No Judul Penelitian Tahun Nama Permasalahan Metode yang Hasil dan Saran

Peneliti digunakan Pembahasan

1. Identifikasi Kualitas 2016 Arissa Harga beras Decision Tree Identifikasi beras 1. Penambahan variabel
Beras Dengan Citra Aprilia dipasaran semakin Iterative diameter beras pada
dilakukan dengan
Digital Menggunakan Nurcahyani melonjak banyak Dichotomiser Tree parameter keutuhan
Metode Decision Tree (Universitas beras yang (ID3) dan C4.5 cara mengecek nilai beras agar proses
Iterative Dichotomiser Sebelas memiliki kualitas analisis keutuhan
putih, bersih, dan
Tree (ID3) dan C4.5 Maret) kurang baik. beras lebih akurat.
Standard pengujian utuh beras. Nilai 2. Pengembangan
kualitas dari pihak identifikasi kualitas
utih dan bersih
bullog adalah uji beras untuk jenis
laboratorium dan diperoleh dengan beras lain selain
uji visual. Namun IR64.
menganalisis nilai
pengujian secara 3. Pengembangan
visual selama ini HSV, sedangkan aplikasi ke dalam
masih dilakukan versi mobile agar
nilai utuh diperoleh
secara manual. proses pengujian
Sehingga masih dengan menganalisis menjadi lebih mudah
sering terjadi dan praktis.
luas region objek.
kesalahan.Oleh
karena itu, sistem Sebelumnya
pengujian secara
dilakukan training
visual dengan citra
digital dapat menggunakan 30
menjadi solusi yang
data untuk
efektif untuk
permasalahan mendapatakan pohon
tersebut.
keputusan ID3 dan
C4.5. Data yang
telah diperoleh dari
pengolahan citra
kemudian
diklasifikasi ke
dalam 3 kelas yaitu
baik, kurang, dan
buruk menggunakan
pohon keputusan.
Hasil evaluasi data
klasifikasi dengan
metode supplied test
menghasilkan
akurasi 100 % untuk
ID3 dan 83.3 %
untuk C4.5.
Sedangkan pengujian
data dengan k=5
didapatkan akurasi
precision 0.969 ,
recall 0.967, f-
measure 0.967 untuk
metode ID3 .
precision 0.967 ,
recall 0.967, f-
measure 0.967 untuk
 C4.5
2. Pemutuan Fisik Beras 2016 Sujito, Penilaian mutu Penerapan teknik Teknik pelabelan 1. Mengembangkan
Dengan Teknik Mamud, fisik beras masih pelabelan flood flood filling kemampuan aplikasi
Pelabelan Flood Filling Yunus manual, yaitu filling dan digunakan untuk dalam mengenali
Dan Pengukuran (Jurnal inspeksi langsung pengukuran identifikasi jumlah mutu beras
Parameter RGB Citra Informatika sampel beras yang parameter RGB citra butir beras Dan berdasarkan citra
Digital Merdeka dilakukan oleh mengklasifikasikann input, dengan
Pasuruan) tenaga ahli dan ya sebagai butir utuh, mengganti metode
berpengalaman. butir kepala, butir atau
Beberapa patah, butir menir, mengoptimalisasi
kelemahan cara butir gabah ataupun metode flood filling
seperti ini benda asing. yang digunakan
diantaranya adalah; Sedangkan metode dalam penelitian ini.
(1) penilaian yang pengukuran paramter 2. Membuat aplikasi
bias karena adanya RGB dari citra ini untuk dapat
faktor subjektivitas; digital dapat berjalan di sistem
(2) hasil digunakan untuk operasi android,
pengamatan yang mengindentifikasi sehingga masyarakat
tidak konsisten beras sebagai butir dapat
karena kelelahan merah, butir menggunakanya
fisik dan (3) waktu kuning/rusak atau secara on the spot.
pengamatan yang butir mengapur, Misalnya ketika
relatif lebih lama. benda asing dan butir sedang di pasar atau
Berangkat dari gabah. Pengujian di swalayan.
permasalahan terhadap aplikasi
tersebut dibutuhkan dilakukan dengan
suatu alternatif cara menggunakan 100
pemutuan fisik citra input, dengan
beras yang lebih hasil 91% (91 citra)
cepat, konsisten, dapat dikenali
akurat dan mudah dengan tepat oleh
pengoperasiannya, aplikasi sedangkan
sehingga dapat sisanya 9% (9 citra)
meningkatkan gagal dikenali.
efisiensi kerja
 identifikasi mutu
fisik beras
3. Menentukan Klasifikasi 2010 Agus Saat ini Jaringan Syaraf Penelitian ini Penelitian ini berpeluang
Mutu Fisik Beras Supriatna pemeriksaan Tiruan bertujuan untuk untuk dikembangkan pada
Dengan Menggunakan Somantri kualitas beras telah membuat sistem beras dari varietas lain,
Teknologi Pengolahan (Jurnal dilakukan secara penunjang keputusan sistem penunjang keputusan
Citra Digital Dan Standardisasi manual oleh untuk menentukan yang telah dibuat dapat
Jaringan Syaraf Tiruan ) inspektur yang klasifikasi mutu diaplikasikan untuk
telah beras. Bahan baku mengidentifikasi kelas mutu
berpengalaman. yang digunakan beras dari seluruh varietas
Dengan cara ini adalah beras dari beras. Aplikasi dari
memiliki varietas Membramo. penelitian ini berupa
kelemahan seperti: Citra beras diambil perangkat lunak sistem
(1) adanya dengan penunjang keputusan yang
subjektivitas menggunakan secara langsung dapat
penilaian mutu kamera digital dan digunakan untuk menguji
antara pengamat diproses oleh kelas mutu beras Membramo.
yang satu teknologi pengolahan
dengan yang lain; citra digital dan
(2) adanya jaringan syaraf tiruan
kelelahan fisik jika (JST). Model JST
pengamat bekerja yang dikembangkan
terlalu lama, adalah 10 parameter
sehingga input, 20 lapisan
menyebabkan hasil tersembunyi dan 4
pengamatan tidak target. Keempat
konsisten, dan (3) target tersebut
waktu yang adalah butir utuh,
dibutuhkan untuk butir kepala, butir
pengamatan mutu patah dan menir.
lebih lama. Hasil penelitian
Sehubungan menunjukkan bahwa
dengan akurasi pelatihan
permasalahan adalah 99%, dan
diatas, maka akurasi validasi
 diperlukan cara 93,25%. Penelitian
untuk menentukan ini dapat
klasifikasi mutu dikembangkan untuk
beras dengan cepat, varietas padi yang
akurat dan mudah berbeda, sehingga
untuk dioperasikan, sistem penunjang
sehingga dapat keputusan dapat
meningkatkan diterapkan tidak
efisiensi hanya untuk varietas
pengkelasan mutu Membramo, tetapi
fisik beras. juga untuk berbagai
jenis beras dari
varietas yang
berbeda. Aplikasi
dari penelitian ini
berupa perangkat
lunak sistem
penunjang keputusan
yang secara langsung
dapat digunakan
untuk menguji kelas
mutu beras
Membramo.
4. Penentuan Kualitas Elly Antika Saat ini metode Binerisasi Sehingga penelitian
Mutu Beras Merah , Hariyono pemeriksaan (Thresholding), ini menggunakan
Berdasarkan Rakhmad kualitas beras Median Filtering, pengelolahan citra
Standart Nasional , Febri merah telah dan Connected digital dapat
Indonesia Berbasis Nabilla Ishaq dilakukan Component mengklasifikasi
Pengolahan Citra Digital secara manual oleh Labelling. kualitas mutu beras
ahli pertanian merah berdasarkan
organik dan SNI dengan metode
pengawas Binerisasi
pemeriksa yang (Thresholding),
berpengalaman. Median Filtering,
Hal ini memiliki dan Connected
 kelemahan karena Component
adanya Labelling. Sehingga
subjektivitas didapatkan hasil
penilaian kualitas pendeteksian pada
antara pengamat pengukuran dan
yang satu dengan bentuk beras merah
lainnya, yang sangat akurat
inkonsistensi, dan untuk mendapatkan
memerlukan waktu kualitas yang sesuai
yang lebih. Oleh dengan data yang
karena itu, telah dikumpulkan.
diperlukan cara Tingkat akurasi pada
untuk menentukan penggunaan kualitas
klasifikasi kualitas berasmerah dengan
beras merah dengan jarak 10cm dari
cepat, akurat, dan objek ke kamera
mudah untuk sebesar 80%
dioperasikan sedangkan tingkat
sehingga akurasi pada
meningkatakan penggunaan
efisiensi kualitas beras merah
pengukuran dengan jarak 15cm
kualitas beras dari objek ke kamera
merah. sebesar 100% .

5. Pengolahan CitraDigital Jurnal Ikhlasul Metode Susan Keberhasilan 1. Peningkatan

Menggunakan Metode Matema Amal, Detection Dan pengujian panjang prosentase
Susan tika No Mathematics, Neurofuzzy butir sebesar 94.22 % keberhasilan
Detection Dan 6 Vol 4 Universitas dari keseluruhan pengujian tekstur
Neurofuzzy Untuk Tahun Negeri sampel. Sedangkan dapat menggunakan
Identifikasi Komponen 2017 Yogyakarta model pengujian eliminasi input, dan
Kualitas Beras tekstur butir meliputi atau memperbaiki
ekstraksi citra proses pengambilan
menggunakan citra seperti
metode GLCM, menentukan ulang
pembagian data kalibrasi jarak
sampel 60% data pengamatan dengan
training dan 40% hanya membatasi
data testing, jumlah butir citra
pemecahan 15 sebanyak maksimal
parameter ke dalam 100 butir.
11 cluster, penentuan 2. Pemenuhan standar
sebanyak 5 kelas pengujian beras SNI
target output untuk jumlah
(premium baik, minimal 100 gram
premium buruk, beras, dapat
medium dilakukanmelalui
baik, medium buruk, terintegrasi langsung
and ekonomis) pada pada mesin
11 basis aturan, dan pengujian beras
menghasilkan seperti selepan, yang
ANFIS dengan 176 disesuaikan
jaringan linear, dan menggunakan
330 jaringan kamera beresolusi
nonlinear. tinggi.
Keberhasilan 3. Dapat dikembangkan
pengujian dalam dalam 1 buah
mengenali tekstur aplikasi dengan
bukan premium baik terlebih dahulu
menghasilkan nilai membuat program
sensitivitas, anfiseditor pada
spesifisitas, dan matlab ke dalam
akurasi secara bahasa C#.
berurutan sebesar
51,962 %, 40,151 %,
dan 45,345 % pada
data training
serta 48,387 %,
38,376 %, dan
42,640 % pada data
 testing.

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%.

7. Clustering Kualitas Silvi Saat ini K-Means K-Means merupakan

Beras Berdasarkan Ciri Agustina pemeriksaan metode dengan tipe
Fisik , Dhimas kualitas beras telah Klasifikasi
Menggunakan Metode Yhudo dilakukan secara unsupervisi dimana
K-Means , Hadi manual oleh mengelompokkan
Santoso inspektur yang data menjadi satu
, Nofiadi telah atau lebih klaster. K-
Marnasusant berpengalaman. Means memodelkan
o Dengan cara ini dataset menjadi
, Arif Tirtana memiliki klaster-klaster
, kelemahan seperti: dimana data pada
Fakhris (1) adanya satu klaster memiliki
Khusnu subjektivitas karakteristik yang
penilaian mutu sama dan memiliki
antara pengamat karakteristik yang
yang satu dengan berbeda dari klaster
yang lain; (2) lain. Penelitian ini
adanya kelelahan bertujuan untuk
fisik jika pengamat membuat sistem
bekerja terlalu penunjang keputusan
lama, sehingga untuk menentukan
menyebabkan hasil klasifikasi mutu
pengamatan tidak beras.
konsisten, dan (3)
waktu yang
dibutuhkan untuk
pengamatan mutu
lebih lama.
Sehubungan
dengan
permasalahan
diatas, maka
diperlukan cara
untuk
menentukan
klasifikasi mutu
beras dengan cepat,
akurat dan mudah
 untuk dioperasikan,
sehingga
dapat
meningkatkan
efisiensi
pengkelasan mutu
fisik beras.
8. Klasifikasi Kualitas 2012 Ratih Beras merupakan Metode K-Nearest Citra beras yang 1. Untuk proses
Beras Berdasarkan Ciri Suminar, tanaman Graminae Neighbor (K-NN) diolah sudah dalam ekstraksi ciri dan
Fisik Berbasis Bambang yang termasuk ke bentuk digital (foto). klasifikasi
Pengolahan Citra Digital Hidayat, dalam genus Oriza Metode yang disarankan
Ratri Dwi Linn. Ada beberapa digunakan dalam menggunakan
Atmaja jenis beras yang pengerjaan Tugas metode lain agar
beredar di Akhir ini adalah dapat meningkatkan
masyarakat pengolahan citra akurasi sistem,
Indonesia, yaitu: digital. Tahap-tahap menurunkan
beras pandan yang akan dilakukan kesalahan sistem,
wangi, rojolele, meliputi: pre- dan mempercepat
membramo, IR 64, processing, ekstraksi waktu komputasi
IR 42, C4, dan lain- ciri, dan klasifikasi. sistem.
lain. Jenis beras Metode ekstraksi ciri 2. Pengklasifikasian
yang paling banyak yang digunakan kualitas beras dapat
beredar di pasaran adalah Ekstraksi Ciri ditinjau berdasarkan
adalah beras IR 64. Statistik dengan ciri fisik yang lain
Dalam ditinjau dari seperti bentuk.
pengelompokkanny teksturnya yang Pemilihan tinjauan
a mutu beras dibagi merupakan salah satu lain tersebut agar
menjadi 3 jenis: dari ciri fisik beras. dapat meningkatkan
mutu beras Sedangkan untuk akurasi sistem dan
berdasarkan pasar pengklasifikasian mempermudah
beras, mutu beras kualitas proses pengolahan
berdasarkan menggunakan data.
Standar Nasional metode K-Nearest 3. Penelitian ini
Indonesia (SNI), Neighbor (K-NN). berpeluang untuk
mutu beras Berdasarkan simulasi dikembangkan
 berdasarkan secara keseluruhan, menjadi lebih
prefensi konsumen. maka dapat aplikatif dan untuk
Untuk disimpulkan bahwa objek beras dari
mendapatkan klasifikasi kualitas varietas lain ataupun
jaminan mutu beras beras dengan seluruh varietas
perlu adanya ekstraksi ciri Statistik beras.
pemeriksaan dan metode
kualitas beras yang klasifikasi KNearest
biasa dilakukan Neighbor diperoleh
oleh inspektur yang akurasi
berpengalaman. sebesar 84,167%. Itu
artinya akurasi sesuai
dengan yang
diharapkan.
9. Sistem Klasifikasi Jurnal Pradityo Berdasarkan Metode ekstraksi ciri Metode ekstraksi ciri
Jenis Beras Ilmiah Utomo kenaikan jumlah yang digunakan yang digunakan
Menggunakan Metode Ilmu- Program panen tersebut, adalah Ekstraksi Ciri adalah Ekstraksi Ciri
Learning Vector ilmu Studi D3 maka kemampuan Statistik dengan Statistik dengan
Quantization Teknik Manajemen para petani dalam ditinjau dari ditinjau dari
Volume Informatika mengelola padi teksturnya yang teksturnya yang
1 Universitas diharapkan dapat merupakan salah satu merupakan salah satu
Nomor Merdeka selalu lebih baik dari ciri fisik beras. dari ciri fisik beras.
2 Madiun agar mendapatkan Sedangkan untuk Sedangkan untuk
Septemb hasil beras yang pengklasifikasian pengklasifikasian
er 2016 banyak dalam kualitas kualitas
setiap panennya. menggunakan menggunakan
Jenis beras juga metode K-Nearest metode K-Nearest
terdapat beberapa, Neighbor (K-NN) Neighbor (K-NN).
diantaranya beras Sistem klasifikasi
putih dan beras jenis beras dengan
ketan. Pengetahuan Menggunakan
petani tentang algoritma Learning
pemahaman Vector Quantization
terhadap jenis-jenis telah berhasil
beras dibangun, dimana
harus sudah baik, sistem dapat berjalan
supaya tidak salah cukup baik dengan
tanam jenis akurasi sebesar
padinya. Tidak 53,33% ketika
hanya petani yang dilakukan
harus memiliki pengenalan
pengetahuan menggunakan data
tentang jenis-jenis training, dan sebesar
beras, masyarakat 50% menurut
awam juga harus pengenalan data
memiliki testing. Berdasarkan
pengetahuan penelitian tersebut
tentang jenis-jenis didapatkan akurasi
beras, supaya sistem sebesar
tidak salah dalam 84,167% dalam
memilih bahan melakukan
makanan. Beberapa klasifikasi kualitas
jenis beras yang beras.
sering digunakan
sebagai bahan
makanan
ataupun makanan
pokok adalah beras
putih dan beras
ketan putih. Jika
dilihat sekilas
antara beras putih
dan beras ketan
putih tidak
memiliki
perbedaan. Padahal
jika diteliti lebih
dekat antara
beras putih dan
beras ketan
 putih memiliki
perbedaan. Beras
putih berwarna
putih agak
transparan,
sedangkan beras
ketan berwarna
putih tidak
transparan.
Sehingga beras
putih terlihat lihat
kurus dan lonjong
dibandingkan
dengan beras
ketan yang terlihat
agak gemuk.
Terkadang
Masyarakat luas
tidak memahami
perbedaan ini,
sehingga terkadang
melakukan
kesalahan dalam
memilih
bahan makanan.

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.

Penelitian yang akan dilakukan:

No Judul Tahun Nama Peneliti Permasalahan Metode yang Hasil dan Saran
Penelitian digunakan Pembahasan
1. Klasifikasi
Kualitas Beras
Dengan Citra
Digital