Abstrak
Beras merupakan tanaman Graminae yang termasuk ke dalam genus Oriza Linn. Ada beberapa
jenis beras yang beredar di masyarakat Indonesia, yaitu: beras pandan wangi, rojolele,
membramo, IR 64, IR 42, C4, dan lain-lain. Jenis beras yang paling banyak beredar di pasaran
adalah beras IR 64. Dalam pengelompokkannya mutu beras dibagi menjadi 3 jenis: mutu beras
berdasarkan pasar beras, mutu beras berdasarkan Standar Nasional Indonesia (SNI), mutu beras
berdasarkan prefensi konsumen. Untuk mendapatkan jaminan mutu beras perlu adanya
pemeriksaan kualitas beras yang biasa dilakukan oleh inspektur yang berpengalaman. Tugas
Akhir ini bertujuan untuk menghasilkan suatu alat bantu bagi inspektur pemeriksa yang dapat
mengolah citra beras dan mengklasifikasikan kualitas beras serta menganalisa performansi
sistem klasifikasi tersebut.
Citra beras yang diolah sudah dalam bentuk digital (foto). Metode yang digunakan dalam
pengerjaan Tugas Akhir ini adalah pengolahan citra digital. Tahap-tahap yang akan dilakukan
meliputi: pre-processing, ekstraksi ciri, dan klasifikasi. Metode ekstraksi ciri yang digunakan
adalah Ekstraksi Ciri Statistik dengan ditinjau dari teksturnya yang merupakan salah satu dari
ciri fisik beras. Sedangkan untuk pengklasifikasian kualitas menggunakan metode K-Nearest
Neighbor (K-NN).
Berdasarkan simulasi secara keseluruhan, maka dapat disimpulkan bahwa klasifikasi kualitas
beras dengan ekstraksi ciri Statistik dan metode klasifikasi KNearest Neighbor diperoleh akurasi
sebesar 84,167%. Itu artinya akurasi sesuai dengan yang diharapkan.
Kata Kunci : beras, kualitas beras, pengolahan citra digital, Ekstraksi Ciri Statistik,
Abstract
Rice is Graminae plant that belongs to genus Oriza Linn. There are several types of rice in
Indonesia, such as: pandan wangi, rojolele, Memberamo, IR 64, IR 42, C4, and others. Most type
of rice in the market is IR 64. In quality grouping, rice is divided into three types: the quality of
rice based on the rice market, Standar Nasional Indonesia (SNI), and consumer preference. To
obtain guarantee of quality, it needs inspection by an experienced inspector. This final project is
supposed to produce a tool for processing the image quality of rice, classifying and analyzing the
performance of classification system.
The image of processed rice is already in digital (photo). The method in this final project is using
digital image processing. The stages performed included: pre-processing, feature extraction, and
classification. For feature extraction, used Statistic feature extraction to observe texture while the
quality classification used K-Nearest Neighbor (K-NN).
Based on the simulation, it can be concluded that the classification of rice quality by Statistic
feature extraction and classification method K-Nearest Neighbor produce 84,167% of
accurateness. It means the accuracy as expected.
Keywords : Key words: rice quality, digital image processing, Statistic feature extraction,
KNearest
BAB 1
PENDAHULUAN
1.2 Tujuan
Tujuan dari penulisan Tugas Akhir ini adalah :
a. Merancang dan membangun program yang berfungsi untuk mengklasifikasi
kualitas beras dengan ekstraksi ciri Statistik dan metode K-Nearest Neighbor.
b. Menganalisa performansi program pengklasifikasian yang telah dibuat.
1.3 Manfaat
Manfaat dari penelitian ini adalah menghasilkan alat bantu dalam bidang
pertanian dan perdagangan terutama bagi inspektur pemeriksa untuk
mengklasifikasi kualitas beras berdasarkan ciri fisik berbasis pengolahan citra
digital.
a. Objek yang digunakan adalah citra digital dari beras dengan format *.jpg,
hasil pengambilan kamera digital dengan resolusi 4000x3000 piksel.
b. Jarak pengambilan citra beras 15 cm dari kamera digital dengan pencahayaan
yang cukup serta pengambilan pada posisi berhadapan dengan butir beras.
c. Jenis beras yang digunakan dalam penelitian ini adalah beras IR 64.
d. Output sistem terbagi menjadi 3 tingkatan penggolongan kualitas, yaitu
kualitas 1, kualitas 2, dan kualitas 3.
e. Ciri fisik yang digunakan dilihat dari tekstur setiap kualitas.
f. Metode yang digunakan untuk ekstraksi ciri adalah eksrtaksi ciri Statistik.
g. Metode yang digunakan untuk mengklasifikasi adalah K-Nearest Neighbor.
h. Klasifikasi kualitas hanya dilakukan secara offline dan disimulasikan dengan
software Matlab R2009a.
BAB 5
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Berdasarkan hasil percobaan dan analisis data pada sistem klasifikasi
kualitas beras berdasarkan ciri fisik yang ditinjau dari teksturnya dengan
menggunakan ekstaksi ciri Statistik dan metode K-Nearest Neighbor, maka dapat
ditarik kesimpulan sebagai berikut:
1. Metode ekstraksi ciri Statistik dan klasifikasi menggunakan K-Nearest
Neighbor dapat digunakan untuk mengklasifikasikan kualitas beras dengan
akurasi sebesar 84,167%.
2. Kombinasi ciri dari setiap orde dalam ekstraksi cirri Statistik untuk
mendapatkan akurasi terbaik adalah menggunakan ciri Angular Second
Moment (ASM) dan Inverse Different Moment (IDM) dengan nilai akurasi
yang dihasilkan sebesar 83,333%. Akurasi tertinggi sistem klasifikasi kualitas
beras dengan K-Nearest Neighbor mencapai 84,167% dengan pemilihan
parameter klasifikasi yaitu nilai k = 9, distance Euclidean maupun Cityblock.
5.2 Saran
Berdasarkan hasil evaluasi analisis pada sistem klasifikasi kualitas beras,
maka untuk pengembangan penelitian dapat disarankan sebagai berikut.
1. Untuk proses ekstraksi ciri dan klasifikasi disarankan menggunakan metode
lain agar dapat meningkatkan akurasi sistem, menurunkan kesalahan sistem,
dan mempercepat waktu komputasi sistem.
2. Pengklasifikasian kualitas beras dapat ditinjau berdasarkan ciri fisik yang lain
seperti bentuk. Pemilihan tinjauan lain tersebut agar dapat meningkatkan
akurasi sistem dan mempermudah proses pengolahan data.
3. Penelitian ini berpeluang untuk dikembangkan menjadi lebih aplikatif dan
untuk objek beras dari varietas lain ataupun seluruh varietas beras.
DAFTAR PUSTAKA
[2] Badan Ketahanan Pangan dan Penyuluhan Provinsi DIY. (2012). Tips
Memilih Beras yang Sehat. [Online]. Tersedia:
http://bkpp.jogjaprov.go.id/tips.php?ix=15: Website Resmi Badan
Ketahanan Pangan dan Penyuluhan Provinsi D.I. Yogyakarta.htm [24 April
2012].
[3] Purnomo, Mauridhi Hery dan Arif Muntasa. 2010. Konsep Pengolahan
Citra Digital dan Ekstraksi Fitur. Yogyakarta: Graha Ilmu.
[4] Sutoyo, T., S.Si., M.Kom. (dkk). 2009. Teori Pengolahan Citra Digital.
Yogyakarta: Penerbit ANDI.
[5] Somantri, Agus Supriatna. (2010). Menentukan Klasifikasi Mutu Fisik Beras
Dengan Menggunakan Teknologi Pengolahan Citra Digital Dan Jaringan
Syaraf Tiruan. Jurnal Standardisasi Vol. 12, No. 3 Tahun 2010: 162 173.
[6] Siroyudin. (2011). Karakteristik Fisik Beras Dari Padi Lokal Sebagai
Sumber Plasma Nutfah Asal Jambi. [Online]. Tersedia:
http://siroychery.blogspot.com/2011/03/karakterisitik-fisik-beras-dari-
padi.html. [30Oktober 2011].
[7] Widiarsana, I.G.A Oke (dkk). (2011). Data Mining Metode Classification K-
Nearest Neighbor (KNN). [Online]. Tersedia:
http://www.scribd.com/doc/88859050/57208138-Metode-Algoritma-KNN.
[6 Mei 2012].
[8] Ardi. (2011). Analisis Tekstur dengan Metode GLCM (Gray Level Co-
occurrence Matrix). [Online]. Tersedia:
http://utekqu.wordpress.com/2011/01/23/analisis-tekstur-dengan-metode-
glcm/. [13 Juni 2012].
[9] Classification Using Nerarest Neighbor. [Online]. Tersedia:
http://www.mathworks.com/help/toolbox/stats/bsehyju-1.html. [13 Juni
2012].
[10] Modul Praktikum Pengolahan Citra. (2008). Analisis Tekstur dan Ekstraksi
Ciri. [Online]. Tersedia : http://biomed.ee.itb.ac.id. [19 Juni 2012].