FORM PENGAJUAN JUDUL

Nama : Timothy Agalliasis

NIM : 191402084
Judul diajukan oleh* : Dosen
✓ Mahasiswa

Bidang Ilmu (tulis dua bidang) : Image Processing

= dan Computer Vision

Uji Kelayakan Judul** : Diterima Ditolak Foto Terbaru

Hasil Uji Kelayakan Judul :

Dosen Pembimbing I: Dr. Muhammad Anggia Muchtar S.T., MM.IT. Paraf Calon Dosen Pembimbing I
(Jika judul dari dosen maka dosen tersebut berhak menjadi pembimbing I)

Dosen Pembimbing II: Umaya Ramadhani Putri Nasution S.TI., M.Kom

Medan, 26 Mei 2023

Ka. Laboratorium Penelitian,

* Centang salah satu atau keduanya (Fanindia Purnamasari S.TI., M.IT)

** Pilih salah satu NIP. 198908172019032023
 RINGKASAN JUDUL YANG DIAJUKAN
Judul / Topik KLASIFIKASI KUALITAS MUTU JAGUNG MENGGUNAKAN FASTER
Skripsi REGION CONVOLUTIONAL NEURAL NETWORK (FASTER R-CNN) .

Latar Belakang Latar Belakang

dan Penelitian Indonesia merupakan negara agraris karena sebagian besar masyarakatnya
Terdahulu mengandalkan hidupnya dari sector pertanian. Salah satu produk pertanian yang
mengambil peran dalam pengembangan sektor pertanian adalah jagung. Jagung
merupakan komoditas pangan kedua setelah padi dan sumber kalori atau makanan
pengganti beras, disamping itu juga sebagai makanan ternak. Jagung juga memiliki
kualitas yang bervariasi. Ketika jagung dimanfaatkan sebagai sumber atau campuran
pada pakan, maka para suplayer akan memperhatikan kualitas jagung tersebut.
Permasalahan kualitas pada biji-bijian khususnya jagung sampai saat ini masih
menjadi sebuah persoalan. Tingginya tingkat kerusakan biasanya disebabkan oleh
cara-cara penanganan yang kurang baik. Sebagai contoh adalah pada proses
perontokan dengan mesin, sejumlah biji jagung terkelupas kulitnya sehingga akan
memudahkan jamur untuk tumbuh secara cepat. Selain itu selama ini evaluasi kualitas
biji jagung dalam proses pengklasifikasian kualitasnya masih dilakukan secara manual
melalui pengamatan visual. Evaluasi kualitas dengan cara ini memiliki beberapa
kelemahan, yaitu membutuhkan waktu yang lama dan menghasilkan produk yang tidak
konsisten. Hasil yang tidak konsisten ini disebabkan oleh adanya perbedaan persepsi
tentang kualitas oleh masing-masing pengamat.
Permintaan jagung untuk makanan, pakan dan keperluan industry kebutuhan
industri lainnya dalam lima tahun ke depan Rencana Ditjen Tanaman Pangan (2016)
berlanjut meningkatkan penggunaan jagung khususnya bahan gizi meningkat lebih dari
60% dari total permintaan Nasional Badan Penelitian dan Pengembangan Pertanian
(2015) menyatakan bahwa kebanyakan jagung digunakan untuk memberi makan
hewan yaitu 22% pakan langsung dan 44% bahan baku industri pakan, 25% bahan
baku industri makanan dan 9% konsumsi rumah tangga secara langsung. Memenuhi
kebutuhan Dalam hal jagung, aspek kualitas menjadi sangat penting perhatikan
kuantitasnya, karena kualitas jagungnya enak Bahan baku menentukan kualitas produk
akhir industri.
Dalam prakteknya, pembelian jagung di tingkat petani pedagang tidak
sepenuhnya mengikuti harga yang ditetapkan menteri perdagangan Hal ini karena para
pedagang menentukan kualitas jagung petani berdasarkan lama proses pengeringan
mempengaruhi keputusan harga pembelian. Menentukan kualitas jagung Dengan cara
ini memiliki beberapa kelemahan efisiensi rendah, objektivitas dan konsistensi Hal ini
dapat menimbulkan konflik antara pedagang dan petani. Faktor: Oleh karena itu,
untuk menghindari perbedaan dalam penentuan mutu dan kualitas harga antar
pedagang, maka perlu dilakukan pengembangan metode klasifikasi kualitas jagung di
petani baik dan akurat berdasarkan pengolahan citra.
Perkembangan teknologi yang semakin pesat dan canggih pada masa sekarang
ini telah banyak membantu mempercepat pekerjaan manusia. Hal ini dapat dibuktikan
dengan adanya pengolahan citra digital untuk mengelompokkan kualitas biji jagung
menggunakan jaringan syaraf tiruan (Soemantri, Agus Supriatna Abubakar,
nFN.,2020) dengan penelitian yang berjudul “Sistem Penunjang Keputusan Untuk
Menentukan Kelas Mutu Jagung Dengan Menggunakan Teknologi Pengolahan Citra
Digital dan Jaringan Syaraf Tiruan”. Penelitian ini memperlihatkan bahwa jaringan
syaraf tiruan yang dibuat ternyata memiliki tingkat akurasi sebesar 98%. Selain itu
terdapat penelitian lain mengenai klasifikasi kualitas biji jagung berdasarkan deteksi
warna dan bentuk oleh (Ulla Delfana Rosiani, Mustika Mentari, Andi Novan Prastya,
2019) dengan judul “Kualitas Biji Jagung Berdasarkan Deteksi Warna dan Bentuk
Menggunakan Metode K-Nearest Neighbor”. Penelitian ini menggunakan metode K-
Nearest Neighbour (K-NN) dan mendapatkan akurasi tertinggi sebesar 76,67%.
Selanjutnya penelitian lain mengenai jagung yang dilakukan oleh (MIFTAHUL
JANNAH, 2011) dengan judul penelitian “IDENTIFIKASI MUTU JAGUNG
MENGGUNAKAN FITUR WARNA DAN TEKSTUR BERBASIS PENGOLAHAN
CITRA DIGITAL DAN ALGORITMA K-NEAREST NEIGHBOR (K-NN)”.
Penelitian ini mendapatkan akurasi sebesar 90%. Penelitian yang menggunakan
algortima Faster R-CNN dengan judul “Klasifikasi Mutu Buah Pala (Myristica
Fragrans Houtt) Berbasis Pengolahan Citra Menggunakan Metode Deep Learning
Arsitektur Faster R-CNN” oleh (Muh. Subhan, Hasan Basri, 2019) menghasilkan
tingkat akurasi 87%. Dan penelitian yang berjudul “Klasifikasi Pola Kain Tenun
Melayu Menggunakan Faster R-CNN“ oleh (Yoze Rizky, Reny medikawaty Taufiq,
Dinia Putri, Harun Mukhtar, 2021) mendapatkan tingkat akurasi 82,14%.

Dengan didasari oleh latar belakang tersebut serta penelitian-penelitian terdahulu,

penulis mengajukan sebuah penelitian yang akan menghasilkan sebuah aplikasi mobile
dengan metode klasifikasi Faster Region Convolutional Neuran Network (Faster R-
CNN) untuk membantu masyarakat baik penjual maupun pembeli dalam menentukan
kualitas beras berdasarkan warna dan ciri fisik beras.. Penelitian ini diberi judul
KLASIFIKASI KUALITAS MUTU JAGUNG MENGGUNAKAN FASTER
REGION CONVOLUTIONAL NEURAL NETWORK (FASTER R-CNN).

Penelitian Terdahulu

No. Penulis Judul Tahun

IDENTIFIKASI MUTU JAGUNG

MENGGUNAKAN FITUR WARNA
MIFTAHUL DAN TEKSTUR BERBASIS
1. 2018
JANNAH PENGOLAHAN CITRA DIGITAL
DAN ALGORITMA K-NEAREST
NEIGHBOR (K-NN)
 KLASIFIKASI KUALITAS MUTU
JAGUNG DENGAN
2. Moch. Lutfi MENGGUNAKAN METODE 2018
DECISION TREE PADA DINAS
PERTANIAN BOJONEGORO

Ulla Delfana
Klasifikasi Kualitas Biji Jagung
Rosiani.,
Berdasarkan Deteksi Warna dan Bentuk
3. Mustika 2019
Menggunakan Metode K-Nearest
Mentari, Andi
Neighbor
Novan Prastya.

Klasifikasi Mutu Buah Pala (Myristica

Muh. Subhan, Fragrans Houtt) Berbasis Pengolahan
4. 2019
Hasan Basri Citra Menggunakan Metode Deep
Learning Arsitektur Faster R-CNN

Yoze Rizky,
Reny
medikawaty Klasifikasi Pola Kain Tenun Melayu
5 2021
Taufiq, Dinia Menggunakan Faster R-CNN
Putri, dan
Harun Mukhtar

IDENTIFIKASI KUALITAS BIJI

Mungki
JAGUNG MANIS LAYAK JUAL
Astiningrum,
DARI WARNA DAN TEKSTUR
6. Arie Rachmad 2020
MENGGUNAKAN HSV DAN GRAY
Syulistyo,M.
LEVEL RUN LENGTH MATRIX
Alfin Zakariya
(GLRLM)
 Sistem Penunjang Keputusan Untuk
Soemantri, Menentukan Kelas Mutu Jagung
7. Agus Supriatna Dengan Menggunakan Teknologi 2020
Abubakar, nFN Pengolahan Citra Digital dan Jaringan
Syaraf Tiruan

Perbedaan penelitian ini dengan penelitian sebelumnya ialah, pada penelitian ini data
yang digunakan untuk penelitian ini berbeda dengan penelitian yang telah ada karena
pengambilan data dilakukan oleh penulis, dan langsung dari hasil panen jagung di
daerah sumatera utara. Pada penelitian sebelumnya belum ada yang melakukaan
penelitian klasifikasi mutu jagung dengan metode faster Regional Convolutional
Network, metode ini memiliki kecepatan deteksi yang lebih cepat dan ekstraksi fitur
yang lebih kompleks. Pada penelitian ini saya ingin meneliti kualitas mutu jagung
berdasarkan SNI 01-3920-1995 yaitu kadar air, biji rusak, biji berjamur, dan biji pecah.

Rumusan Tingkat kualitas mutu jagung dan dilihat dengan mata telanjang, tetapi tidak semua
Masalah orang mempunyai kemampuan untuk menilai suatu mutu jagung, hal ini mempunyai
kelemahan untuk masyarakat yang tidak mengerti bagaimana menilai suatu mutu
jagung, sedangkan pada saat panen petani jagung menjual jagungnya dan pembeli yang
menilai jagung tersebut, kegiatan ini mempunyai kelemahan pada subjektifiktas
penilaian mutu jagung, Dengan melalui pemanfaatan ilmu citra digital diperlukan dan
akan membantu petani jagung dalam menilai suatu mutu jagung berdasarkan tekstur dan
kadar air pada jagung maka diperlukan pendekatan untuk menhasilkan suatu sistem yang
dapat mengklasifikasi mutu biji jagung berdasarkan kadar air dan tekstur.
Metodologi

Adapun mutu jagung di tingkat petani dikategorikan berdasarkan PERMENDAGRI

No.27/M-DAG/PER/5/2017 ditunjukkan pada Tabel. Mutu tersebut didasarkan pada
kadar air dan digunakan sebagai acuan penetapan harga beli jagung di tingkat petani.

Jenis Uji Satuan Kategori A Kategori B Kategori C Kategori Kategori E

D
Kadar Air % Maks 15 Maks 20 Maks 25 Maks 30 Maks 35
Butir % Maks 2 Maks 2 Maks 2 Maks 2 Maks 2
Rusak
Butir % Maks 2 Maks 2 Maks 2 Maks 2 Maks 2
Berjamur
Butir Pecah % Maks 2 Maks 2 Maks 2 Maks 2 Maks 2
Tahapan Penelitian:

Image Acquisition
Image acquisition merupakan tahap awal dalam penelitian, yaitu dengan
mengumpulkan data citra biji jagung sebagai input dari aplikasi. Citra biji jagung yang
digunakan untuk mengklasifikasinya mutu jagung menjadi 3 mutu, yaitu mutu A
sebagai mutu yang sangat baik, mutu B sebagai mutu baik, dan mutu C sebagai mutu
yang tidak baik. Citra diambil menggunakan kamera smartphone 12 MP, dan data
akan dibagi menjadi data testing dan training.

Pre-Processing
Tahap ini merupakan tahap dimana data citra akan diolah agar data bisa di gunakan
untuk di proses ke tahap selanjutnya. Pada tahap ini akan dilakukan pada penelitian,
pengolahan data terdiri dari Labeling, Resizing dan Augmentasi.

Segmentation
Pada tahap segmentation dilakukan thresholding yaitu melakukan segmentasi citra
kedalam beberapa bagian agar citra objek dan background terpisah.

Method Classifier
Metode klasifikasi yang digunakan pada penelitian ini adalah Faster Region
Convolutional Neuran Network (Faster R-CNN). Klasifikasi dibagi ke dalam 2 proses
yaitu proses training dan proses testing. Adapun tahapan dari klasifikasi image Faster
R-CNN adalah sebagai berikut:

Load Model
Proses klasifikasi citra yang dilakukan saat training data menghasilkan sebuah learned
model yang kemudian akan digunakan pada aplikasi. Learned model atau yang dapat
disebut juga dengan saved model. Pada learned model terdapat 3 klasifikasi mutu
jagung yaitu mutu A, mutu B, dan mutu C.

TFLite Model
Learned model yang telah terbentuk kemudian di ubah menjadi format tensorflow lite
agar bisa dijalankan pada aplikasi berbasis android. Tensorflow Lite menyediakan
framework untuk model Tensorflow yang sudah dilatih. Learned model yang
berukuran besar tersebut diconvert ke TFLite model sehingga ukuran model menjadi
ukuran biner yang lebih kecil dan lebih ringan untuk dijalankan pada perangkat
berbasis android.

Result
Hasil dari semua proses diatas adalah klasifikasi kualitas mutu jagung yang dibagi
menjadi tiga tingkatan yaitu kualitas sangat baik, baik dan tidak baik.
Referensi Sari, N. I., & Tirtadji, P. (2017). Pengembangan Sistem Inspeksi Nondestruktif untuk
Menentukan Kualitas Biji Jagung. Jurnal Teknologi Pertanian, 18(3), 167-174.

Iqbal, F. M., Arifin, M., & Permana, R. S. (2019). Pengembangan Model Klasifikasi
Kualitas Jagung Berdasarkan Citra Menggunakan Convolutional Neural
Network (CNN). Prosiding Seminar Nasional Teknik Elektro, 177-182.

Isfarayani, E., & Supriana, T. (2018). Klasifikasi Kualitas Jagung dengan Metode K-
Nearest Neighbor (KNN) Berdasarkan Fitur Citra. Jurnal Rekayasa Elektrika,
15(2), 82-87.

Zahroh, F., Suryaningrat, W., & Fanany, M. I. (2019). Klasifikasi Kualitas Biji Jagung
Menggunakan Metode K-Means Clustering dan Naive Bayes Classifier. Jurnal
Teknologi Informasi dan Ilmu Komputer, 6(2), 183-190.

Cahyono, R. W., & Sari, R. F. (2016). Klasifikasi Kualitas Biji Jagung Menggunakan
Jaringan Syaraf Tiruan Backpropagation. Jurnal Ilmiah Teknologi Informasi
Asia, 10(2), 93-100.

Medan, 17 Mei 2023

Mahasiswa yang mengajukan,

(Timothy Agalliasis)
NIM. 191402084