UJIAN KOMPETENSI DASAR 4

PENGOLAHAN CITRA

IDENTIFIKASI KEUTUHAN BERAS DENGAN METODE

MORPHOLOGICAL GRADIENT

Disusun Oleh:

ARISSA APRILIA NURCAHYANI

NIM. M0511010

JURUSAN INFORMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SEBELAS MARET
2014

UNIVERSITAS SEBELAS MARET

JURUSAN INFORMATIKA

PROPOSAL TUGAS AKHIR

Nama

: Arissa Aprilia Nurcahyani

No. Mhs

: M0511010

PERSETUJUAN PEMBIMBING
Proposal Tugas Akhir ini telah disetujui oleh :

Esti Suryani S.Si., M.Kom

1. JUDUL/ TOPIK
Identifikasi Kualitas Beras dengan Metode Morphological Gradient
2. PENDAHULUAN
2.1

Latar Belakang
Beras merupakan makanan pokok yang paling banyak di konsumsi oleh
masyarakat Indonesia. Menurut Menteri pertanian Ir. H. Suswono, MMA
(Antaranews, 2013) masyarakat Indonesia tercatat sebagai konsumen beras
tertinggi di dunia, yakni 30 kilogram per kapita per tahun.
Dengan semakin bertambahnya penduduk di Indonesia, kebutuhan
beras juga semakin bertambah. Namun harga beras yang beredar di pasaran
terus melunjak sehingga banyak pedagang yang menjual beras dengan
kualitas yang kurang baik. Sayangnya masih banyak konsumen yang belum
tahu bagaimana cara membedakan beras dengan kualitas yang baik atau
kualitas rendah dan mereka tidak peduli dengan beras yang mereka
konsumsi. Oleh karena itu, diperlukan standar kualitas mutu yang harus
ditetapkan oleh Bulog.
Proses pengujian yang di tetapkan dari pihak Bulog terdapat dua tahap,
yaitu uji visual dan uji laboratorium. Uji kualitas beras secara visual dapat
dilihat dari keutuhan, kebersihan, dan putihnya beras (Beras Indonesia,
2011). Pengujian beras secara visual selama ini masih menggunakan cara
manual sehingga masih membutuhkan waktu yang lama. Oleh karena itu,
diperlukan sebuah sistem untuk mengefisienkan pengujian beras secara
visual.
Dengan menggunakan citra digital, proses pengujian kualitas beras
dapat dilakukan lebih cepat dan mudah. Dengan memanfaatkan gambar
digital beras, dapat dilakukan pengolahan citra digital untuk mendapatkan
data kualitas beras yang diuji. Kualitas beras pada kasus ini diuji berdasarkan
keutuhan beras. Keutuhan beras diuji melalui metode morphological
gradient, kemudian dihitung berapa jumlah pixel yang terkoneksi, sehingga
akan didapatkan hasil yang lebih akurat

2.2

Rumusan Masalah
Rumusan masalah dari penelitian ini adalah, bagaimana penerapan
metode morphological untuk mengidentifikasi kualitas beras?

2.3

Batasan Masalah
Dari identifikasi masalah yang telah dipaparkan akan didapatkan data
yang sangat luas, sehingga penulis membatasi penelitian ini pada:
Pengambilan data dalam permasalahan ini dilakukan untuk jenis beras
IR 64 karena jenis beras ini adalah beras yang paling mudah ditemukan

2.4

di pasaran.
Pengujian beras secara visual hanya difokuskan pada uji keutuhan beras.

Tujuan Penelitian
Tujuan dari penelitian ini adalah menerapkan segmentasi untuk
menguji keutuhan beras secara visual.

2.5

Manfaat Penelitian
Manfaat dari penelitian ini adalah untuk membantu Perum Bulog untuk
menentukan beras yang layak beredar di pasaran sesuai dengan standar
kualitas mutu yang telah ditetapkan.

PENELITIAN TERKAIT
Identifikasi kualitas beras melalui citra digital sebelumnya telah dilakukan.
G. Ajay, M. Suneel, K. Kiran Kumar, P. Siva Prasad pada 2013 mengeluarkan
jurnal penelitian dengan judul Quality Evaluation of Rice Using Morphological
Methods. Pada penelitian ini, peneliti melakukan penelitian pada beras yang
diproduksi di Negara India. Penelitian dilakukan untuk mengklasifikasi beras yang
utuh dengan beras yang patah. Pada penelitian ini, peneliti menggunakan metode
morfologi citra. Hasil penelitian ini adalah jika panjang beras kurang dari 70%
maka beras kurang berkualitas karena tidak utuh.
Penelitian lain dilakukan oleh B.K. Yadaf dan V.K. Jindal pada tahun 2001
dengan judul Monitoring Milling Quality of Rice by Image Analysis. Objek dari
penelitian ini adalah 10 varietas beras Thailand dengan jenis Suphan Buri.
Penelitian dilakukan untuk menguji kualitas beras berdasarkan keutuhan beras,
dan putihnya beras. Uji keutuhan beras dilakukan dengan membandingkan rasio
Head Rice Yield (HRY) dengan Characteristic Dimension Ratio (CDR). Hasil dari
perbandingan ini didapatkan bahwa HRY lebih efektif untuk mengevaluasi
keutuhan beras. Kemudian untuk mengevaluasi putihnya beras, peneliti
menggunakan metode Mean Gray Level (MGL) dengan range 0 225. Hasil

penelitian didapatkan bahwa MGL cukup efektif untuk mengevaluasi putihnya

beras.
Selanjutnya Bhavesh B. Prajapati dan Sachin Patel melakukan penelitian
dengan judul Algorithmic Approach to Quality Analysis of Indian Basmati Rice
Using Digital Image Processing pada tahun 2013. Penelitian dilakukan untuk
meneliti beras Indian Basmati. Pengujian kualitas beras dilihat dari keutuhan
beras, warna putih beras, dan bersihnya beras. Namun penelitian ini hanya
mengkaji algoritma untuk penelitian yang dilakukan.
4

DASAR TEORI
4.1 Definisi Pengolahan Citra
Citra adalah gambar dua dimensi yang dihasilkan dari gambar analog
dua dimensi yang kontinyu menjadi gambar diskrit. Citra dapat bersifat optik
berupa foto, bersifat analog berupa sinyal-sinyal video seperti gambar pada
monitor televisi, atau bersifat digital yang dapat langsung disimpan pada suatu
pita magnetik.
Citra digital merupakan suatu larik dua dimensi atau suatu matriks yang
elemen-elemennya menyatakan tingkat keabuan dari elemen gambar; jadi
informasi yang terkandung bersifat diskret. Citra digital tidak selalu
merupakan hasil langsung data rekaman suatu sistem. Kadang-kadang hasil
rekaman data bersifat kontinu seperti gambar pada monitor televisi, foto sinarX, dan lain sebagainya. Dengan demikian untuk mendapatkan suatu citra
digital diperlukan suatu proses konversi, sehingga citra tersebut selanjutnya
dapat diproses dengan komputer.
Pengolahan citra merupakan proses pengolahan dan analisis citra yang
banyak melibatkan persepsi visual. Proses ini mempunyai ciri data masukan
dan informasi keluaran yang berbentuk citra. Istilah pengolahan citra digital
secara umum didefinisikan sebagai pemrosesan citra dua dimensi dengan
komputer. Dalam definisi yang lebih luas, pengolahan citra digital juga
mencakup semua data dua dimensi.
4.2 Gambar Grayscale
Dalam pengolahan citra, pengubahan warna citra menjadi citra
grayscale digunakan untuk menyederhanakan model citra. Citra berwarna
memiliki 3 komposisi warna, yaitu red (R), green (G), dan blue (B). Untuk

mendapatkan citra grayscale, maka 3 komponen tersebut dirata-rata. Dalam

citra ini, tidak ada lagi warna; yang ada hanya derajat keabuan.
4.3 Segmentasi Citra
Segmentasi citra adalah membagi suatu citra menjadi wilayah-wilayah
yang homogen berdasarkan kriteria keserupaan yang tertentu antara tingkat
keabuan suatu piksel dengan tingkat keabuan pikselpiksel tetangganya. Secara
umum, pendekatan segmentasi citra yang sering digunakan adalah melalui
pendekatan

intensitas,

pendekatan

warna

dan

oendekatan

bentuk

(Rujikietgumjorn, 2008). Segmentasi sering dideskripsikan sebagai proses

analogi terhadap proses pemisahan objek dengan latar belakang. Dalam
konteks citra digital daerah hasil segmentasi merupakan kelompok piksel yang
bertetangga atau berhubungan.
Proses segmentasi menurut Castleman (1996) dapat dilakukan melalui
beberapa pendekatan (dikutip dalam Putranto, Benedictus et. al., 2010), antara
lain:
Pendekatan batas (boundary approach), dilakukan untuk mendapatkan

batas antar daerah.

Pendekatan tepi (edge approach), dilakukan untuk mengidentifikasi dan

menghubungkan pixel tepi menjadi suatu batas.

Pendekatan daerah (region approach), dilakukan untuk membagi citra ke
dalam daerah-daerah tertentu sehingga didapatkan daerah sesuai kriteria.
Tujuan dari seluruh proses segmentasi sebenarnya memiliki tujuan yang

sama yaitu mendapatkan representasi sederhana dari suatu citra sehingga lebih
mudah dalam pengolahannya. Metode untuk melakukan segmentasi pun
bervariasi. Sehingga pendekatan dan fitur yang diperoleh dari citra
bergantung pemilihan metode yang komprehensif.
4.4 Morphological Gradient
Operasi dilasi dan erosi seringkali digunakan bersamaan/dikombinasikan
untuk memaksimalkan operasi morfologi pada image processing. Soille (1999)
menyatakan ada tiga jenis morphological gradient dasar, yaitu:
a. dilated_image eroded_image
b. original_image eroded_image
c. dilated_image original_image
Dimana dilated_image adalah

citra

hasil

dilasi,

sedangkan

eroded_image adalah citra hasil erosi. Pada paper ini menggunakan jenis yang

pertama yaitu dilated_image eroded_image. Sehingga morphological

gradient dirumuskan sebagai berikut:
MG= ( A B ) ( A B )

(1)

Internal gradien akan mempertajam internal boundary dari obyek

sehingga obyek akan lebih terang dibandingkan dengan backgroundnya.
Sedangkan pada eksternal gradien, boundary obyek akan lebih gelap dibanding
dengan backgroundnya. Pada citra biner, internal gradient akan menjadi mask
dari internal boundary dari obyek (Soille, 1999).
Morphological gradien dapat disebut citra tepi, karena dengan
mengurangkan operasi hasil penebalan dan penipisan maka akan diperroleh
citra yang menonjolkan tepi obyek, karena daerah non-tepi obyek sudah hilang
karena pengurangan tersebut.
5. METODOLOGI
Metodologi penellitian yang di gunakan sebagai berikut:
1. Pengambilan Data
Penelitian ini mengambil data beras IR 64 yang beredar di pasaran.
Pengambilan data dilakukan dengan cara mengambil secara langsung ke pasarpasar yang menjual beras jenis IR 64. Setelah data terkumpul, dilakukan
pengambilan gambar beras agar menjadi gambar digital.
2. Pengambilan Data Uji dengan Ahli
Sebelumnya standar harus disesuaikan terlebih dahulu dengan standar yang
ditetapkan oleh ahli yang telah menguji beras secara visual agar dapat
menetapkan threshold dimana beras dapat dikatakan utuh. Selain itu dengan
standar ahli, dapat dilakukan pngujian keakurasian hasil uji.
3. Analisa Data
Data gambar digital beras yang telah dikumpulkan, diproses secara digital
melalui tool MATLAB. Pertama dilakukan segmentasi pada gambar tersebut.
Setelah proses segmentasi, peneliti akan memilih untuk melakukan proses
deteksi kebersihan, keutuhan, atau putihnya beras. Proses deteksi keutuhan
beras, dilakukan operasi morphological gradient. Proses awal dilakukan
perubahan citra menjadi citra grayscale. Kemudian cari connected-component
pada citra yang diuji. Selanjutnya hitung jumlah pixel yang terkoneksi. Jika
jumlah pixel tidak memenuhi batas ambang jumlah pixel dimana beras
dikatakan utuh, maka beras dikategorikan sebagai beras yang tidak utuh.

4. Pengujian Akurasi Hasil

Akurasi hasil diujikan dengan membandingkan data yang diolah secara digital
dengan standar yang telah ditetapkan oleh ahli.

6. JADWAL PELAKSANAAN
Jadwal pelaksanaan pada penelitian ini adalah sebagai berikut:
No
.
1
2
3
4

Aktifitas

Perkiraan Waktu
Juni
Juli
Agustus
September
1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4

Pengumpulan
Data
Pengambilan Data
Uji dengan Ahli
Analisa Data
Pengujian Akurasi
Hasil

DAFTAR PUSTAKA
1. Abdul Kadir, Lukito Edi Nugroho, Adhi Susanto, Paulus Insap Sanosa, Leaf
Classification Using Shape, Color, and Texture Features, International Journal of
Computer Trends and Technology, 2011
2. Abraham Gastlum-Barrios, Rafael A. Brquez-Lpez, Enrique Rico-Garca,
Manuel Toledano-Ayala and Genaro M. Soto-Zaraza, Tomato quality evaluation

with image processing, School of Engineering, Queretaro State University,

Mexico, 2011.
3. B.K. Yadav, V.K. Jindal, Monitoring Miling Quality of Rice by Image Analysis,
Elselvier 2001.
4. Beras Indonesia, Produk dan Standar Mutu, dilihat 15 Mei 2014,
< http://www.berasindonesia.com/kualitas_produk>.
5. Bhavesh B. Prajapati, Sachin Patel, Algorithmic Approach to Quality Analysis of
Indian Basmati Rice Using Digital Image Processing, International Journal
Emerging Technology and Advanced Engineering, 2013.
6. G.Ajay, M.Suneel, K.Kiran Kumar, P.Siva Prasad, Quality Evaluation of Rice
Grains Using Morphological Methods, International Journal of Soft Computing
and Engineering, 2013.
7. Hassan Sabaghi, Dr. Aman Mohammad Ziaiifar, Color Quality Variation of
French Fries During Frying Using Image Processing, 2012
8. Jemmy Kusuma Candra, Ivanna K. Timotius, Iwan Setyawan, Sistem Pendeteksi
Orang Tergeletak berbasis Sebuah Kamera Pengawas dengan Menggunakan
Metode Template Matching, Jurnal Cybermatika, 2013.
9. Joko Widodo (Antaranews.com, 2013), Konsumsi beras masyarakat Indonesia
tertinggi

di

dunia,

dilihat

20

Mei

2014,

<http://www.antaranews.com/berita/398839/konsumsi-beras-masyarakatindonesia-tertinggi-di-dunia>.
10. K.K. Bhoyar, G. Kakde, Skin Color Detection Model Using Neural Networks and
its Performance Evaluation, Science Publications, 2010.
11. Nicky Muhammad Zahab, Analisis Tekstur Paket Kayu Jati dengan
Menggunakan Metose Stastistikal Gray Level Method, Universitas Gunadarma,
2009
12. Soille P., Morphological Image Analysis, Berlin, Germany: Springer Verlag,
pp.86, 1999