1

Wati, et.al., Pemutuan Jeruk Manis (Citrus sinensis (L.) Osbeck) Menggunakan Pengolahan Citra Digital Berbasis Jaringan Syaraf Tiruan

TEKNOLOGI PERTANIAN
PEMUTUAN JERUK MANIS (Citrus sinensis (L.) Osbeck) MENGGUNAKAN PENGOLAHAN
CITRA DIGITAL BERBASIS JARINGAN SYARAF TIRUAN
(Sweet Orange (Citrus sinensis (L.) Osbeck) Grading Using Digital Image Processing Based On Artificial Neural Network)

Nur Aini Hariyo Wati*, Dedy Wirawan Soedibyo, Bambang Marhaenanto

Lab. Instrumentasi, Jurusan Teknik Pertanian, Fakultas Teknologi Pertanian, Universitas Jember,
Jl. Kalimantan no. 37 Kampus Tegalboto, Jember, 68121
1)
E-mail: ainia.hf@gmail.com

ABSTRACT
Research of sweet orange grading using image processing with logical equation model have been done and resulting overall accuracy of
85%. Based on this results, it needs further research of sweet orange grading using artificial neural network (ANN) to replace logical equation
model in order to improve accuracy. The sampel used in this research was the image of sweet orange from Fikris research (2015). 260 pieces
samples of sweet orange image divided into four quality classes, namely super, A, B, and reject. The image of sweet oranges processed using
image processing program to obtain seven image quality variables, namely area, height, diameter, perimeter, r index, g index, and the defect area.
Image quality variables which correspond with the quality criteria of the fruit will be used as input for the ANN trainng with backpropagation
method. Six variations used for training ANN variation with two data normalization methods and the number of hidden layer nodes. ANN
training performed using 200 pieces training data. ANN weights from training used on the feedforward propagation to predict the quality class of
60 pieces of testing data. Best ANN variation determined based on the validation results. Best ANN variations algorithm then integrated in a
sweet orange image processing program so that the program would guess the quality class of sweet oranges automatically. All image quality
variables used for the ANN inputs. Sweet orange grading program has an accuracy of 95.04%. The results showed that the program built with
ANN has a higher degree of accuracy.
Keywords: sweet orange, grading, artificial neural network, backpropagation.

PENDAHULUAN
Jeruk manis (Citrus sinensis (L.) Osbeck) merupakan salah
satu jenis jeruk yang memiliki kandungan vitamin C tinggi yaitu
49,08 mg per 100 gram jeruk. Sentra utama jeruk manis terluas di
Indonesia berada di Kabupaten Malang yang menghasilkan 17.500
ton jeruk dengan luas tanam 800 ha (Ashari, 2014). Potensi ekonomi
jeruk nasional patut diperhitungkan sebagai salah satu sumber
pendapatan dilihat dari produktivitasnya tahun 2014 cukup tinggi
33,97 ton/ha. Namun, volume impor jeruk dalam kondisi segar pada
tahun 2014 sebanyak 20.483,56 ton jauh lebih tinggi dibandingkan
jumlah ekspornya 1.315,48 ton (Kementerian Pertanian, Tanpa
Tahun). Jeruk impor kini tidak hanya ditemui di pasar swalayan,
tetapi sudah banyak dijajakan di toko-toko pinggir jalan. Hal ini
mengindikasikan produsen dalam negeri belum bisa memenuhi
kebutuhan segmen pasar yang menginginkan kualitas jeruk tertentu.
Salah satu cara memperkuat daya saing jeruk di pasar
domestik dan global adalah dengan memenuhi standar ketetapan
mutu permintaan pasar. Pemutuan jeruk manis yang banyak ditemui
di Indonesia menggunakan visual manusia dengan memperhatikan
bentuk, warna, dan ukuran buah secara manual. Pemutuan secara
manual menghasilkan produk yang beragam, sehingga jeruk nasional
kurang diminati pasar. Hal ini dikarenakan keterbatasan indera
manusia, seperti faktor kelelahan yang menyebabkan berkurangnya
fokus dan perbedaan persepsi mutu jeruk manis karena unsur
subyektifitas.
Menurut
Soedibyo
(2006:2),
pengolahan
citra
menggunakan sistem visual berdasarkan sensor elektro-optika
mempunyai kemampuan yang lebih peka, tepat, dan obyektif
Berkala Ilmiah PERTANIAN

daripada kemampuan visual manusia. Pengolahan citra mampu

menyediakan sifat-sifat citra secara kuantitatif (variabel mutu citra)
yang dibutuhkan sebagai input pengenalan pola. Penelitian pemutuan
jeruk manis menggunakan pengolahan citra dengan persamaan logika
telah dilakukan dan menghasilkan akurasi total program pemutuan
sebesar 85% (Fikri, 2015:49). Berdasarkan hasil penelitian tersebut,
penulis mencoba melakukan penelitian lanjutan pemutuan jeruk
manis menggunakan pengolahan citra dengan metode yang berbeda
untuk meningkatkan akurasi program. Metode yang akan digunakan
untuk menggantikan persamaan logika adalah jaringan syaraf tiruan.
Jaringan syaraf tiruan (JST) adalah sebuah konsep yang
meniru cara kerja jaringan syaraf pada otak manusia dan dapat dilatih
untuk mempelajari sesuatu. Algoritma pembelajaran yang akan
digunakan adalah backpropagation karena telah banyak digunakan
dalam penelitian pengenalan pola dan memberikan hasil yang cukup
baik, sehingga dengan metode ini diharapkan hasil sortasi seragam
dan tingkat kesalahan rendah. Backpropagation memiliki keunggulan
dapat memberikan respon yang benar terhadap pola masukan yang
serupa (tapi tidak sama) dengan pola yang digunakan selama
pelatihan (Siang, 2005:97).

BAHAN DAN METODE

Tempat dan Waktu Penelitian
Penelitian ini dilaksanakan di Laboratorium Instrumentasi,
Fakultas Teknologi Pertanian, Universitas Jember. Penelitian dimulai
bulan November 2015 sampai Maret 2016.

2
Wati, et.al., Pemutuan Jeruk Manis (Citrus sinensis (L.) Osbeck) Menggunakan Pengolahan Citra Digital Berbasis Jaringan Syaraf Tiruan
pengolahan citra yang dibuat menggunakan program SharpDevelop
Alat dan Bahan Penelitian
Peralatan yang digunakan dalam penelitian ini terdiri dari:
4.2 dan hasil analisa dari program disajikan dalam bentuk file teks.
a. Perangkat komputer untuk mengolah data citra dan
Hasil ekstraksi nilai variabel mutu citra dianalisis dengan
membuat program.
ukuran statistik untuk mengetahui korelasi antara variabel mutu citra
b. Program SharpDevelop 4.2 sebagai perangkat lunak
dengan kriteria mutu buah berdasarkan pemutuan manual. Ukuran
pembuatan program pengolahan citra.
statistik yang digunakan adalah rerata, standar deviasi, Q1 (kuartil
c. Program Paint.net sebagai perangkat lunak analisis nilai
pertama), median/Q2 (kuartil kedua), Q3 (kuartil ketiga), nilai
RGB dan H citra.
minimum, dan nilai maksimum. Nilai-nilai variabel mutu citra yang
d. Program Mathlab versi R2007b dari The Math Works. Inc
telah ditabulasi digambarkan dalam grafik boxplot. Tabulasi data
sebagai perangkat lunak pembuatan algoritma JST.
dan penggambaran grafik boxplot dilakukan dengan program MS
e. Program Excel dari Microsoft Corp untuk perangkat lunak
Excel. Variabel mutu citra yang memiliki korelasi dengan kriteria
analisis statistik dan JST.
mutu buah akan dijadikan data input pada pelatihan JST.
Bahan dalam penelitian ini adalah data hasil pengambilan citra
Sumber data untuk analisis JST adalah data hasil pengolahan
jeruk manis pacitan yang diperoleh dari penelitian Fikri (2015). Jeruk
citra yang dibagi dalam dua bagian, yaitu 200 data training dan 60
manis pacitan yang digunakan adalah varietas Sukkari yang diperoleh
data testing. Masing-masing data memiliki ketujuh nilai variabel
dari perkebunan Desa Junrejo, Kecamatn Junrejo, Kota Batu. Sampel
mutu citra. Proses pelatihan JST hanya dilakukan pada data training,
citra jeruk manis segar yang digunakan sebanyak 260 buah yang
sedangkan data testing digunakan pada proses validasi (pengujian
terdiri dari kualitas mutu kelas super, kelas A, kelas B, dan reject.
program). Variasi dari struktur JST yang digunakan adalah
Masing-masing kelas mutu terdiri dari 50 buah (data training) serta
berdasarkan metode normalisasi (minmax dan z-score) dan jumlah
untuk validasi masing-masing mutu 15 buah (data testing).
node lapisan tersembunyi (10, 15, dan 20). Berdasarkan variasivariasi tersebut dianalisis karakteristiknya dan dipilih variasi terbaik
Tahapan Penelitian
yang memberikan akurasi pendugaan tertinggi. Tabel 1 menampilkan
struktur JST yang digunakan dalam pelatihan.
Mulai

Tabel 1. Struktur JST

Persiapan Data
Penentuan Variabel Mutu Citra
Pembuatan Program Pengolahan Citra dan
Ekstraksi Variabel Mutu Citra

Karakteristik
Arsitektur
- Node lapisan input

Analisis Statistik terhadap Variabel Mutu Citra

- Node lapisan tersembunyi

- Node lapisan output

Pembuatan Grafik Boxplot

Penentuan Variabel Mutu Citra yang
akan Digunakan Sebagai Input JST
Penentuan Variasi Arsitektur Jaringan Syaraf Tiruan
Training Semua Variasi JST Menggunakan Data Training

Tidak

MSE < Target

Ya

Simulasi Data Testing dengan Propagasi Maju

Pemilihan Arsitektur Terbaik
Integrasi Model JST dengan Program Pengolahan Citra
Validasi
Tidak

Akurasi
Memenuhi
Ya

Selesai

Bobot awal
Fungsi aktivasi
Target MSE
Laju pembelajaran dan
momentum

Spesifikasi
Hasil normalisasi data variabel
mutu citra menggunakan dua
metode, yaitu minmax dan z-score
10, 15, 20
2 definisi target
Nguyen-Widrow atau bilangan
acak kecil
Sigmoid bipolar (input-hidden)
Sigmoid bipolar (hidden-output)
Trial and error
0.2 dan 0.8

Nilai bobot hasil pelatihan JST digunakan pada propagasi

maju terhadap data testing yang telah dinormalisasikan. Hasil
propagasi maju berupa kelas mutu kemudian dibandingkan dengan
kelas mutu hasil pemutuan manual. Variasi JST terbaik ditentukan
berdasarkan variasi yang menghasilkan pendugaan hasil yang paling
mendekati hasil pemutuan manual. Hasil koleksi nilai bobot variasi
JST terbaik diformulasikan menjadi fungsi propagasi maju. Fungsi
tersebut diintegrasikan dengan program pengolahan citra, sehingga
program dapat secara otomatis menduga kelas mutu berdasarkan nilai
variabel mutu citra. Proses validasi dilakukan untuk menguji
ketepatan yang dimiliki oleh program pemutuan dalam menduga
kelas mutu jeruk manis. Proses validasi dilakukan dengan
menggunakan program pemutuan untuk menduga kelas mutu yang
dimiliki oleh 60 data testing. Hasil dari proses validasi ditampilkan
dalam confusion matrix.

Gambar 1. Diagram alir penelitian

Gambar 1. Menunjukkan diagram alir prosedur penelitian.
Menurut Badan Standardisasi Nasional (2009:1), kriteria mutu jeruk
manis mengacu pada SNI jeruk keprok nomor 3165:2009. Kriteria
mutu yang menentukan kualitas jeruk manis berdasarkan SNI adalah
ukuran, bentuk, warna, dan kerusakan. Kriteria mutu ini diduga
dapat direpresentasikan dengan variabel mutu citra area, tinggi,
diameter, perimeter, indeks warna buah (r dan g), dan area cacat.
Nilai variabel mutu citra diekstraksi menggunakan program

Berkala Ilmiah PERTANIAN

HASIL DAN PEMBAHASAN

1. Program Pengolahan Citra Jeruk Manis
Citra jeruk manis yang akan diolah memiliki resolusi 1024 x
768 piksel dengan format file BMP (bitmap) 24 bit. Format bitmap
mempunyai kelebihan menyimpan data kode citra secara digital
dengan lengkap tanpa kompresi, sehingga data asli akan banyak
dipertahankan.

3
Wati, et.al., Pemutuan Jeruk Manis (Citrus sinensis (L.) Osbeck) Menggunakan Pengolahan Citra Digital Berbasis Jaringan Syaraf Tiruan
Program pengolahan citra jeruk manis dibuat untuk
menganalisis karakteristik citra masing-masing mutu jeruk manis
dengan hasil berupa nilai-nilai variabel mutu citra. Prosedur
mengolah citra menggunakan program ini dimulai dengan membuka
file citra yang disimpan dalam hardisk menggunakan tombol Buka
File. Selanjutnya dengan menekan tombol Olah, maka program
secara otomatis mengekstraksi nilai variabel mutu citra area, tinggi,
diameter, perimeter, area cacat, indeks warna merah, dan indeks
warna hijau. Data hasil analisis citra dari program ini akan disimpan
secara otomatis dalam bentuk file text.
2. Penentuan Nilai Batas Segmentasi (Threshold) Background
Nilai batas segmentasi (threshold) background ditentukan
melalui proses thresholding (segmentasi) dengan tujuan untuk
memisahkan citra obyek dengan background berdasarkan kriteria
tertentu. Nilai threshold ditentukan melalui perbedaan intensitas
warna RGB yang dimiliki obyek dan background. Proses penentuan
nilai threshold dilakukan melalui pembacaan nilai-nilai R, G, dan B
pada suatu piksel menggunakan Paint.net, menampilkan, dan
menafsirkan hasil analisis sehingga mempunyai arti sesuai yang
diinginkan. Berikut ini merupakan grafik yang digunakan untuk
menetukan nilai batas segmentasi ditampilkan pada Gambar 2.

Gambar 3. Grafik sebaran nilai RGB dan hue area cacat dengan
obyek
Nilai warna yang dapat memisahkan area normal dengan area
cacat adalah G, B, dan H. Batas nilai untuk segmentasi area cacat
berada pada nilai G<64, B<14, dan H<68. Meskipun nilai B saling
tumpang tindih, nilai tersebut mampu memisahkan area normal
dengan area cacat karena dikombinasi menggunakan fungsi AND
dengan nilai H. Fungsi threshold area cacat pada syntax program
adalah jika citra biner berwarna putih (nilai R = nilai G = nilai B =
255) AND nilai G<64 AND nilai B<14 AND nilai H<68 maka
tampilan citra area cacat diubah menjadi berwarna abu-abu (nilai R =
nilai G = nilai B = 200). Fungsi threshold tersebut membuat citra
area cacat berwarna abu-abu dan area normal berwarna hitam.
4. Analisis Statistik Variabel Mutu Citra
Hasil ekstraksi citra pada tiap variabel mutu citra berdasarkan
variabel statistik pada data sebanyak 200 sampel jeruk manis
ditampilkan pada grafik boxplot berikut ini.
a. Area

Gambar 2. Grafik sebaran nilai RGB obyek dengan background

Sebaran nilai R dan G antara obyek dengan background saling
tumpang tindih. Hal ini menyebabkan kedua nilai tersebut tidak dapat
digunakan sebagai batas threshold karena sulit dipisahkan. Nilai B
dapat digunakan sebagai batas threshold karena memiliki selang,
sehingga nilai thresholdnya adalah B>88. Berdasarkan penjelasan
tersebut, maka fungsi threshold background dapat diformulasikan
jika gambar original memiliki nilai B>88 tampilan citra biner jeruk
manis menjadi berwarna hitam (nilai R = nilai G = nilai B = 0), selain
itu tampilan citra biner jeruk manis menjadi berwarna putih (nilai R =
nilai G = nilai B = 255). Fungsi threshold tersebut membuat citra
yang berwarna hitam adalah background, sedangkan yang berwarna
putih adalah obyek.

Gambar 4. Boxplot variabel mutu area pada empat kelas mutu

b. Tinggi

3. Penentuan Nilai Batas Segmentasi (Threshold) Area Cacat

Penentuan nilai batas segmentasi (threshold) area cacat
dilakukan untuk memisahkan area yang bersifat cacat pada obyek
dengan obyek normal. Pemisahan dilakukan dengan cara melihat
perbedaan intensitas warna RGB dan H (hue) antara obyek dan area
cacat. Proses pemisahan sama dengan metode untuk segmentasi
background. Grafik yang digunakan untuk menentukan fungsi
threshold area cacat ditampilkan pada Gambar 3.

Gambar 5. Boxplot variabel mutu tinggi pada empat kelas mutu

Berkala Ilmiah PERTANIAN

4
Wati, et.al., Pemutuan Jeruk Manis (Citrus sinensis (L.) Osbeck) Menggunakan Pengolahan Citra Digital Berbasis Jaringan Syaraf Tiruan
c. Diameter
Berdasarkan grafik boxplot, sebaran nilai variabel mutu area,
tinggi, diameter, perimeter, dan area cacat menunjukkan adanya data
yang saling tumpang tindih. Namun, data sebaran nilai keempat
variabel mutu tersebut (area, tinggi, diameter, perimeter) memiliki
kecenderungan semakin menurun dari kelas mutu super, A, B, dan
reject. Hal ini sesuai dengan kriteria mutu buah, semakin tinggi kelas
mutu buah maka ukuran buah semakin besar. Variabel mutu area
cacat sesuai dengan kriteria mutu buah dimana kelas mutu reject
merupakan buah yang memiliki area cacat lebih besar dari kelas mutu
B. Sebaran nilai indeks warna merah pada kelas mutu reject lebih
tinggi daripada ketiga kelas mutu tersebut sedangkan indeks warna
Gambar 6. Boxplot variabel mutu diameter pada empat kelas mutu
hijau cenderung menurun. Hal ini dikarenakan pada kelas mutu reject
kulit buah cenderung berwarna hijau kekuningan dibandingkan
d. Perimeter
ketiga kelas mutu di atasnya. Hal ini sesuai dengan konsep model
warna RGB dimana warna kuning adalah kombinasi antara warna
merah dan hijau. Semakin kuning warna kulit buah, maka semakin
tinggi nilai warna R dan nilai warna G akan menurun. Berdasarkan
penjabaran tersebut, maka semua variabel mutu citra dapat digunakan
sebagai input JST untuk membedakan kelas mutu buah.

Gambar 7. Boxplot variabel mutu perimeter pada empat kelas mutu

e. Cacat

Gambar 8. Boxplot variabel mutu diameter pada empat kelas mutu

5. Penentuan Variasi JST Terbaik dan Integrasi Program

Pengolahan Citra dengan JST
Jumlah variabel mutu yang dapat digunakan sebagai input JST
menentukan jumlah node input yang akan dibuat pada struktur JST.
Pelatihan JST menggunakan nilai laju pembelajaran 0,2 dan
momentum 0,8 pada enam variasi yang dibuat. Penentuan kriteria
penghentian iterasi berdasarkan hasil trial and error yang dilakukan.
Jaringan menunjukkan kekonvergenan pada MSE 0,14 dari berbagai
variasi arsitektur dan metode normalisasi input, sehingga kinerja
tujuan ditentukan pada MSE 0,14. Tabel 2 menampilkan keenam
variasi JST.
Tabel 2. Variasi JST
Variasi
J1
J2
J3
J4
J5
J6

f. Indeks warna merah (r)

Metode Normalisasi
Minmax
z-score
Minmax
z-score
Minmax
z-score

Tabel 3. Hasil propagasi maju data testing

Variasi JST

Gambar 9. Boxplot variabel mutu indeks r pada empat kelas mutu

g. Indeks warna hijau (g)

Jumlah node tersembunyi

10
10
15
15
20
20

J1
Persentase(%)
J2
Persentase(%)
J3
Persentase(%)
J4
Persentase(%)
J5
Persentase(%)
J6
Persentase(%)

Super
15
100
15
100
15
100
15
100
15
100
15
100

Kesesuaian Target
A
B
14
10
93,33
66,67
14
12
93,33
80,00
14
13
93,33
86,67
13
13
86,67
86,67
14
11
93,33
73,33
13
12
86,67
80,00

Reject
15
100
15
100
15
100
15
100
15
100
15
100

Jumlah
54
90,00
56
93,33
57
95,00
56
93,33
55
91,67
55
91,67

Berdasarkan Tabel 3 diketahui hasil propagasi terbaik

ditunjukkan pada variasi J3. Proses integrasi dilakukan dengan cara
memasukkan fungsi propagasi maju menggunakan bobot-bobot hasil
pelatihan variasi J3 pada program pengolahan citra, sehingga
program dapat secara otomatis menduga kelas mutu berdasarkan nilai
variabel mutu citra. Tampilan program pemutuan jeruk manis
ditampilkan pada Gambar 11 berikut ini.
Gambar 10. Boxplot variabel mutu indeks g pada empat kelas mutu
Berkala Ilmiah PERTANIAN

5
Wati, et.al., Pemutuan Jeruk Manis (Citrus sinensis (L.) Osbeck) Menggunakan Pengolahan Citra Digital Berbasis Jaringan Syaraf Tiruan
tersebut adalah area, area cacat, indeks warna merah (r), dan indeks
warna hijau (g). Berbeda dengan JST, pada model JST ketujuh
variabel mutu citra dapat digunakan sebagai input JST untuk
memisahkan kelas mutu super, A, B, dan reject.
Keunggulan JST dalam melakukan pengenalan pola ini
didukung dengan adanya proses penyesuaian nilai bobot. Sama
dengan neuron pada otak manusia yang berfungsi menyimpan dan
mengirimkan informasi sehingga mampu mengenali sesuatu, nilai
bobot pada setiap layer memiliki informasi yang digunakan untuk
menyelesaikan persamaan matematis JST untuk menghasilkan output
yang akan diduga sebagai target atau bukan. Berbeda dengan
persamaan logika yang penentuan rentang nilainya dilakukan dengan
melihat perbedaan karakteristik masing-masing mutu, sehingga jika
ada variabel-variabel yang mengalami tumpang tindih akan sulit
dilakukan pemisahan.

KESIMPULAN

Gambar 11. Tampilan program pengolahan citra jeruk manis

6. Perbandingan Validasi Program Pemutuan Jeruk Manis
antara Persamaan Logika dengan JST
Hasil perbandingan tingkat akurasi program pemutuan yang
dibangun menggunakan persamaan logika dengan JST secara
sepintas dapat diketahui melalui akurasi total pada confusion matrix.
Untuk mengetahui secara detail dapat menganalisis tabel confusion
matrix pada Tabel 4 dan 5.
Tabel 4. Confusion matrix hasil validasi program pemutuan jeruk
manis dengan persamaan logika

1.

2.

3.
4.

Proses pemutuan jeruk manis dapat dilakukan

menggunakan pengolahan citra digital dengan variabel
area, tinggi, diameter, perimeter, area cacat, r, dan g.
Semua variabel mutu citra dapat digunakan sebagai input
JST berdasarkan analisis dengan grafik boxplot yang
menunjukkan sebaran data sesuai dengan kriteria mutu
jeruk manis.
Hasil validasi JST menunjukkan bahwa program pemutuan
jeruk manis memiliki tingkat akurasi total 95,04%.
Program pemutuan jeruk manis yang dibangun dengan
menggunakan JST terbukti memiliki tingkat akurasi
program yang lebih tinggi dibandingkan dengan persamaan
logika karena adanya proses penyesuaian nilai bobot yang
menyebabkan JST mampu menduga data sejenis namun
tidak sama.

DAFTAR PUSTAKA

Akurasi total = 85%

Sumber: Fikri (2015).
Tabel 5. Confusion matrix hasil validasi program pemutuan jeruk
manis dengan JST

Ashari, H. 2014. Potensi Jeruk Manis Pacitan untuk Jus Murni yang
Disukai Semua Umur. Balai Penelitian Tanaman Jeruk dan
Buah
Subtropika.
[serial
on
line].
http://balitjestro.litbang.pertanian.go.id/potensi-jeruk-manispacitan-untuk-jus-murni-yang-disukai-semua-umur/. [11 Maret
2015].
Badan Standardisasi Nasional. 2009. Jeruk Keprok SNI 3165.
Bogor: Badan Standardisasi Nasional (BSN).
Kementerian Pertanian. Tanpa Tahun. Pusat Data dan Sistem
Informasi Pertanian: Basis Data Ekspor-Impor Komoditi
Pertanian.
[serial
on
line].
http://database.pertanian.go.id/eksim2012/index_ori.php. [11
Maret 2015].

Akurasi total = 95,04%

Sumber : Data Primer (2016).
Berdasarkan Tabel 4 dan 5, diketahui bahwa program
pengolahan citra yang dibangun dengan model JST memiliki tingkat
akurasi yang lebih tinggi daripada persamaan logika. Hal ini juga
ditunjukkan pada variabel mutu citra yang digunakan. Menurut Fikri
(2015:43), dari ketujuh variabel mutu citra yang dianalisis untuk
menentukan kelas mutu jeruk manis hanya empat variabel yang dapat
digunakan sebagai kombinasi pembuatan persamaan logika untuk
memisahkan kelas mutu super, A, B, dan reject. Keempat variabel
Berkala Ilmiah PERTANIAN

Fikri, A. K. 2015. Pemutuan Buah Jeruk Manis (Citrus sinensis (L)

Osbeck) dengan Menggunakan Pengolahan Citra (Image
Processing). Tidak Diterbitkan. Skripsi. Jember: Universitas
Jember.
Siang, J. J. 2005. Jaringan Syaraf Tiruan dan Pemrogramannya
Menggunakan Matlab. Yogyakarta: Andi.
Soedibyo, D. W. 2006. Pemutuan Edamame (Glycine Max (L.)
Merr.) dengan Menggunakan Pengolahan Citra (Image
Processing). Tidak Diterbitkan. Tesis. Bogor: Institut
Pertanian Bogor (IPB).