiri atas k nilai yang
akan diklasifikasikan pada salah satu kelas dari n kelas. Berfungsi untuk
menampung data masukan. Input layer ini terhubung secara penuh (fully
connected) ke layer berikutnya.

2

Lapisan pola (pattern layer)
Lapisan pola dilakukan perkalian titik (dot product) antara input x
dan vektor bobot xij, yaitu Zi = x.xij.Zi kemudian dibagi dengan bias
tertentu σ dan selanjutnya dimasukkan ke dalam fungsi radial basis, yaitu
radbas (n) =exp(-n). Lapisan pola berfungsi untuk mengkomputasikan
ukuran jarak antara input dan data pelatihan yang dipresentasikan oleh

7
neuron. Dengan demikian, persamaan yang digunakan pada lapisan pola
adalah:

3

(�) = �� −

Lapisan penjumlahan (summation layer)
Lapisan ini menerima masukan dari node lapisan pola yang terkait
dengan kelas yang ada. Layer ini memiliki satu neuron untuk setiap kelas.
Setiap neuron ini menampung hasil penjumlahan dari setiap kelas pada
pattern layer. Persamaan yang digunakan pada lapisan ini adalah:

� � =
4

(� − � )� (� − � )
2� 2

1
(2�)2 � �

−

1
��

�

=1

�� −

(� − � )� (� − � )
2� 2

Lapisan keluaran (output layer)
Lapisan ini menetukan kelas dari input yang diberikan. Input x
akan masuk ke Y jika nilai pY(x) paling besar dibandingkan kelas lainnya.
Pada output layer akan diambil nilai maksimum dari vektor output
kemudian menghasilkan nilai satu untuk kelas tersebut dan nilai nol untuk
kelas lainnya.
Confusion Matrix

Confusion matrix merupakan sebuah tabel yang terdiri dari banyaknya
baris data uji yang diprediksi benat dan tidak benar oleh model klasifikasi. Tabel
ini diperlukan untuk menentukan kinerja suatu model klasifikasi (Tan et al. 2005).
Evaluasi Hasil Klasifikasi
Tahapan ini merupakan tahapan terakhir dalam mengevaluasi kelebihan
serta kekurangan dari metode yang digunakan. Hal ini terlihat dari hasil
perbandingan antara hasil klasifikasi citra beras yang terklasifikasi dengan benar
dibandingkan dengan total data uji. Proses perhitungan akurasi hasil klasifikasi
menggunakan rumus:
Akurasi =

Nbenar
x 100%
N

dengan:
Σ Nbenar
: total jumlah citra uji yang diklasifikasikan dengan benar.
ΣN
: total jumlah citra uji yang digunakan.
Akurasi tersebut akan dirata-ratakan untuk setiap fold ke i (i = 1, 2, …, 5).

8

METODE PENELITIAN
Penelitian ini dilakukan dengan beberapa tahapan yakni akusisi citra,
praproses yang meliputi pengubahan mode warna dari RGB menjadi grayscale,
ekstraksi ciri tekstur pada citra beras, klasifikasi data dengan PNN, dan analisis
hasil klasifikasi. Secara umum tahapan identifikasi varietas beras dapat dilihat
pada Gambar 9.
Mulai

Akuisisi Citra

Data Citra Beras

Konversi Citra RGB ke Grayscale
Ekstraksi Ciri Wavelet
Data
Latih
hh

Data
Uji

Klasifikasi PNN

Analisis Hasil Klasifikasi

Selesai

Akuisisi Identifikasi
Citra
Gambar 9 Tahapan
Varietas Beras
Akuisisi setiap citra beras menggunakan kamera pada telepon seluler
dengan resolusi 640 x 480 pixel dan format JPEG. Langkah-langkah akuisisi
untuk setiap varietas beras adalah sebagai berikut: setiap varietas beras diambil
sebanyak 200 gram (3 genggam), kemudian diletakkan di dalam kotak dengan
ukuran 12 x 8 cm. Posisi kamera tegak lurus dengan objek dan ketinggian + 10
cm. Pengaturan cahaya menggunakan sinar matahari pada siang hari di ruang
terbuka, dan selanjutnya dilakukan proses pengambilan citra beras. Sedangkan
untuk akuisisi pada campuran 2 varietas beras digunakan perbandingan 1 : 1 pada
setiap varietasnya, sebagai contoh 100 gram Beras Jagung dicampur dengan 100
gram Beras Rojo Lele sehingga menghasilkan kombinasi Beras Jagung dan Beras
Rojo Lele di dalam satu kotak. Ilustrasi akuisisi data ini dapat dilihat pada
Gambar 10.

9

10 cm

Gambar 10 Ilustrasi Tahapan Akuisisi Data
Data Citra Beras
Data yang digunakan dalam penelitian ini berupa citra beras sebanyak 100
citra dengan jumlah kelas ada 10. Adapun rincian dari 100 data citra beras
tersebut disajikan pada Tabel 1.
Tabel 1 Rincian data citra beras untuk penelitian
Kelas
B1
B2
B3
B4
B5
B6
B7
B8
B9
B10

Nama Beras
Beras Jagung
Beras Ketan Putih
Beras Pandan Wangi
Beras Rojo Lele
Beras Jagung+Rojo Lele
Beras Jagung+Ketan Putih
Beras Jagung+Pandan Wangi
Beras Ketan Putih+Pandan Wangi
Beras Ketan Putih+Rojo Lele
Beras Pandan Wangi+Rojo Lele

Ekstraksi Ciri Wavelet
Untuk citra yang akan diekstraksi menggunakan Wavelet Haar, mode
warna citra diubah dahulu menjadi grayscale. Grayscale digunakan untuk
menyederhanakan model gambar. Pada awalnya gambar terdiri dari 3 layer
matriks yaitu R-layer, G-layer dan B-layer. Fungsi dari format warna gray ini
adalah untuk memudahkan proses selanjutnya karena apabila format gambar RGB
digunakan maka nilai yang dihasilkan akan bervariasi. Selain itu, mode warna
grayscale yang terdiri atas 1 layer bertujuan untuk menyederhanakan citra
masukan sehingga akan mengurangi waktu pemrosesan.
Proses ekstraksi ciri ini bertujuan untuk mereduksi dimensi citra beras
sebelum menjadi masukan dalam Probabilistic Neural Network (PNN). Pada
penelitian ini, digunakan Wavelet Haar karena sederhana dan relatif lebih mudah.
Secara detail dimensi citra hasil dekomposisi Wavelet dapat dilihat pada Tabel 2
dan citra hasil dekomposisi Wavelet dapat dilihat pada Gambar 11.

10
Tabel 2 Dimensi citra beras
Level Dekomposisi
Citra Asli
Wavelet Level 1
Wavelet Level 2
Wavelet Level 3
Wavelet Level 4
Wavelet Level 5
Wavelet Level 6

Dimensi Citra (pixel)
640 x 480
320 x 240
160 x 120
80 x 60
40 x 30
20 x 15
10 x 8

Wavelet Level 1

Wavelet Level 2

Wavelet Level 3

Wavelet Level 4

Wavelet Level 5

Wavelet Level 6

Gambar 11 Citra Dekomposisi Wavelet Level 1, 2, 3, 4, 5 dan 6 untuk varietas Beras
Ketan Putih

Pembagian Data Latih dan Data Uji
Proses identifikasi varietas beras dimulai dengan membagi data menjadi
data latih dan data uji. Adapun citra data latih dan data uji disajikan pada
Lampiran 1 sampai dengan Lampiran 10. Pembagian data latih dan data uji
dilakukan dengan menggunakan metode k-fold cross validation. Data kemudian
dibagi menjadi 80% data sebagai data latih dan 20% data sebagai data uji.
Pembagian data dilakukan dengan metode 5-fold cross validation.
Dalam proses pengujiannya dilakukan 3 tahap percobaan yang berbeda yaitu
percobaan pengenalan varietas beras tunggal, pengenalan beras campuran, serta
gabungan dari kedua percobaan.
Percobaan 1: Menguji Varietas Beras Tunggal
Pada percobaan 1, dilakukan pengujian varietas beras tunggal dengan
jumlah kelas ada 4, masing-masing kelas terdiri atas 10 citra beras sehingga
jumlah data ada 40 citra beras. Dalam hal ini pembagian data latih sebanyak 32
citra beras dan data uji sebanyak 8 citra beras. Adapun data yang digunakan untuk
percobaan 1 disajikan pada Tabel 3.

11
Tabel 3 Data citra beras untuk percobaan 1
Kelas
B1
B2
B3
B4

Varietas Beras
Beras Jagung
Beras Ketan Putih
Beras Pandan Wangi
Beras Rojo Lele

Percobaan 2: Menguji Varietas Beras Campuran
Pada percobaan 2, dilakukan pengujian varietas beras campuran dengan
jumlah kelas ada 6, masing-masing kelas terdiri atas 10 citra beras campuran
sehingga jumlah data ada 60 citra beras campuran. Dalam hal ini pembagian data
latih sebanyak 48 citra beras campuran dan data uji sebanyak 12 citra beras
campuran. Adapun data yang digunakan untuk percobaan 2 disajikan pada Tabel
4.
Tabel 4 Data citra beras untuk percobaan 2
Kelas
B5
B6
B7
B8
B9
B 10

Varietas Beras
Beras Jagung+Rojo Lele
Beras Jagung+Ketan Putih
Beras Jagung+Pandan Wangi
Beras Ketan Putih+Pandan Wangi
Beras Ketan Putih+Rojo Lele
Beras Pandan Wangi+Rojo Lele

Percobaan 3: Menguji Varietas Beras Tunggal dan Beras Campuran
Pada percobaan 3, dilakukan pengujian dengan menggabungkan citra beras
pada percobaan 1 yaitu varietas beras tunggal dan percobaan 2 yaitu varietas beras
campuran dalam satu kelas sehingga jumlah kelas ada 10, dimana masing-masing
kelas tersebut terdiri atas 10 citra beras. Dalam hal ini pembagian data latih
sebanyak 80 citra beras dan data uji sebanyak 20 citra beras. Adapun data yang
digunakan untuk percobaan 3 disajikan pada Tabel 5.
Tabel 5 Data citra beras untuk percobaan 3
Kelas
B1
B2
B3
B4
B5
B6
B7
B8
B9
B 10

Varietas Beras
Beras Jagung
Beras Ketan Putih
Beras Pandan Wangi
Beras Rojo Lele
Beras Jagung+Rojo Lele
Beras Jagung+Ketan Putih
Beras Jagung+Pandan Wangi
Beras Ketan Putih+Pandan Wangi
Beras Ketan Putih+Rojo Lele
Beras Pandan Wangi+Rojo Lele

Klasifikasi Probabilistic Neural Network (PNN)
Citra yang digunakan pada proses identifikasi beras ini adalah citra yang
melalui proses dekomposisi pada masing-masing level menggunakan transformasi

12
wavelet. Layer masukan merupakan matriks berukuran 640 x 480 yang berasal
dari citra beras. Pada lapisan pola, dihitung “jarak” vektor pelatihan ke vektor
pengujian dan menghasilkan vektor yang mengindikasikan seberapa dekat input
ke vektor pelatihan. Pada layer penjumlahan, setiap keluaran dari layer pola akan
dijumlahkan dengan keluaran dari layer pola lainnya yang berada dalam satu kelas
untuk menghasilkan probabilitas vektor keluaran (output). Pada lapisan keluaran,
nilai maksimum dari vektor keluaran (output) akan diambil.
Analisa Hasil Klasifikasi
Analisa hasil klasifikasi ini bertujuan untuk menghitung nilai akurasi dari
setiap percobaan yang dilakukan, yaitu percobaan 1 untuk menguji varietas beras
tunggal, percobaan 2 untuk menguji varietas beras campuran, serta percobaan 3
untuk menguji varietas beras tunggal dan campuran dengan menggunakan
klasifikasi Probabilistic Neural Network (PNN). Selain itu juga, untuk melakukan
analisis kesalahan dari hasil klasifikasi pada setiap percobaan digunakan metode
confusion matrix.
Lingkungan Pengembangan
Penelitian ini diimplementasikan menggunakan spesifikasi perangkat keras dan
lunak sebagai berikut:
1 Perangkat Keras
Spesifikasi perangkat keras yang digunakan adalah:
 Laptop Sony Vaio Intel® Core™ i3-3217U CPU 1.80 GHz.
 Memori 2 GB.
 Harddisk 465.64 GB.
 Mouse.
 Kamera Samsung Galaxy Mega 5.8 inch dengan VGA ukuran 640 x
480 pixel.
2 Perangkat Lunak
 Sistem operasi Windows 8 Pro 64 bit.
 Matlab 7.7.0 (R2008b).

HASIL DAN PEMBAHASAN
Setelah melakukan ekstraksi ciri dengan transformasi Wavelet. Tahapan
selanjutnya adalah melakukan klasifikasi menggunakan classifier Probabilistic
Neural Network (PNN) yang dilakukan pada setiap fold percobaan.
Hasil Percobaan 1: Menguji Varietas Beras Tunggal
Pada percobaan 1, data diproses menggunakan transformasi Wavelet Haar
dengan menguji varietas beras tunggal, jumlah kelas ada 4 dan masing-masing
kelas terdiri atas 10 citra beras sehingga jumlah data ada 40 citra beras. Setiap
naik satu level dekomposisi, dimensi fitur berkurang yaitu dari Wavelet level 1
sebesar 76.800 menjadi 20 dimensi fitur pada Wavelet level 7.

13
Berdasarkan Tabel 6, untuk perhitungan rata-rata nilai akurasi dapat
digambarkan bahwa semakin tinggi level Wavelet yang digunakan, maka semakin
naik nilai rata-rata akurasinya Meningkatnya level dekomposisi ini menyebabkan
adanya peningkatan akurasi dimana hasil akurasi rata-rata terbaik yang diperoleh
adalah sebesar 85.00% pada transformasi Wavelet level 6. Namun demikian,
akurasi rata-rata pada dekomposisi Wavelet level 7 menurun sebanyak 7.50%
sehingga akurasi rata-ratanya menjadi 77.50%. Hal ini kemungkinan disebabkan
oleh makin berkurangnya dimensi fitur menjadi 20.
Tabel 6 Akurasi hasil klasifikasi PNN dengan varietas beras tunggal
Wavelet Level
1
2
3
4
5
6
7

Dimensi Citra
320 x 240
160 x 120
80 x 60
40 x 30
20 x 15
10 x 8
5x4

Rata-Rata Akurasi (%)
25.00
52.50
52.50
60.00
80.00
85.00
77.50

Berdasarkan Tabel 7, classifier PNN mampu mengklasifikasikan 34 citra
beras yang sesuai dan 6 citra beras yang tidak sesuai. Varietas beras Jagung dan
beras Ketan Putih adalah varietas beras yang paling banyak tidak terklasifikasi
dengan benar. Data citra beras yang digunakan ini juga dipengaruhi oleh kondisi
tata cahaya yang ada saat proses pengambilan gambar. Pencahayaan sangat
penting dalam hal pengenalan varietas beras tunggal. Semakin terang intensitas
cahayanya maka tingkat pengenalan varietas beras akan semakin baik, dan
sebaliknya bila intensitas cahaya kurang maka tingkat pengenalan varietas beras
akan semakin kecil. Hal ini dapat dilihat dari hasil klasifikasi dengan PNN dimana
untuk citra beras Pandan Wangi dan beras Rojo Lele memiliki kualitas intensitas
cahaya yang terang sehingga tingkat pengenalan varietas beras tersebut dapat
dikenali semua. Sedangkan untuk varietas beras Jagung dan beras Ketan Putih
memiliki kualitas intensitas cahaya yang agak gelap sehingga saat proses
identifikasi pada masing-masing varietas tersebut masih mengalami beberapa
kesalahan klasifikasi.
Tabel 7 Confusion matrix citra dekomposisi level 6 pada klasifikasi PNN dengan
varietas beras tunggal
Kelas

Keterangan

B1
B2
B3
B4

Beras Jagung
Beras Ketan Putih
Beras Pandan Wangi
Beras Rojo Lele

Beras
Jagung
6
0
0
0

Beras
Ketan Putih
0
8
0
0

Beras
Pandan Wangi
4
2
10
0

Beras
Rojo Lele
0
0
0
10

14
Tabel 8 Analisis kesalahan identifikasi pada klasifikasi PNN dengan
varietas beras tunggal
Varietas
Beras
Beras
Jagung

Beras
Ketan
Putih

Hasil
Klasifikasi

Gambar Kesalahan Hasil Klasifikasi
1

2

1

2

3

Beras
Pandan
Wangi

Beras
Pandan
Wangi

Hasil Percobaan 2: Menguji Beras Campuran
Berdasarkan Tabel 9, untuk perhitungan rata-rata nilai akurasi dapat
digambarkan bahwa semakin tinggi level Wavelet yang digunakan, maka semakin
naik nilai rata-rata akurasinya Meningkatnya level dekomposisi ini menyebabkan
adanya peningkatan akurasi dimana hasil akurasi rata-rata terbaik yang diperoleh
adalah sebesar 88.33% pada transformasi Wavelet level 5. Namun demikian,
akurasi rata-rata pada dekomposisi Wavelet level 6 menurun sebanyak 3.00%
sehingga akurasi rata-ratanya menjadi 85.00%.
Nilai rata-rata akurasi yang diperoleh pada percobaan 2 ini lebih baik
daripada nilai rata-rata akurasi pada percobaan 1. Hal ini menunjukkan bahwa
hasil klasifikasi PNN dengan campuran dua beras lebih mudah diidentifikasi dan
dibedakan jika dibandingan dengan varietas beras tunggal.
Tabel 9 Akurasi hasil klasifikasi PNN dengan beras campuran
Wavelet Level
1
2
3
4
5
6
7

Dimensi Citra
320 x 240
160 x 120
80 x 60
40 x 30
20 x 15
10 x 8
5x4

Rata-Rata Akurasi
48,33
48.33
61.67
81.67
88.33
85.00
85.00

Berdasarkan Tabel 10, classifier PNN mampu mengklasifikasikan 51 citra
beras yang sesuai dan 9 citra beras yang tidak sesuai. Varietas beras yang
mengalami kesalahan klasifikasi adalah campuran beras Jagung dan Rojo Lele,
campuran beras Jagung dan Ketan Putih, campuran beras Ketan Putih dan Pandan
Wangi, serta campuran beras Pandan Wangi dan Rojo Lele.
Campuran beras Jagung dan Pandan Wangi, campuran beras Ketan Putih
dan Rojo Lele memiliki kualitas intensitas cahaya yang baik, sehingga hasil
klasifikasi untuk pengenalan beras campuran ini dapat diidentifikasi semua

4

15
dengan benar. Kemudian, untuk campuran beras beras Jagung dan Rojo Lele,
campuran beras Jagung dan Ketan Putih, campuran beras Ketan Putih dan Pandan
Wangi, serta campuran beras Pandan Wangi dan Rojo Lele memiliki kualitas
intensitas cahaya yang agak gelap di sisi kiri dan kanan citra, hanya bagian tengah
citra yang terlihat terang sehingga proses identifikasi untuk pengenalan beras
campuran pada masing-masing kelas tersebut tidak dapat dikenali semua dengan
benar.
Tabel 10 Confusion matrix citra dekomposisi level 5 pada klasifikasi PNN dengan
beras campuran
Kelas
B5
B6
B7
B8
B9
B 10

Keterangan
Beras Jagung+Rojo Lele
Beras Jagung+Ketan Putih
Beras Jagung+Pandan Wangi
Beras Ketan Putih+Pandan Wangi
Beras Ketan Putih+Rojo Lele
Beras Pandan Wangi+Rojo Lele

B5
8
2
0
2
0
0

B6
0
8
0
0
0
0

B7
2
0
10
0
0
0

B8
0
0
0
6
0
0

B9
0
0
0
0
10
1

Tabel 11 Analisis kesalahan identifikasi pada klasifikasi PNN dengan
beras campuran
Varietas Beras

Beras
Jagung+Rojo
Lele

Beras
Jagung+Ketan
Putih

Hasil
Klasifikasi

Gambar Kesalahan Hasil Klasifikasi
1

2

1

2

Beras
Jagung+Pandan
Wangi

Beras
Jagung+Rojo
Lele
1

Beras Ketan
Putih+Pandan
Wangi

Beras
Jagung+Rojo
Lele
1

Beras Ketan
Putih+Pandan
Wangi

Beras Pandan
Wangi+Rojo
Lele
1

Beras Ketan
Putih+Pandan
Wangi

Beras
Jagung+Rojo
Lele

2

3

B 10
0
0
0
2
0
9

16
Hasil Percobaan 3: Menguji Varietas Beras Tunggal dan Beras Campuran
Berdasarkan Tabel 12, semakin tinggi level Wavelet yang digunakan maka
semakin tinggi nilai rata-rata akurasinya. Meningkatnya level dekomposisi ini
menyebabkan adanya peningkatan akurasi dimana hasil akurasi rata-rata terbaik
yang diperoleh adalah sebesar 90.00% pada transformasi Wavelet level 6. Namun
demikian, akurasi rata-rata pada dekomposisi Wavelet Level 7 menurun sebanyak
9.00% sehingga akurasi rata-ratanya menjadi 81.00%. Hal ini kemungkinan
disebabkan oleh makin berkurangnya dimensi fitur menjadi 20 sehingga nilai
akurasi rata-rata menjadi ikut turun juga.
Tabel 12 Akurasi hasil klasifikasi PNN gabungan antara varietas beras tunggal
dan beras campuran
Wavelet Level
1
2
3
4
5
6
7

Dimensi Citra
320 x 240
160 x 120
80 x 60
40 x 30
20 x 15
10 x 8
5x4

Rata-Rata Akurasi (%)
10
12
53
69
83
90
81

Berdasarkan Tabel 13, classifier PNN mampu mengklasifikasikan 90 citra
beras yang sesuai dan 10 citra beras yang tidak sesuai. Varietas beras yang paling
banyak mengalami kesalahan klasifikasi adalah varietas Beras Jagung dan Beras
Ketan Putih. Sedangkan untuk varietas beras yang seluruhnya terklasifikasi
dengan benar adalah varietas Beras Rojo Lele, campuran Beras Jagung dan
Pandan Wangi, campuran Beras Ketan Putih dan Pandan Wangi, serta campuran
Beras Ketan Putih dan Rojo Lele.
Tabel 13 Confusion matrix citra dekomposisi level 6 pada klasifikasi PNN
gabungan antara varietas beras tunggal dan beras campuran
Kelas
B1
B2
B3
B4
B5
B6
B7
B8
B9
B 10

Keterangan
Beras Jagung
Beras Ketan Putih
Beras Pandan Wangi
Beras Rojo Lele
Beras Jagung+Rojo Lele
Beras Jagung+Ketan Putih
Beras Jagung+Pandan Wangi
Beras Ketan Putih+Pandan Wangi
Beras Ketan Putih+Rojo Lele
Beras Pandan Wangi+Rojo Lele

B1
6
0
1
0
0
0
0
0
0
0

B2
0
8
0
0
0
0
0
0
0
0

B3
3
2
9
0
0
0
0
0
0
0

B4
0
0
0
10
0
0
0
0
0
0

B5
0
0
0
0
9
1
0
0
0
0

B6
1
0
0
0
0
9
0
0
0
0

B7
0
0
0
0
1
0
10
0
0
0

B8
0
0
0
0
0
0
0
10
0
0

B9
0
0
0
0
0
0
0
0
10
1

B 10
0
0
0
0
0
0
0
0
0
9

17
Tabel 14 Analisis kesalahan identifikasi pada klasifikasi
gabungan antara varietas beras tunggal dan beras campuran
Varietas
Beras

Hasil
Klasifikasi

Gambar Kesalahan Hasil Klasifikasi
1

Beras Jagung

2

Beras Pandan
Wangi

1
Beras Jagung

Beras
Jagung+Ketan
Putih
1

Beras Ketan
Putih

Beras Pandan
Wangi

1
Beras Pandan
Wangi

Beras Jagung

1
Beras
Jagung+Rojo
Lele

Beras
Jagung+Pandan
Wangi
1

Beras
Jagung+Ketan
Putih

Beras
Jagung+Rojo
Lele
1

Beras Pandan
Wangi+Rojo
Lele

Beras Ketan
Putih+Rojo
Lele

2

3

18

KESIMPULAN DAN SARAN
Kesimpulan
Pada percobaan ini dilakukan pengenalan beberapa varietas beras, yaitu beras
Jagung, beras Ketan Putih, beras Pandan Wangi, dan beras Rojo Lele. Penelitian
dilakukan baik terhadap varietas beras tunggal dan beras campuran. Nilai akurasi
yang diperoleh dengan menggunakan klasifikasi Probabilistic Neural Network
(PNN) untuk varietas beras tunggal adalah 85% pada transformasi Wavelet level
6, beras campuran adalah 88.33% pada transformasi Wavelet level 5, dan
gabungan antara varietas beras tunggal dan campuran adalah 90% pada
transformasi Wavelet level 6.
Saran
Beberapa hal yang perlu dikembangkan lebih lanjut dari penelitian ini antara lain :
1 Varietas beras yang digunakan untuk bahan penelitian lebih bervariasi
dengan jumlah data yang lebih banyak lagi
2 Mencoba untuk menguji varietas campuran beras dengan perbandingan
yang berbeda untuk setiap percobaannya, misalnya dengan perbandingan
10 : 1, 10 : 2, 10 : 3, dan seterusnya sehingga diperoleh hasil yang
bervariasi.

19

DAFTAR PUSTAKA
[Deptan] Kementrian Pertanian, Direktorat Jenderal Tanaman Pangan. 2011.
Jenis-jenis Beras di Indonesia. Jakarta (ID): Deptan.
[JPNN]. Beras OP di Lumbung Spekulan, di Pasaran Jadi Oplosan [Internet].
[Edisi Minggu, 8 Maret 2015] [diunduh Senin, 9 Maret 2015].
Kaur G, Singh B. 2011. Intensity based image segmentation using wavelet
analysis and clustering techniques. IJCSE. 2(3): 379-384.
Kohavi R. 1995. A study sof cross-validation and bootsrap for accurancy
estimation and model selection. Computer Science Department Stanford
University: 1137-1143.
Lee DTL, Yamamoto A. 1994. Wavelet analysis: theory and applications.
Hewlett-Packard Journal: 44-52.
Prasetyo E. 2009. Identifikasi Varietas Berdasarkan Warna dan Tekstur
Permukaan Beras Menggunakan Pengolahan Citra Digital dan Jaringan
Syaraf Tiruan [Skripsi]. Semarang (ID): Jurusan Teknik Elektro Fakultas
Teknik. Universitas Diponegoro.
Polikar R. 2003. The wavelet tutorial: Science Magazine’s NetWatch Department,
Science. 300, 873.
Rahmani. 2004. Probabilistic Neural Network [Internet]. [diunduh Minggu, 15
Maret 2015].
[RI] 1999. Undang-Undang Republik Indonesia Nomor 8 Tahun 1999 Tentang
Perlindungan Konsumen. Jakarta (ID): Badan Pengawas Obat dan
Makanan.
Sengur A. 2008. Color texture classification using wavelet transform and neural
network ensembles. AJSE. 34(2B): 491-502.
Suminar R. 2012. Klasifikasi Kualitas Beras Berdasarkan Ciri Fisik Berbasis
Pengolahan Citra Digital [Skripsi]. Bandung (ID): Jurusan Teknik Elektro
dan Komunikasi. Institut Teknologi Telkom.
Talukder HK, Harada K. 2007. Haar wavelet based approach for image
compression and quality assessnment of compressed image. Di dalam:
Proceedings of the World Congress on Engineering 2007; 2007 Jul 2-4;
London, Inggris. London (UK): WCE.
Tan PN, Steinbach M, Kumar V. 2006. Introduction to Data Mining. Boston:
Pearson Addison-Wesley.
Wu SG, Bao FS, Xu EY, Wang Y, Chang Y, Xiang Q. 2007. A leaf recognition
algorithm for plant using probabilistic neural network. Di dalam: IEEE
International Symposium on Signal Processing and Information
Technology, 2007; 2007 Des15-18; Giza, Mesir. (EG).

20
Lampiran 1 Data latih dan data uji varietas beras jagung
1

2

3

4

5

6

7

8

9

10

21
Lampiran 2 Data latih dan data uji varietas beras ketan putih
1

2

3

4

5

6

7

8

9

10

22
Lampiran 3 Data latih dan data uji varietas beras pandan wangi
1

2

3

4

5

6

7

8

9

10

23
Lampiran 4 Data latih dan data uji varietas beras rojo lele
1

2

3

4

5

6

7

8

9

10

24
Lampiran 5 Data latih dan data uji campuran beras jagung dan beras rojo lele
1

2

3

4

5

6

7

8

9

10

25
Lampiran 6 Data latih dan data uji campuran beras jagung dan beras ketan putih
1

2

3

4

5

6

7

8

9

10

26
Lampiran 7 Data latih dan data uji campuran beras jagung dan beras pandan wangi

1

2

3

4

5

6

7

8

9

10

27
Lampiran 8 Data latih dan data uji campuran beras ketan putih dan pandan wangi

1

2

3

4

5

6

7

8

9

10

28
Lampiran 9 Data latih dan data uji campuran beras ketan putih dan rojo lele
1

2

3

4

5

6

7

8

9

10

29
Lampiran 10 Data latih dan data uji campuran beras pandan wangi dan rojo lele
1

2

3

4

5

6

7

8

9

10

30

RIWAYAT HIDUP
Penulis dilahirkan di Mataram, Nusa Tenggara Barat pada tanggal 27
November 1988 dari (Alm) Bapak Drs Akhmat Ekram Bardiman dan Ibu
Kusdariyati. Penulis merupakan putri bungsu dari 2 bersaudara. Penulis
menyelesaikan pendidikan Diploma 3 di Universitas Gadjah Mada Jurusan Sistem
Informasi Geografi dan Penginderaan Jauh (SIG dan PJ) dan menyelesaikannya
pada tahun 2010. Kemudian pada tahun 2012, penulis terdaftar sebagai mahasiswa
Departemen Ilmu Komputer Fakultas Matematika dan Ilmu Pengetahuan Institut
Pertanian Bogor dan saat ini bekerja sebagai GIS Staff di PT. SMART, Tbk
Jakarta.