JIRE (Jurnal Informatika & Rekayasa Elektronik.
http://e-journal.
id/index.
php/jire ISSN.
2620-6900 (Onlin.
2620-6897 (Ceta.
Volume 3.
No 1.
April 2020 JIRE (Jurnal Informatika & Rekayasa Elektronik.
http://e-journal.
id/index.
php/jire Volume 3.
No 1.
April 2020
DEWAN REDAKSI
Jurnal Manager Wire Bagye.
Kom.
,M.
Kom (STMIK Lombok.
SINTA ID : 5992.
Reviewer :
Resad Setyadi.
,S.
,S.
Si.
,MMSI.
,Ph,D .
- Institut Teknologi Telkom Purwokerto
SCOPUS ID : 57204172534 SINTA ID : 6113570
Yesaya Tommy Paulus.
Kom.
MT.
Ph.
- STMIK Dipanegara Makassar
SCOPUS ID : 57202829909 SINTA ID : 6002004
Dr.
Cucut Susanto.
Kom.
MSi.
- STMIK Dipanegara Makassar
SINTA ID : 6138863
Muhamad Malik Mutoffar.
ST.
MM.
CNSS- Sekolah Tinggi Teknologi Bandung
SINTA ID : 6013819
David.
Cs.
,M.
Kom - STMIK Pontianak
SCOPUS ID : 57200208543 SINTA ID : 5977352
Indo Intan.
STMIK - Dipanegara Makassar
SCOPUS ID : 57200209088 SINTA ID : 6127241
I Wayan Agus Arimbawa.
ST.
,M.
Eng.
- Universitas Mataram
SINTA ID : 5973017
Muhammad FauziZulkarnaen.
ST.
,M.
Eng.
- STMIK Lombok
SINTA ID : 6663733
Yunanri.
Kom - UniversitasTeknologi Sumbawa (U.
SINTA ID : 6723103
Sitti Aisa.
Kom.
,M.
T - STMIK Dipanegara Makassar
SINTA ID : 6153893
Sanjaya Pinem.
Kom.
Sc .
- Universitas Efarina
SINTA ID : 6689679
Zamah Sari.
- Universitas Muhammadiyah Prof Dr Hamka
SINTA ID : 6145745
Fredy Windana.
Kom.
MT - Sekolah Tinggi Teknologi Stikma Internasional SINTA ID : 5974460 Hijrah Saputra.
ST.
Sc.
- STMIK Lombok
SINTA ID : 6667974
Hairul Fahmi.
Kom.
- STMIK Lombok
SINTA ID : 5983160
Sofiansyah Fadli.
Kom.
,M.
Kom.
- STMIK Lombok
SINTA ID : 6073057
Editor :
Wire Bagye.
Kom.
,M.
Kom- STMIK Lombok.
SINTA ID : 5992010 Saikin.
Kom.
,M.
Kom.
- STMIK Lombok Halena Muna Bekata.
Pd.
- Universitas Tribuana Kalabahi.
SINTA ID : 6168815 Desain Grafis& Web Maintenance Jihadul Akbar,S.
Kom.
- STMIK Lombok Secretariat Ahmad Susan Pardiansyah.
Kom - STMIK Lombok ISSN.
2620-6900 (Onlin.
2620-6897 (Ceta.
JIRE (Jurnal Informatika & Rekayasa Elektronik.
http://e-journal.
id/index.
php/jire Volume 3.
No 1.
April 2020
DAFTAR ISI
KLASIFIKASI ARITMIA DENGAN HEART RATE VARIABILITY ANALISIS
MENGGUNAKAN METODE BACKPROPAGATION
IMPLEMENTASI METODE MRP (MATERIAL REQUIREMENT PLANNING)
UNTUK MENCAPAI TARGET PRODUKSI PAKAIAN BERBASIS WEB (STUDI
KASUS: UD.
DARMAWAN DESA SELAGEK)
DETEKSI KUALITAS BERAS MENGGUNAKAN SEGMENTASI CITRA
BERDASARKAN PECAHAN BULIR DAN SEBARAN WARNA
PERMODELAN VISUAL TINGKAT KETAKUTAN PADA SIMULASI EVAKUASI
KEBAKARAN 3D MENGGUNAKAN SELF ASSASSEMENT MANIKIN
SISTEM KEAMANAN PEMANTAUAN CCTV ONLINE BERBASIS ANDROID
PADA RUMAH CANTIK SYIFA MASBAGIK
Wayan Rimba Bazudewa1.
I Putu Satwika2.
I Gede Putu Krisna Juliharta3 Mohammad Taufan Asri Zaen1.
Siti Fatmah2.
Khairul Imtihan3 Eko Supriyadi1.
Achmad Basuki2 .
Riyanto Sigit3 Iqbal Sabilirrasyad1.
Achmad Basuki2.
Tri Harsono3 Ahmad Tantoni1.
Mohammad Taufan Asri Zaen2
KOMPARASI ALGORITMA MACHINE LEARNING DAN DEEP LEARNING
UNTUK NAMED ENTITY RECOGNITION : STUDI KASUS DATA
KEBENCANAAN
SISTEM PENDUKUNG KEPUTUSAN PENENTUAN RESIKO KEMUNGKINAN
TERJADI REAKSI DARAH
MONITORING PENGATUR KECEPATAN KIPAS ANGIN MENGGUNAKAN
SISTEM FUZZY BERBASIS WEB DI SMP BAKTI KELUARGA LUBUKLINGGAU
Nuli Giarsyani1.
Ahmad Fathan Hidayatullah2.
Ridho Rahmadi 3 Abd.
Halim1.
Sri Kusumadewi2.
Linda Rosita3 Novi Lestari2.
Nelly Khairani Daulay1.
Armanto3
IMPLEMENTASI JARINGAN INTER-VLAN ROUTING BERBASIS MIKROTIK
RB260GS DAN MIKROTIK RB1100AHX4
Ahmad Tantoni1.
Khairul Imtihan2.
Wire Bagye3
PERANCANGAN APLIKASI CETAK DOKUMEN ONLINE BERBASIS ANDROID
DI BINER JOMBANG
Fauzan Adhim1.
Ali Murtadho2.
Chandra Sukma A3 ISSN.
2620-6900 (Onlin.
2620-6897 (Ceta.
JIRE (Jurnal Informatika & Rekayasa Elektronik.
http://e-journal.
id/index.
php/jire Volume 3.
No 1.
April 2020
DETEKSI KUALITAS BERAS MENGGUNAKAN SEGMENTASI CITRA
BERDASARKAN PECAHAN BULIR DAN SEBARAN WARNA
Eko Supriyadi1.
Achmad Basuki2 .
Riyanto Sigit3 1,2,3Pasca Sarjana Teknik Informatika dan Komputer.
Politeknik Elektronika Negeri Surabaya E-mail: 1ekalaya@pasca.
id, 2basuki@pens.
id, 3riyanto@pens.
Abstract Indonesian people daily consume rice as a staple food, because in it there is rice containing complex food ingredients, as well as providing various essential nutrients for the body.
There are still many people who don't know which ones have good quality.
If rice is clean, uncollected, and has a higher price, many assume directly if it is assumed to be of good quality, even though it is not certain that the requested rice has good For this reason, we conduct research on the quality of rice that is needed to help the community be able to determine good and bad quality.
This study discusses the low-cost rice image approval system for obtaining rice quality.
Many factors affect rice quality such as grain fragments, non-uniform color, odor and other factors.
This study uses the percentage of broken rice grains and uniformity color to determine the quality of rice.
We recommend texture features with Otsu segmentation to determine the number of broken grains and color distribution to determine uniform color.
Classification results using K Fold validation with k = 10 in the original data show the results of K-Nearest Neighbor have an accuracy of 99.
keywords:rice quality.
rice image.
Otsu segmentation.
K-Nearest Neigbour.
Abstrak Masyarakat Indonesia sehari-hari mengkonsumsi beras sebagai bahan pokok makanan , karena didalam beras terdapat kandungan karbohidrat kompleks, serta dapat memberikan berbagai zat gizi lain yang penting bagi tubuh.
Namun masih banyak orang yang belum mengetahui beras mana yang memiliki kualitas bagus.
Jika beras dalam keadaan bersih, tak berbau, dan memiliki harga lebih mahal, banyak yang langsung berasumsi kalau beras tersebut berkualitas baik, padahal belum tentu beras yang dimaksud tersebut mempunyai kualitasbaik.
Untuk itu kami melakukan penelitian mendeteksi kualitas beras yang nantinya dapat membantu masyarakat untuk dapat membedakan kualitas baik dan buruk.
Penelitian ini menyajikan sistem pemrosesan citra beras berbiaya rendah untuk menilai kualitas beras.
Banyak faktor yang mempengaruhi kualitas beras seperti fragmen biji-bijian, warna yang tidak seragam, bau dan faktor Penelitian ini menggunakan prosentase butiran beras pecah dan keseragaman warna untuk menentukan kualitas beras.
Kami mengusulkan fitur tekstur dengan segmentasi Otsu untuk menentukan jumlah butiran pecah dan distribusi warna untuk menentukan seragam warna.
Hasil klasifikasi menggunakan validasi K Folddengan k=10 pada data asli menunjukkan hasil K-Nearest Neigbour memiliki akurasi 99,87%.
Kata kunci: kualitas beras.
citra beras.
segmentasi Otsu.
K-Nearest Neigbour.
Pendahuluan Rata Ae rata penduduk Indonesiasehari-hari mengkonsumsi beras sebagai bahan pokok Pemerintah Badan Standardisasi Nasional (BSN), menentukan mutu ISSN.
2620-6900 (Onlin.
2620-6897 (Ceta.
beras terbagi atas 4 klasifikasi Standar Nasional Indonesia (SNI) mutu beras, yakni premium, medium I, medium II, dan medium i Adapun, syarat umum pada beras, yakni bebas hama dan penyakit, bebas bau apek, asam atau JIRE (Jurnal Informatika & Rekayasa Elektronik.
http://e-journal.
id/index.
php/jire bau asing lainnya, bebas dari campuran dedak dan bekatul, dan bebas dari bahan kimia yang membahayakan konsumen.
Untuk menentukan kualitas dan membedakan jenis beras tersebut maka proses pemeriksaan kualitas beras selalu dilakukan oleh para ahli dibidang pertanian dengan pengawasan dan pemeriksan yang rutin.
Kelemahan dari pemeriksaan diatas memerlukan waktu yang lama dan menghasilkan produk dengan kualitas yang tidak merata karena keterbatasan visual, faktor kelelahan, dan perbedaan persepsi masing-masing pengamat.
Oleh karena itu, salah satu alternatif yang dibutuhkan adalah pengolahan citra agar pendeteksian lebih cepat dan akurat.
Proses pengolahan citra ini memungkinkan digunakan secara luas terlebih dengan berkembangnya teknologi smartphone yang menawarkan fitur kamera yang semakin baik dan murah.
Beberapa penelitian terdahulu mengembangkan algoritma pemrosesan citra dengan menilai menilai beras berdasarkan panjang, lebar, luas dan juga bekerja pada deteksi warna pada bulir beras untuk menentukan kualitas beras .
Hasilnya diklasifikasikan setiap jenis beras untuk membantu menentukan evaluasi harga.
Hasil eksperimen menunjukkan ada bagian signifikan dari butir beras bernilai tinggi yang tercampur dalam butiran beras yang pecah .
Penelitian lainnya melakukan ekstraksi citra kuantitatif dari segmen informasi ditangani dengan ekstraksi fitur pada pecahan bulir beras .
Perlindungan konsumen mengenai kualitas beras sangatlah perlu, dikarenakan beras adalah komoditas makanan utama masyarakat Indonesia yang dikonsumsi setiap hari.
Banyak terjadi penipuan dan pemalsuan kualitas beras oleh sebagian orang.
Dengan menyampur atau mengoplos beras berkualitas baik dengan beras berkualitas rendah untuk dapat keuntungan yang Untuk melindungi masyarakat dari pemalsuan tersebut maka diperlukan pendeteksi kualitas beras yang nantinya bisa membantu masyarakat dan juga membantu pemerintah untuk mengontrol kualitas beras yang baik dan yang buruk.
Yang sesuai Badan Standardisasi Nasional (BSN).
Tinjauan Pustaka Penilaian kualitas gandum gandum penting dalam memenuhi persyaratan pasar.
Ketebalan butir dapat digunakan untuk mengukur proporsi massa butir yang melewati saringan.
Ukuran ini dikenal sebagai AupemutaranAy.
Penentuan ada atau tidaknya lipatan biji-bijian membantu mendeteksi noda yang disebut titik hitam, yang biasanya ISSN.
2620-6900 (Onlin.
2620-6897 (Ceta.
Volume 3.
No 1.
April 2020 paling jelas pada sisi non-lipatan biji-bijian.
Dalam makalah ini kami menyelidiki penggunaan teknik penglihatan stereo untuk mengukur ketebalan dan mendeteksi ada atau tidaknya lipatan sampel biji-bijian gandum yang ditempatkan pada baki dengan lesung Menggunakan gandum untuk penilaian Mereka penglihatan stereo untuk mengetahui ukuran .
anjang, lebar dan teba.
biji-bijian dan mendeteksi ada atau tidaknya lipatan pada sampel biji gandum.
Lipatan pada dasarnya adalah garis atau bintik hitam yang ada dalam biji-bijian .
Pengujian pendekatan recognition pengolahan citra digital pengujianyang mampu mengenali komponen mutu berasyang meliputi butir patah, butir menir, derajat sosoh, dan butir kuning serta mengetahu itingkat keberhasilannya.
Pengujian diawali dengan melakukanblob detection pada citra beras berjarak 18 cm dari kamera.
Hasil pengambilan citra digunakan sebagai sampel pengujian panjang butir menggunakan metode SUSAN.
Perhitunganrata-rata20butir penentuan batas ukuran butir patah, dan menir sebesar 61%, dan 29%.
Keberhasilan pengujian panjang butir sebesar 94.
22 % dari keseluruhan sampel.
Kualitas beras ditentukan oleh berbagai parameter termasuk lebar, panjang, luas, jumlah beras besar, sedang, kecil, dan pecah.
Dalam kecenderungan peningkatan dalam otomatisasi parameter kualitas beras.
Suatu metode dikembangkan untuk menentukan ukuran dan ukuran distribusi beras dan jumlah kernel beras yang rusak menggunakan pemindaian rata (FBS) dan analisis citra (IA).
Klasifikasi propagasi belakang dikembangkan untuk mengidentifikasi jenis butir yang tidak Fitur warna dan tekstur disajikan ke jaringan saraf untuk tujuan pelatihan.
Jaringan mengidentifikasi jenis butir yang tidak diketahui.
Banyak penelitian telah mengusulkan metode yang berbeda untuk identifikasi dan klasifikasi objek untuk berbagai kategori beras.
Dayanand Savakar telah mengusulkan solusi untuk mengidentifikasi dan mengklasifikasikan citra buah curah menggunakan teknik JIRE (Jurnal Informatika & Rekayasa Elektronik.
http://e-journal.
id/index.
php/jire pembelajaran mesin.
Delapan belas fitur warna dan dua puluh tujuh fitur tekstur dimasukkan ke dalam jaringan saraf propagasi belakang untuk klasifikasi sampel citra buah curah.
Hasil minimum dan maksimum yang dicapai adalah masing-masing sekitar 94% dan 92% .
Liu Guangrong menggunakan teknik pemrosesan citra untuk pemeriksaan warna beras secara akurat.
Studi ini memperkenalkan aplikasi model warna RGB dan HSV dalam inspeksi warna beras .
Detektor tepi cerdik diterapkan untuk mendeteksi tepi butir beras.
Nilai eigen dan vektor Eigen dihitung berdasarkan fitur Kemudian dengan menerapkan PCA, varietas padi yang berbeda diklasifikasikan dengan membandingkan citra sampel dengan Hasil yang diperoleh dalam hal klasifikasi dan analisis kualitas masing-masing adalah 92,3% dan 89,5%.
Sistem yang diusulkan dapat bekerja dengan baik dalam waktu minimum dan biaya rendah.
Mereka menggunakan teknik penglihatan stereo untuk mengetahui ukuran .
anjang, lebar dan teba.
biji-bijian dan mendeteksi ada atau tidaknya lipatan pada sampel biji gandum.
Lipatan pada dasarnya adalah garis atau bintik hitam yang ada dalam biji-bijian.
Visi stereo pada dasarnya mengekstraksi informasi 3D dari citra digital.
Dalam proyek ini, pemegang benih dirancang untuk memegang benih padi untuk tujuan akuisisi Empat warna berbeda seperti hitam, biru, hijau dan merah dilukis di atas dudukan benih.
Efek warna latar belakang pada segmentasi citra benih padi diuji di bawah pengaturan visi mesin.
Parameter benih padi sederhana seperti panjang dan lebar benih diukur menggunakan teknik pemrosesan citra yang diprogram dalam perangkat lunak LabVIEW.
Kesalahan persentase untuk setiap warna latar belakang dihitung berdasarkan lebar aktual dan lebar benih padi.
Warna latar belakang biru ditemukan untuk memberikan kontras yang baik untuk estimasi panjang dan lebar dengan akurasi kurang dari 2% dan 5%, masing-masing.
Volume 3.
No 1.
April 2020 Citra 1.
Diagram system Pengumpulan Data Bulir Beras Data citra diambil menggunakan kamera handphone sesuai dengan jenis beras dan kualitasnya yang akan dijadikan label dari setiap data.
Pengambilan citra dilakukan dengan latar belakang hitam, berjarak 15cm dan memperbolehkan posisi beras bertumpuk.
Percobaan ini menggunakan 12 jenis beras dengan masing-masing 10 gambar pada setiap jenis beras, jadi total ada 120 gambar.
Preprocessing Tahap Pre-Processing ini dilakukan untuk mempersiapkan citra beras dengan tujuan meningkatkan citra sebagai langkah preproses sebelum analisis.
mengoreksi penerangan latar belakang tidak seragam dan mengubah citra menjadi citra biner untuk memudahkan mengidentifikasi objek latar depan .
utiran beras individ.
kemudian dapat menganalisis objek, seperti menemukan area setiap butir beras, dan dapat menghitung statistik untuk semua obyek di citra.
Tabel 2 citra pre-processing star rice filter citra contras Citra binary beras MetodologiPenelitian Sistem desain yang dibuat pada penelitian ini adalah terdiri dari pengambilan citra dengan menggunakan kamera hand phone untuk menentukan citra beras yang digunakan, praprocessing.
Segmentasi fitur dan distribusi warna untuk mendapatkan hasil kualitas beras berdasarkan jumlah bulir yang tidak normal .
ecah dan tidak utu.
dan warna.
ISSN.
2620-6900 (Onlin.
2620-6897 (Ceta.
Sebagai langkah pertama, menyingkirkan semua latar depan .
utiran bera.
menggunakan pembukaan filtering.
Operasi pembukaan menghilangkan objek kecil yang tidak biassepenuhnya mengandung elemen penataan.
Tentukan elemen penataan berbentuk cakram dengan jari-jari 15, yang benar-benar pas JIRE (Jurnal Informatika & Rekayasa Elektronik.
http://e-journal.
id/index.
php/jire dengan satu proses selanjutnya dengan mengurangi citra asli dengan citra hasil proses setelah mengurangi citra latar belakang yang disesuaikan dari citra asli, citra yang dihasilkan memiliki latar belakang yang seragam tetapi sekarang agak gelap untuk dianalisis.
Dengan menggunakan auto-leveling untuk meningkatkan kontras citra yang diproses I2 dengan menjenuhkan 1% data pada intensitas rendah dan tinggi dan dengan meregangkan nilai intensitas untuk mengisi rentang dinamis uint8.
Dengan memperhatikan dua langkah sebelumnya dapat diganti dengan satu langkah menggunakan strel yang pertama menghitung pembukaan morfologis dan kemudian mengurangkannya dari citra asli untuk mendapatkan citra background.
Pada tahap ini merupakan awal dalam mengolah data input sebelum memasuki proses tahapan Disini data rute akan dihitung menggunakan Algoritma A* dan dihitung secara manual utuk melihat hasil apakah proses jalur yang dilewati menggunakan Aloritma A* menghasilkan nilai yang akurat dengan perhitungan secara manual.
3 SEGMENTASI TEKSTUR
Pada langkah ini, citra yang rusak dipisahkan dari latar belakangnya.
Nilai intensitas citra yang lebih dari atau sama dengan nilai threshold akan diubah menjadi 1 .
erwarna puti.
sedangkan nilai intensitas citra yang kurang dari nilai threshold akan diubah menjadi 0 .
erwana hita.
Sehingga citra keluaran dari hasil thresholding adalah berupa citra biner dengan menggunakan outsu.
Formulasi dari metode otsu adalah sebagai Nilai Ambang yang akan dicari dari suatu citra gray level dinyatakan dengan k.
Nilai k berkisar antara 1 sampai dengan L, dengan nilai L = 255.
Probabilitas setiap pixel pada level ke i dapat pi = ni / N nimenyatakan jumlah pixel pada level ke i N menyatakan total jumlah pixel pada citraNilai Zeroth cumulative moment.
First cumulative moment, dan total nilai mean berturut-turut dapat dinyatakan dengan rumus berikut.
Berikut adalah formulasi untuk menghitung jumlah kumulatif .
umulative su.
dari w.
, untuk L = 0, 1, 2, .
ISSN.
2620-6900 (Onlin.
2620-6897 (Ceta.
Volume 3.
No 1.
April 2020 Berikut adalah formulasi untuk menghitung rerata kumulatif .
umulative mea.
dari m.
,untuk L = 0, 1, 2, .
Berikut adalah formulasi untuk rerataintensitasglobalmT.
Dari persamaan diatas, nilai k menyatakan tingkat level keabuan dimana setiap rentang piksel akan Langkah selanjutnya adalah menentukan varian antar kelas .
etween class varianc.
Persamaan untuk between class variance :
Hasil dari perhitungan between class variance dicari nilai maksimal.
Nilai yang paling besar digunakan sebagai threshold atau nilai ambang .
, dengan Keterangan:
= Jumlah Kumulatif = Rerata Kumulatif = Rerata Intensitas Global = Nilai Ambang Between class variance bertujuan untuk mencari nilai ambang dari sebuah citra grayscale, nilai ambang atau threshold digunakan sebagai nilai acuan untuk mengubah citra grayscale ke citra Setiap citra memiliki nilai ambang yangberbeda-beda.
Persamaan yang digunakan untuk memisahkan nilai beras yang utuh dan nilai beras yang pecah Dimana :
adalah citra grayscale g.
adalah citra biner T adalah nilai threshold JIRE (Jurnal Informatika & Rekayasa Elektronik.
http://e-journal.
id/index.
php/jire Volume 3.
No 1.
April 2020
Tabel 5 penentu kualitas beras Tabel 3 citra segmentasi tekstur
Citra beras Citra
Citra beras utuh
4 DISTRIBUSI WARNA
Pada langkah ini, keseragaman warna bisa dilihat dari distribusi warna.
Persoalannya adalah Nilai diperhitungkan dalam distribusi warna, sehingga variansi dari warna tidak terlalu lebar namun pada warna-warna yang dekat dengan warna dasar berasnya.
Besar-kecilnya variansi dari distribusi warna nilai menunjukkan keseragaman tabel 4 citra keseragaman warna.
penyeragaman warna Histogrampenyeragaman Premium Bulir pecah < 50% Medium 1 Bulir pecah Ou 50% Medium 2 Bulir beras pecahOu 75% dari jumlah bulir beras Pengujian ini dilakukan secara bertahap yaitu:
Menentukan kelompok kualitas beras.
Melihat kualitas beras dari jumlah pecahan bulir berasnya .
Melihat kualitas beras dari keseragaman .
Melihat kualitas berasa dari gabungan fitur:
jumlah pecahan beras dan keseragaman .
Klasterisasi .
Data set .
Klasifikasi .
Menentukan threshold kelompok kualitas beras.
Dengan menentukan nilai threshold pada citra bulir beras yang mana nilai tersebut diambil dari nilai median citra bulir beras yang nantinya digunakan sebagai batasan pencarian citra bulir beras utuh dan bulir beras pecah.
Tabel 6 Citra penentuan nilai threshol beras .
Jenis Beras Beras original Nilai Beras Beras Banyuwangi Nilai median:
Dari hasil yang didapat, maka histogram yang diperoleh dari penyeragaman warna tersebut akan menjadi acuan pencarian data vector warna.
HASIL DANPEMBAHASAN
Ada beberapa pengujian yang dilakukan untuk mengetahui hasil dari metode yang Untuk menentukan kualitas Premium ,Medium 1 ,Medium 2, dilihat dari hasil presentase dari tiap Ae tiap pengujian.
ISSN.
2620-6900 (Onlin.
2620-6897 (Ceta.
Melihat Kualitas Beras dari Jumlah Pecahan Bulir Beras Nilai pecah bulir beras yang dihasilkan nantinya dipakai pada proses berikutnya untuk menentukan kualitas bulir beras yang Dengan melihat jumlah bulir utuh nilai presentase kualitas beras yang utuh dan yang pecah dapat dilihat pada tabel nilai Kualitas Beras yang utuh dan yang dibawah.
JIRE (Jurnal Informatika & Rekayasa Elektronik.
http://e-journal.
id/index.
php/jire Tabel7 Citra Kualitas Beras yang utuh dan yang Jenis Beras Beras Pecah Beras Utuh Beras Arwana Beras utuh: 76.
Beras pecah: 23.
Beras Banyuwangi Beras utuh: 45.
Beras pecah: 53.
Beras Bintang Beras utuh: 68.
Beras pecah: 31.
Beras Bintang 5 Beras utuh: 54.
Beras pecah: 45.
Beras bintang ijo Beras utuh: 56.
Beras pecah: 43.
Beras Pin - Pin Beras utuh: 91.
Beras pecah: 8.
Melihat Kualitas Beras Dari Keseragaman Warna Nilai keseragaman warna beras yang dihasilkan nantinya juga dipakai sebagai penentu kualitas beras pada proses berikutnya untuk menentukan kualitas bulir beras yang diinginkan.
Dari keseragaman warna nilai presentase kualitas beras dapat dilihat pada tabel nilai histogram keseragaman warna dibawah.
ISSN.
2620-6900 (Onlin.
2620-6897 (Ceta.
Volume 3.
No 1.
April 2020 Tabel8 Citra Kualitas Beras dari keseragaman Jenis Beras Penyeragama Histogram n Warna Penyeragam an Warna Beras Arwana Nilai warna kuning beras: 43% Nilia warna putih beras: 13% Nilia warna kuning & putih beras: 44% Beras Banyuwangi Nilai warna kuning beras: 30% Nilia warna putih beras: 48% Nilia warna kuning & putih beras: 22% Beras bintang Nilai warna kuning beras: 56% Nilia warna putih beras: 25% Nilia warna kuning & putih beras: 19% Beras bintang 5 Nilai warna kuning beras: 54% Nilia warna putih beras: 28% Nilia warna kuning & putih beras: 19% Beras bintang ijo Nilai warna kuning beras: 35% Nilia warna putih beras: 52% Nilia warna kuning & putih beras: 13% Beras Pin - pin Nilai warna kuning beras: 50% Nilia warna putih beras: 34% Nilia warna kuning & putih beras: 15% JIRE (Jurnal Informatika & Rekayasa Elektronik.
http://e-journal.
id/index.
php/jire Volume 3.
No 1.
April 2020 Melihat Kualitas Beras dari Jumlah Pecahan Bulir Beras dan Keseragaman Warna Penggabungan antara jumlah pecahan bulir beras dan penyeragaman warna akan menghasilkan kualitas beras yang lebih segnifikan.
Summary dari keseluruhan data yang dihasilkan, ditampilkan data nilai mean dan standart deviasi ,nilai min, nilai max, nilai medium dan nilai mean keseragaman warna untuk mencari klaster kualitas beras.
Tabel 9 mean dan deviasi beras Data pecahan Bulir
RataNo Nama Beras rata Deviasi Min Max Median Arwana 27,38 5,25 19,80 37,50 28,65 Tabel 10 nilai mean dari keseragaman warna
Nama Beras Arwana
Banyuwangi Bintang
Bintang 5
Bintang Ijo
IR64
Kelapa
Kelapa Muda
Lumbung
Nasi Uduk
Pin 2
Tys
Keseragaman Warna
Putih
Kuning 19,70 57,60 42,50 39,50 38,75 39,58 35,56 46,78 39,10 42,80 39,45 36,45 24,20 55,60 36,10 44,60 35,06 38,06 36,00 44,45 30,69 46,46 42,13 41,50 Klasterisasi
2 Banyuwangi 53,21 4,83 47,02 64,24 55,63 Bintang 32,13 3,42 24,06 37,61 30,835 4 Bintang 5 39,26 6,64 30,76 46,78 38,77 5 Bintang Ijo 53,10 8,51 43,07 74,22 58,645 IR64
39,32 3,79 34,40 44,16 39,28
Kelapa
29,93 3,19 25,42 37,20 31,31
Kelapa Muda 9 Lumbung 10 Nasi Uduk Pin 2 Tys Tujuan dari proses klasterisasi ini memproses setiap data mean dan deviasi beras dari hasil ekstraksi menggunakan parameter warna, tekstur pada bulir beras, dan dari proses klasterisasi data bulir beras menghasilkan 3 klaster yaitu klaster 1, klaster 2, dan klaster 3 yang nantinya digunakan sebagai penentu kualitas beras tersebut masuk katagori beras kualitas Premim .
Medium 1 , atau medium 2.
Langkah pertama dengan mengklaster dari nilai mean dan nilai deviasi pecah beras dapat dilihat dari label 1 berikut:
langkah kedua mengklaster dari nilai mean , nilai deviasi pecah beras deangan keseragaman warna dapat dilihat dari label 2 berikut :
11,16 2,87 6,09 17,44 11,765
18,58 8,71 9,37 41,97 25,67
12,12 2,85 6,45 16,66 11,555
13,81 3,78 8,79 21,09 14,94
58,53 5,48 47,68 67,02 57,35
langkah selanjutnya mengklaster dengan menggunakan metode kmeans menghasilkan data kualitas untuk menentukan kualitas Premium .
Medium 1, dan Medium 2 .
Klaster 1 ISSN.
2620-6900 (Onlin.
2620-6897 (Ceta.
lumbung Dari hasil proses klastering , menghasilkan data set yang berlabel sesuai dengan hasil klaster yang didapat yaitu class 1, class 2, dan class 3 .
Data set ini dijadikan data supervised untuk proses Sebelum dilakukan proses klasifikasi , data di normalisasikan terlebih dahulu guna mendapatkan nilai yang tertata normal , baik dan Agar nantinya waktu dilakukan proses klasifikasi mendapatkan hasil yang maksimal.
ISSN.
2620-6900 (Onlin.
2620-6897 (Ceta.
nasi uduk bad rice good rice Tabel 11.
Data set berlabel kelapa muda Data set bintang ijo masuk di kualitas Medium 2 dikarenakan jumlah bulir pecahnya Ou 75% dari jumlah bulir beras keseluruhan.
Klaster 2 masuk di kualitas Medium 1 dikarenakan jumlah bulir pecahnya Ou 50% dan klaster 3 masuk di Premium dikarenakan jumlah bulir pecahnya < 50% , karena yang diklaster dari nilai pecah beras.
Hasil dari proses klaster dapat dilihat dari label 3 berikut :
Volume 3.
No 1.
April 2020 JIRE (Jurnal Informatika & Rekayasa Elektronik.
http://e-journal.
id/index.
php/jire A JIRE (Jurnal Informatika & Rekayasa Elektronik.
http://e-journal.
id/index.
php/jire Neigbour lebih baik daripada yang lain yaitu 99,87% pada akurasi dan F-Measure 97,7%.
Klasifikasi Hasil klasifikasidata supervised diatas dengan menggunakan PSO, dengan 4 metode K-Nearest Neigbour.
Neural Network.
Fuzzy NN, dalam validasi silang, buat setiap rekaman sebagai data uji berurutan yang digunakan dalam penelitian ini.
Weka digunakan untuk memilih fitur dari PSO.
Tabel di bawah ini adalah hasil pemilihan fitur di mana operator yang digunakan adalah K-Nearest Neigbour.
NN.
Fuzzy NN, dalam k = 10, dalam 100 iterasi dan sejumlah node dalam lapisan tersembunyi banyak dalam jumlah node output serta jumlah Pembelajaran yang mendalam Konfigurasi yang tersisa adalah menggunakan parameter standar pada Weka.
Table 12.
Leave-One-Out Cross Validation With Original Data
Performance Feature Selection FOriginal Accuracy precission Recall Measure KNearest
Neigbour 99,87% 97,70% 97,70% 97,70% Neural
Network 99,83% 97,70% 97,70% 97,70% FUZZY 99,74% 89,90% 90% 89,90% SVM
99,71% 96,90% 96,90% 96,90%
Table Perbandingan menggunakan Weka Volume 3.
No 1.
April 2020 Metode SIMPULAN Berdasarkan hasil uji coba, dapat diambil kesimpulan antara lain :
Proses binerisasi dengan metode Otsu mampu menghasilkan citra biner yang sangat memuaskan dan sangat membantu dalam proses penentuan pemisahan beras utuh dan beras pecah.
Dari proses penyeragaman warna dengan mengurangi jumlah warna dalam gambar Dengan menggunakan kuantisasi sebagai bagian dari algoritma pengurangan warnanya dan kuantisasi varians minimum.
Dan dengan menggunakan metode kmeans dapat menghasilkan kualitas Premium , medium 1, medium 2 beras lebih tepat dan akurat.
Dari proses klasifikasi menggunakan algoritma K-Nearest Neighbor diperoleh dengan akurasi yang menunjukkan akurasi 99,70%.
Ucapan Terima Kasih Achmad Basuki sebagai pembimbing pertama yang selalu memberi arahan dan masukan dalam penulisan journal ini.
Riyanto Sigit pendamping yang selalu memberi ide dan masukan dalam penulisan journal ini.
Jurnal lnformatika dan Rekayasa Elektronika (JIRE) yang telah menerima dan menerbitkan artikel journal ini.
Daftar Pustaka: