6. Identifikasi Beras 2017 Muhammad Beras merupakan Adaptive Sistem untuk Perlu dicoba untuk
Berdasarkan Warna Jurnal Gilang bahan pangan Neuro Fuzzy mengidentifikasi melakukan
Menggunakan Adaptive Penelitia Alfianto, utama masyarakat Inference System butir beras IR 64 identifikasi untuk
Neuro Fuzzy Inference n Ilmu Retno Indonesia. yang berkualitas baik sekelompok beras kualitas
System Komput Nugroho Pemerintah melalui dan rusak. Data yang baik dan kualitas rusak .
er, Whidhiasih, badan Standarisasi digunakan adalah
Sistem Maimunah Nasional telah data primer, yang
Embedd Program menetapkan syarat berupa gambar butir
ed & Studi Teknik umum beras, yaitu beras berkualitas
Logic Komputer beras berkualitas baik sebanyak 50 dan
Unisma baik yang butir beras beras
Bekasi mempunyai warna berkualitas rusak
putih mengapur dan sebanyak 50.
beras berkualitas Variabel penduga
rusak yang yang dicobakan
mempunyai warna adalah La*b* dan
kekuningan (SNI Sa*b* dengan
6128:2015). Untuk menggunakan
Menentukan metode
perbedaan warna Adaptive Neuro
beras berkualitas Fuzzy Inference
baik dan rusak Systems (ANFIS).
seringkali terjadi Variabel penduga
kesalahan Sa*b* menghasilkan
identifikasi yang identifikasi yang
dikarenakan lebih tinggi
perbedaan persepsi dibandingakan
warna. La*b* dengan nilai
akurasi sebesar 90%.
10 Klasifikasi Citra Beras Eko Seiring dengan Metode GLCM. Matriks kookurensi Untuk mendapatkan citra
Berdasarkan Pencirian Prasetyo, berkembangnya Metode dari data citra aras yang bagus diperlukan
Matriks Ko-Okurensi Imam teknologi pengklasifikasian k- keabuan ( Gray kamera yang bagus, kondisi
Aras Keabuan Santoso, pengolahan citra buah tetangga Level Co-Occurrence pencahayaan serta
Menggunakan K- Budi digital, manusia terdekat atau k- Matrix-GLCM ) teknikfotografi yang bagus
Nearest Neighbour Setiyono. menginginkan agar Nearest adalah salah satu pula, lebih disarankan lagi
Jurusan mesin (komputer) Neighbour (k-NN), metode untuk citra beras diambil oleh
Teknik dapat mengenali berdasarkan memperoleh ciri-ciri orang yang ahli di bidang
Elektro citra seperti pencirian yang citra tekstur fotografi, sehingga diperoleh
Fakultas layaknya diperoleh dengan menghitung kualitas citra yang bagus,
Teknik penglihatan dengan metode probabilitas baik citra yang digunakan
Universitas manusia. Salah satu matriks ko-okurensi. hubungan untuk basis data maupun
Diponegoro, cara untuk ketetanggaan citra yang digunakan
mengenali antara dua piksel untuk citra uji. Diperlukan
citra adalah dengan pada jarak dan arah suatu penelitian dengan
membedakan tertentu. Adapun jumlah basis data serta citra
tekstur citra parameter atau ciri- uji yang lebih banyak, juga
tersebut. ciri tekstur yang penambahan jenis beras yang
Setiap citra didapat dari lain.Untuk proses ekstraksi
mempunyai tekstur metode GLCM ciri dapat digunakan metode
yang unik yang diantaranya adalah ekstraksi ciri yang lain
dapat energy, entropi, misalnya adalah histogram
dibedakan dengan homogenitas, jumlah dan selisih (sum and
citra yang lain, ciri- kontras, korelasi, difference histogram), tapis
ciri inilah yang momentum selisih gabor, frekuensi tepi dan
menjadi dasar varians jumlah, rata- metode law. Perlu dilakukan
dalam klasifikasi rata jumlah, dan penelitian untuk
citra berdasarkan entropi jumlah. perbandingan hasil
tekstur. Hasil ekstraksi ciri- klasiflkasi dengan
ciri tersebut menggunakan metode
kemudian digunakan klasifikasi yang lain
untuk proses diantaranya menggunakan
klasifikasi dengan jaringan syaraf tiruan, Bayes,
menggunakan k- Linear Discriminant
Nearest Analysis, atau k-means.
Neighbour (k-NN)
yang menentukan
hasil klasifikasi
berdasarkan jumlah
tetangga terdekat.
Pada tugas akhir
ini dibuat program
simulasi untuk
analisis citra dengan
metode GLCM.
Program tersebut
digunakan untuk
mengenali citra beras
dari lima jenis beras
yang berbeda.
Dalam pengujian
digunakan berbagai
macam citra beras
dari lima jenis yang
berbeda untuk
mengetahui tingkat
pengenalan
perangkat lunak
terhadap citra
tekstur beras
tersebut. Tingkat
keberhasilan
pegenalan
dapat diketahui dari
prosentase jumlah
citra yang dapat
dikenali terhadap
jumlah total citra
yang diuji.
No Judul Tahun Nama Peneliti Permasalahan Metode yang Hasil dan Saran
Penelitian digunakan Pembahasan
1. Klasifikasi
Kualitas Beras
Dengan Citra
Digital