Klasterisasi Kualitas Beras Berdasarkan Citra Pecahan Bulir Dan Sebaran Warna

Full text

JURNAL INOVTEK POLBENG - SERI INFORMATIKA, VOL. 6, NO. 1, 2021 ISSN: 2527-9866
105
Klasterisasi Kualitas Beras Berdasarkan Citra
Pecahan Bulir Dan Sebaran Warna
Eko Supriyadi*1, Achmad Basuki2 , Riyanto Sigit3
1,2,3Pasca Sarjana Teknik Informatika dan Komputer Politeknik Elektronika Negeri Surabaya
E-mail: 1ekalaya@pasca.student.pens.ac.id, 2basuki@pens.ac.id,
3riyanto@pens.ac.id
Abstrack – Rice is a staple food for Indonesian people, because rice contains complex carbohydrates
and can provide various other nutrients that are important to the body. There are still many people
who assume that if rice is clean, indifferent, and has a higher price, the rice is of good quality, even
though it does not mean that the rice is of good quality. For this reason, we conduct an investigation
into the quality of rice which can help the community to differentiate between good and bad qualities.
Many factors affect rice quality such as grain fragments, non-uniform color, odor and other factors.
The study used the proportion of broken rice grains and color uniformity to determine the quality of
rice. The study used the broken grain parameters and color distribution which then led to clustering
with the K-Means method where the cluster values were used as value classes to label the type of rice
according to the quality of the medium 1,2, and 3. Furthermore, the data labeled cluster was carried
out by the classification process to obtain accuracy the best, and the best classification method is
neural network at 99.85%
Keywords – rice quality, rice image, K-Mean, Neural Network.
Intisari – Berassebagai bahan pokok makanan masyarakat Indonesia , karena di dalam beras terdapat
kandungan karbohidrat kompleks, serta dapat memberikan berbagai zat gizi lain yang penting bagi
tubuh. Masih banyak masyarakat yang berasumsi jika beras dalam keadaan bersih, tak berbau, dan
memiliki harga lebih mahal, beras tersebut berkualitas baik, padahal belum tentu beras yang dimaksud
tersebut mempunyai kualitas baik. Untuk itu dalam melakukan penelitian mendeteksi kualitas beras
yang nantinya dapat membantu masyarakat untuk dapat membedakan kualitas baik dan buruk. Banyak
faktor yang mempengaruhi kualitas beras seperti fragmen biji- bijian, warna yang tidak seragam, bau
dan faktor lainnya. Penelitian ini menggunakan persentase buliran beras pecah dan keseragaman warna
untuk menentukan kualitas beras. Penelitian ini menggunakan parameter buliran pecah dan distribusi
warna yang selanjutnya diproses klasterisasi dengan metode K-Means di mana nilai klaster dijadikan
sebagai nilai class untuk melabeli jenis beras sesuai mutu dari medium 1,2, dan 3. Selanjutnya data
yang terlabel klaster dilakukan proses klasifikasi untuk mendapatkan akurasi yang terbaik, dan metode
klasifikasi yang terbaik adalah neural network sebesar 99,85%.
Kata kunci – kualitas beras, citra beras, K-Mean, Neural Network.
I. PENDAHULUAN
Konsumsi makanan sehari – hari penduduk Indonesia adalah nasi yang berasal dari beras.
Untuk menentukan mutu beras yang dikonsumsi, maka pemerintah melalui Badan
Standardlisasi Nasional (BSN), Standar Nasional Indonesia (SNI) membagi 4 klasifikasi
kulitas beras, yakni premium, medium I, medium II, dan medium III . Adapun syarat beras
yang ditentukan, yakni bebas penyakit dan bebas hama , tidak berbau apek, asam ataupun bau
lainnya, terbebas dari dedak atau bekatul, terlebih utama terbebas dari bahan kimia .Untuk
menentukan kualitas dan membedakan jenis beras tersebut maka proses pemeriksaan kualitas
beras selalu dilakukan oleh para ahli dibidang pertanian dengan pengawasan dan pemeriksan
yang rutin [1].

JURNAL INOVTEK POLBENG - SERI INFORMATIKA, VOL. 6, NO. 1, 2021 ISSN: 2527-9866
106
Kelemahan dalam pemeriksaan di atas memerlukan waktu yang lama dan menghasilkan
produk dengan kualitas yang tidak merata karena keterbatasan visual, faktor kelelahan, dan
perbedaan persepsi masing-masing pengamat. Salah satu alternatif yang dibutuhkan adalah
pengolahan citra agar pendeteksian lebih cepat dan akurat. Proses pengolahan citra ini
memungkinkan digunakan secara luas terlebih dengan berkembangnya teknologi smartphone
yang menawarkan fitur kamera yang semakin baik dan murah.
Beberapa penelitian terdahulu mengembangkan algoritma pemrosesan citra dengan menilai
menilai beras berdasarkan panjang, lebar, luas dan juga bekerja pada deteksi warna pada bulir
beras untuk menentukan kualitas beras [2][3]. Hasilnya diklasifikasikan setiap jenis beras
untuk membantu menentukan evaluasi harga. Hasil eksperimen menunjukkan ada bagian
signifikan dari butir beras bernilai tinggi yang tercampur dalam butiran beras yang pecah [4].
Penelitian lainnya melakukan ekstraksi citra kuantitatif dari segmen informasi [5].
Perlindungan konsumen mengenai kualitas beras sangatlah perlu karena beras adalah
komoditas makanan utama masyarakat Indonesia yang dikonsumsi setiap hari. Banyak terjadi
penipuan dan pemalsuan kualitas beras oleh sebagian orang. Dengan menyampur atau
mengoplos beras berkualitas baik dengan beras berkualitas rendah untuk dapat keuntungan
yang banyak. Untuk melindungi masyarakat dari pemalsuan tersebut maka diperlukan
pendeteksi kualitas beras yang nantinya bisa membantu masyarakat dan juga membantu
pemerintah untuk mengontrol kualitas beras yang baik dan yang buruk. Yang sesuai Badan
Standardlisasi Nasional (BSN).
II. SIGNIFIKANSI STUDI
Sistem desain yang dibuat pada penelitian ini adalah terdiri dari pengambilan citra dengan
menggunakan kamera hand phone untuk menentukan citra beras yang digunakan, pra-
processing, Segmentasi fitur dan distribusi warna untuk mendapatkan hasil kualitas beras
berdasarkan jumlah bulir yang tidak normal (pecah dan tidak utuh) dan warna.
Gambar 1. Desain Sistem

JURNAL INOVTEK POLBENG - SERI INFORMATIKA, VOL. 6, NO. 1, 2021 ISSN: 2527-9866
107
A. Data citra
Data citra diambil menggunakan kamera handphone sesuai dengan jenis beras dan kualitasnya
yang akan dijadikan label dari setiap data. Pengambilan citra dilakukan dengan latar belakang hitam,
berjarak 15cm dan memperbolehkan posisi beras bertumpuk. Percobaan ini menggunakan 40 jenis
beras dengan masing-masing antar 10 pada setiap jenis beras, jadi total ada 400 gambar.
B. Pre-Processing
Tahap Pre-Processing ini dilakukan untuk mempersiapkan gambar beras dengan tujuan
meningkatkan gambar sebagai langkah proses sebelum analisis.mengoreksi penerangan latar
belakang tidak seragam dan mengubah gambar menjadi gambar biner untuk memudahkan
mengidentifikasi objek latar depan (butiran beras individu). kemudian dapat menganalisis objek,
seperti menemukan area setiap butir beras, dan dapat menghitung statistik untuk semua objek
digambar. proses selanjutnya dengan mengurangi gambar asli dengan gambar hasil proses
filtering. Dengan memperhatikan dua langkah sebelumnya dapat diganti dengan satu langkah
menggunakan imtophat yang pertama menghitung pembukaan morfologis dan kemudian
mengurangkannya dari gambar asli.Buat versi biner dari gambar yang diproses dapat
menggunakan fungsi kotak alat untuk analisis. Gunakan fungsi imbinarize untuk mengubah gambar
skala abu-abu menjadi gambar biner. Hapus noise latar belakang dari gambar dengan menggunakan
metode Outsu[6].
Pada langkah ini, citra yang rusak dipisahkan dari latar belakangnya. Nilai intensitas citra ≥
nilai threshold dirubah menjadi 1 (berwarna putih) untuk nilai intensitas citra yang kurang dari
nilai threshold dirubah menjadi 0 (berwana hitam). citra yang dihasilkan dari hasil thresholding
adalah citra biner dengan menggunakan outsu.
C. Segmentasi
Pada proses segmentasi , kami menggunakan 3 parameter penentu deteksi kualitas beras,
tahap deteksi beras utuh dan pecah, warna pada bulir beras.
1) Thresholding Nilai Beras Pecah Dan Utuh
Persamaan yang digunakan untuk memisahkan nilai beras yang utuh dan nilai beras yang
pecah adalah:
!
"
#$%
&
'
(
)$*+,-./"01 2& 3 4
5$*+,-./"01 2&.6 4
(1)
Di mana :
f(x,y) adalah citra
rayscale g(x,y) adalah citra biner
T adalah nilai threshold
2) Penyeragaman warna ( Filter Warna)
Pada langkah ini, gambar asli dipisahkan dari latar belakangnya, agar mendapatkan nilai
keseragaman warna yang nantinya akan diuji dan juga merubah latar belakang gambar
dengan warna biru. Kualitas gambar yang dihasilkan tergantung pada metode perkiraan yang
gunakan, kisaran warna pada gambar input, dan menggunakan dithering atau tidak. Mengurangi
jumlah warna dalam gambar melibatkan kuantisasi. Fungsi rgb2ind menggunakan kuantisasi
sebagai bagian dari algoritma pengurangan warnanya. rgb2ind mendukung dua metode
kuantisasi: kuantisasi seragam dan kuantisasi varians minimum.

JURNAL INOVTEK POLBENG - SERI INFORMATIKA, VOL. 6, NO. 1, 2021 ISSN: 2527-9866
108
TABEL I
CITRA KESERAGAMAN WARNA
penyeragaman warna
Histogram penyeragaman warna
D. Data Set
Dari proses thresholding pemisahan bulir beras pecah, utuh dan histogram keseragaman
warna , Proses parameter tersebut dilakukan untuk membangun dataset dari hasil gambar jenis
jenis beras. Proses ini menghasilkan dataset sebanyak 400 dataset dari nilai proses jenis beras
tersebut untuk mendapatkan nilai mean dan standart deviasi.
E. Klaster
Dari data nilai mean , standart deviasi dan keseragaman warna maka dilakukan proses
klastering, dalam penentuan klaster pecah beras dibagi menjadi tiga yaitu kualitas 1 ,kualitas 2 dan
klaster 3 dengan formula :
7"8& '
9 9
"
:;
#!<="
;:
&#
$!
"%&
$!
!%&
(2)
Di mana:
‘|| xi - vj ||’ adalah jarak Euclidean antara xi dan vj.
'Ci' adalah jumlah titik data dicluster ke-i.
'C' adalah jumlah pusat cluster.
Langkah algoritmik untuk pengelompokan k-means
Misalkan X = {x1, x2, x3, …… .., xn} menjadi himpunan titik data dan V = {v1, v2, …….,
Vc} menjadi himpunan pusat.
1) Secara acak pilih pusat cluster 'c'.
2) Hitung jarak setiap titik data dengan pusat cluster.
3) Tetapkan titik data yang jaraknya dari pusat cluster minimum dari semua pusat cluster.
4) Penghitung ulang pusat cluster baru menggunakan:
=!' "&
!&
9
#!
'!
"%&
(3)
Di mana, 'ci' merepresentasikan jumlah titik data dalam klaster ke-i.
5) Hitung ulang jarak antara setiap titik data dan pusat cluster baru yang diperoleh.
6) Jika tidak ada titik data yang ditetapkan ulang, hentikan, jika tidak ulangi dari langkah 3).
F. Tabel data Unsupersived
Tabel ini dihasilkan dari proses klaster sesuai masing jenis beras dan ditentukan nilai dari
masing– masing class dari jenis beras.

JURNAL INOVTEK POLBENG - SERI INFORMATIKA, VOL. 6, NO. 1, 2021 ISSN: 2527-9866
109
TABEL III
CONTOH DATA NILAI CLASS BERAS PECAH, UTUH DAN NILAI WARNA
jenis beras
good rice
(%)
bad rice (%)
nilai warna kuning
(%)
nilai warna putih (%)
class
arwana
76.20.00
1,006944444
43
13
1
…
…
…
…
…
…
banyuwangi1
45.31.00
53.12.00
32
58
2
…
…
...
…
…
…
bintang
68.18.00
31.81
56
25
1
…
…
…
…
…
…
bintang 5
54.65
45.34.00
54
28
1
…
…
…
…
…
…
bintang ijo
56.92
43.07.00
35
52
2
…
…
...
…
…
…
ir64
64.64
35.35.00
51
31
1
…
…
…
…
…
…
G. Klasifikasi
Proses klasifikasi ini menggunakan tool weka untuk mendapatkan nilai akurasi terbaik dari
masing masing metode yang digunakan. Sebelum masuk proses klasifikasi, data supervised
dinormalisasi terlebih dahulu supaya data yang diproses nantinya menghasilkan data yang tepat dan
akurat. Klasifikasi data supervised dengan 7 metode K-Nearest Neigbour, Neural Network,
Naïve Bayes, Fuzzy NN, SVM, C4.5, Random forest dalam validasi silang, buat setiap rekaman
sebagai data uji berurutan dalam penelitian ini. Weka digunakan untuk memilih fitur.
1. K-Nearest Neigbour
KNN merupakan algoritma supervised learning dimana hasil dari query instance yang baru
diklasifikan berdasarkan kelas terbanyak data pada algoritma KNN. Hasil dari klasifikasi
ditentukan dari kelas terbanyak. Definisi kedekatan jarak metrik, seperti jarak Euclidean.
Rumus persamaan 1 Jarak Euclidean berikut ini:
>#% '
?9
"#@ <%@
(
!%& &#
(4)
keterangan :
>
: jarak kedekatan
A
: data training
B
: data testing
C
: jumlah antar atribut individu 1 s/d n.
D
: fungsi similitary atribut i antara kasus
E
dan kasus
F
C
= Atribut individu antara 1 sampai dengan n Langkah dalam menghitung metode K-
Nearest Neighbor antara lain :
1. Menentukan parameter
G
(jumlah tetangga terdekat).
2. Dengan menggunakan persamaan 1, penghitungan kuadrat jarak Euclid (queri
instance) dari objek terhadap data sampel yang diberikan.
3. Kemudian mengurutkan objek tersebut ke dalam kelompok dengan jarak Euclid
terkecil.
4. Mengumpulkan kategori
F
(Klasifikasi Nearest Neighbor) .
5. Prediksi perhitungan nilai query isntance menggunakan kategori Nearest Neighbor
yang paling mayoritas.

JURNAL INOVTEK POLBENG - SERI INFORMATIKA, VOL. 6, NO. 1, 2021 ISSN: 2527-9866
110
2. Neural Network (NN)
Neural Network atau Artificial Neural Networks (ANN) adalah kinerja yang meniru
jaringan sel-sel saraf (neuron) di otak manusia. komputasi metode ini adalah dalam hubungan
antar neuron. Lapis ini terdiri dari layer masukan dan layer keluaran sedangkan pada Multilayer
Neural Network, layer masukan dan layer keluaran ada hidden layer yang berisi nilai-nilai node
keluaran yang digunakan sebagai nilai node masukan lain (Tahir dkk, 2018). Neural Network
dapat dirumuskan sebagai berikut:
H ' I5J5 KILJL KMK INJN KO
(5)
Keterangan :
a : nilai masukkan
w : nilai bobot
b : variabel mewakili karakteristik arah untuk klasifikasi
Karakteristik kontinu dan monoton menurun ini merupakan fungsi aktivasi ,yang memiliki
range (0,1) dalam Fungsi sigmoid.
3. Naïve Bayes (NB)
Naive Bayes merupakan metode supervised learning untuk klasifikasi serta memecahkan
masalah diagnostik dan prediksi menggunakan probabilitas dan statistik berdasarkan teorema
Bayes dengan asumsi independensi yang kuat antara fitur yang dimiliki sebuah objek. Teorema
Naïve Bayes, dirumuskan sebagai berikut :
P
"
QRS&T1S)
&
'*
+
$
,
*
+
-"./-#0$
,
*
+
-"./-#
, (6)
Keterangan :
P = probabilitas setiap kelas
C = variabel mewakili kelas
F1…Fn = variabel mewakili karakteristik arah untuk klasifikasi
4. Fuzzy NN
Model FNN lebih sederhana karena tidak menggunakan lapisan ‘ouput_fuzzy’. Dari fuzzy
rule pada conjunction layer yang digunakan adalah fungsi keanggotaan keluaran adalah
singletons yang menyertai bobot koneksi pada lapisan terakhir, sehingga FNN ini hanya terdiri
terdiri dari empat lapisan. (Kasabov, 1998) .
Rumus yang digunakan berikut:
U '
9
V!1
2
!%& W!1 .X.
9
V!1
2
!%&
(7)
dimana level aktivasi dari unit output, µi dan wi berturut-turut adalah fungsi keanggotaan dan
jalur terbobot unit ke i pada lapisan antara output fuzzy ke output.
5. Support Vector Machine (SVM)
Mesin Vektor memiliki fungsi penilaian yang menghitung skor untuk input baru. Mesin
Vektor adalah pengklasifikasi biner (dua kelas); jika keluaran dari fungsi skoring negatif maka

JURNAL INOVTEK POLBENG - SERI INFORMATIKA, VOL. 6, NO. 1, 2021 ISSN: 2527-9866
111
masukan tersebut tergolong kelas y = -1. Jika skornya positif maka input tersebut tergolong
kelas y = 1.
Persamaan untuk fungsi penilaian, digunakan untuk menghitung skor untuk input vektor x.
Y
Z!%+3,G
[
#
+
!
,
$#
\
KO
2
!%&
(8)
Fungsi ini beroperasi pada setiap titik data dalam set pelatihan (i = 1 hingga m).
Di mana :
x ^ (i), y ^ (i) mewakili contoh pelatihan ke-_i
a. x ^ (i) adalah vektor input yang dapat berupa dimensi apapun.
b. y ^ (i) adalah label kelas, yang hanya memiliki satu dari dua nilai, baik -1 atau 1.
c. α_i adalah koefisien yang terkait dengan contoh pelatihan ke-_i.
x : adalah vektor input klasifikasikan
K : fungsi kernel.
a. beroperasi pada dua vektor dan hasilnya adalah skala.
b. Ada berbagai kemungkinan pilihan fungsi kernel.
c. b : nilai skala
6. Algoritma C4.5
Algoritma C4.5 merupakan kelompok algoritma decision tree. Algoritma ini mempunyai
input berupa training samples dan samples. Training samples merupakan data contoh yang
digunakan untuk membangun sebuah tree yang telah diuji kebenarannya. Sedangkan samples
merupakan field-field data yang digunakan sebagai parameter dalam klasifikasi data (Sujana,
2010).Secara umum alur proses algoritma C4.5 guna membangun pohon keputusan dalam data
mining adalah sebagai berikut (Mahmud, et al, 2014):
a. Pilih atribut sebagai akar
b. Buat cabang untuk tiap-tiap nilai
c. Bagi kasus dalam cabang.
d. Pengulangan proses pada setiap cabang sampai semua kasus pada cabang memiliki kelas
yang sama.
Information gain adalah atribut selection measure yang digunakan untuk memilih test attribut
tiap node dalam tree (Sujana, 2010). Dalam memilih atribut yang digunakan sebagai simpul,
simpul akar (root) ataupun simpul internal berdasarkan nilai gain tertinggi dari atribut yang ada.
Perhitungan nilai gain digunakan rumus sebagai berikut (Mahmud, et al, 2014):
CI@]
"
A$^
&
'B]_`ab%
"
A
&
<
c0
4!
0
0
4
0
(
!%& dB]_`ab%"A@&
(9)
Keterangan :
S : himpunan kasus
A : atribut
N : jumlah partisi atribut A
[Si] : jumlah kasus pada partisi ke-i
[S] : jumlah kasus pada S
Untuk menghitung Entropy menggunakan rumus :

JURNAL INOVTEK POLBENG - SERI INFORMATIKA, VOL. 6, NO. 1, 2021 ISSN: 2527-9866
112
B]_`ab%"A& '
9
<b@ dea!#
(
!%&
pi (10)
Keterangan :
S : himpunan kasus
A : fitur
N : jumlah partisi S
pi : proporsi dari Si terhadap S
7. Random Forest
Random forest adalah kombinasi dari masing – masing tree yang baik kemudian
dikombinasikan ke dalam sebuah model. Random Forest bergantung pada sebuah nilai vector
random dengan distribusi yang sama pada semua pohon yang masing masing decision tree
memiliki kedalaman yang maksimal. Random forest adalah classifier yang terdiri dari classifier
yang berbentuk pohon {h(x, θ k ), k = 1, . . .} dimana θk adalah random vector yang
diditribusikan secara independen dan masing masing tree pada sebuah unit kan memilih class
yang paling popular pada input x. Berikut ini karakteristik akurasi pada random forest.
1. Memusatkan random forest
Terdapart classifier h1(x), h2(x), . . . , hk (x) dan dengan training set dari distribusi random
vector Y,X, Berikut fungsi yang terbentuk
f!
"
g$h
&
'I=Ni.
"
j5
"
E
&
' F.
&
<k-0
"67 I=Ni
"
j5
"
E
&
' l.
& (11)
Fungsi error yang digunakan
PB8' P9:7.
"
km
"
E$F
&
3 ).
& (12)
Hasil dari penggabungan fungsi
P9 :7."P;
"
j
"
E$n
&
' F.
&
<k-0
"67 "P;
"
j
"
E$n
&
' l.
&
3 )&
(13)
Pada hasil tersebut menjelaskan mengapa random forest tidak overfit saat tree di
tambahkan, tetapi menghasilkan nilai yang terbatas pada error.
2. Kekuatan dan Korelasi
Fungsi yang dihasilkan adalah
PB8o
9
=I`"P;
"
j
"
E$n
&
' F.
&
<
"
P;"j
"
E$n
&
' l
&
&p"
#
(14)
Pada fungsi tersebut kekuatan tidak bergantung pada forest. Berikut dijelaskan macam
fitur-fitur yang digunakan untuk random forest.
1. Random Forest menggunakan seleksi input yang random
Bagging digunakan untuk pemilihan fitur secara random. Masing – masing training set
diambil dengan penggantinya dari training set asli. Kemudian sebuah tree di tanam pada
sebuah training set menggunakan seleksi fitur random. Ada dua alasan penggunaan

JURNAL INOVTEK POLBENG - SERI INFORMATIKA, VOL. 6, NO. 1, 2021 ISSN: 2527-9866
113
bagging yaitu yang pertama penggunaan bagging untuk meningkatkan akurasi ketika fitur
random digunakan. Yang kedua bagging digunakan untuk memberikan perkiraan dari
kesalahan generalisasi (PE*) dari gabungan tree, untuk memperkirakan kekuatan dan
korelasi. Random Forest yang paling sederhana dengan fitur random dibentuk dengan
seleksi secara random, pada masing – masing node, sebuah grup kecil dari input variable
yang terbagi. Membentuk tree menggunakan metodologi CART ke ukuran yang
maksimum.
2. Random Forest menggunakan kombinasi input yang linear
Misalkan terdapat beberapa input, M, F mengambil fraksi pada M yang akan memimpin
dalam meningkatkan kekuatan tetapi pada korelasi yang tinggi. Pendekatan yang lain
terbentuk dengan mendefinisikan lebih banyak fitur dengan mengambil
kombinasi random linear dari sejumlah variable input. Fitur tersebut variabel L yaitu
jumlah dari variable yang dikombinasikan. Variabel L secara random diseleksi dan
ditambahkan bersama dengan koefisien yang memiliki nomor random [-1,1]. Kombinasi
linear F dihasilkan. Prosedur ini di sebut Forest-RC.
III. HASIL DAN PEMBAHASAN
Ada beberapa pengujian yang dilakukan untuk mengetahui hasil dari metode yang diusulkan.
Untuk menentukan kualitas Premium ,Medium 1 ,Medium 2, dilihat dari hasil presentase dari tiap –
tiap pengujian.
Pengujian ini dilakukan secara bertahap yaitu:
a. Ekstraksi parameter dari jumlah pecahan bulirberasnya.
b. Ekstraksi parameter beras dari keseragaman warnanya.
c. Melihat nilai kualitas beras dari gabungan fitur: jumlah pecahan beras dan keseragaman warna
dalam tabel means dan standart deviasi.
d. Klasterisasi.
e. Klasifikasi.
A. Ekstraksi parameter Beras dari Jumlah Pecahan Bulir Beras
Nilai pecah bulir beras yang dihasilkan nantinya dipakai pada proses berikutnya untuk
menentukan kualitas bulir beras yang diinginkan. Dengan melihat jumlah bulir utuh nilai presentase
kualitas beras yang utuh dan yang pecah pada tabel nilai Kualitas Beras yang utuh dan yang pecah.
TABEL III
BULIR PECAH DAN UTUH
Jenis Beras
Beras Pecah
Beras Utuh
Beras Arwana Beras utuh:
76.20%
Beras pecah: 23.12%
Beras Banyuwangi Beras utuh:
45.31%
Beras pecah: 53.12%

JURNAL INOVTEK POLBENG - SERI INFORMATIKA, VOL. 6, NO. 1, 2021 ISSN: 2527-9866
114
B. Ekstraksi parameter Beras Dari Keseragaman Warna
Nilai keseragaman warna beras yang dihasilkan nantinya juga dipakai sebagai penentu kualitas
beras pada proses berikutnya untuk menentukan kualitas bulir beras yang diinginkan. Dari
keseragaman warna nilai presentase kualitas beras pada tabel nilai histogram keseragaman warna
di bawah.
TABEL IV
PENYERAGAMAN WARNA DAN HISTOGRAM
Jenis Beras
Penyeragaman Warna
Histogram
Beras Arwana
Nilai warna kuning beras: 43%
Nilia warna putih beras: 13%
Nilia warna kuning & putih beras:
44%
Beras Banyuwangi
Nilai warna kuning beras: 30%
Nilia warna putih beras: 48%
Nilia warna kuning & putih beras:
22%
C. Melihat Kualitas Beras kombinasi nilai dari Jumlah Pecahan Bulir Beras dan
Keseragaman Warna dalam tabel means dan standart deviasi.
Dari proses diatas menghasilkan data dari masing-masing image beras yang diambil.data
tersebut ditabelkan sesuai dari hasil pemrosesan yang dilakukan.terbagi menjadi dua table yaitu
data Segmentasi dan data Penyeragaman warna. Summary dari keseluruhan data yang dihasilkan,
ditampilkan data nilai means dan standart deviasi ,nilai min, nilai max, nilai medium dan nilai
means keseragaman warna untuk mencari klaster kualitas beras. Summary dari keseluruhan data
yang dihasilkan, ditampilkan data nilai means dan standart deviasi,nilai min, nilai max, nilai
medium dan nilai means keseragaman warna untuk mencari klaster kualitas beras bisa dilihat
pada tabel data supervised di bawah
TABEL V
TABEL SUPERVISED
jenis
beras
good
rice
(%)
bad
rice
(%)
nilai
warna
kuning
(%)
nilai
warna
putih
(%)
class
jenis
beras
good
rice
(%)
bad
rice
(%)
nilai
warna
kuning
g (%)
nilai warna
putih
(%)
clas s
Arwana
76,2
23,70
43,00
13,00
3
bunga
pandan
55,64
44,35
51,22
23,12
3
Arwana
….
…..
…..
…...
3
bunga
pandan
55,64
44,35
51,22
23,12
3
banyuwa
ngi
52,97
47,02
41,00
42,00
1
bunga
pandan
….
…..
…..
…...
3

JURNAL INOVTEK POLBENG - SERI INFORMATIKA, VOL. 6, NO. 1, 2021 ISSN: 2527-9866
115
jenis
beras
good
rice
(%)
bad
rice
(%)
nilai
warna
kuning
(%)
nilai
warna
putih
(%)
class
jenis
beras
good
rice
(%)
bad
rice
(%)
nilai
warna
kuning
g (%)
nilai warna
putih
(%)
clas s
banyuwa
ngi
….
…..
…..
…...
1
Cap
Nyonya
68,18
31,81
43,57
9,37
3
Bintang
68,18
31,81
56,00
25,00
3
Cap
Nyonya
….
…..
…..
…...
3
Bintang
….
…..
…..
…...
3
coco
65,11
34,88
41,59
40,41
1
bintang 5
67,46
32,53
41,00
45,00
3
coco
….
…..
…..
…...
1
bintang 5
….
…..
…..
…...
3
guci
54,42
45,57
26,13
46,63
3
bintang
ijo
56,92
43,07
35,00
52,00
1
guci
….
…..
…..
…...
3
bintang
ijo
….
…..
…..
…...
1
koki
merah
78,2
21,79
46,27
22,63
3
ir64
62,5
37,50
34,00
44,00
3
koki
merah
….
…..
…..
…...
3
ir64
….
…..
…..
…...
3
kuda
59,85
40,14
40,08
19,15
3
Kelapa
69,38
30,61
50,00
34,00
3
kuda
….
…..
…..
…...
3
Kelapa
….
…..
…..
…...
3
ladang
padi
63,46
36,53
43,7
33,91
3
kelapa
muda
89,9
10,09
51,00
24,00
3
ladang
padi
….
…..
…..
…...
3
kelapa
muda
….
…..
…..
…...
3
lele
61,9
38,09
42,12
26,52
3
Lumbun
g
83,06
16,93
36,00
46,00
3
lele
….
…..
…..
…...
3
Lumbun
g
….
…..
…..
…...
3
lele
rejeki
36,12
63,87
23,38
65,68
1
nasi
uduk
83,33
16,66
37,00
46,00
3
lele
rejeki
….
…..
…..
…...
1
nasi
uduk
….
…..
…..
…...
3
lumbung
padi
52,33
47,66
42,08
12,08
3
pin2
91,2
8,79
50,00
34,00
3
lumbung
padi
….
…..
…..
…...
3
pin2
….
…..
…..
…...
3
lumbung
83,06
16,93
46,69
23,74
3
tys
43,45
56,54
44,00
41,00
1
lumbung
….
…..
…..
…...
3
tys
….
…..
…..
…...
1
menco
52,97
47,02
35,18
48,05
3
555
17,88
82,11
41,33
11,75
1
menco
….
…..
…..
…...
3
555
….
…..
…..
…...
1
Raja
Lele
94,38
5,61
35,44
28,39
3
naga
51,86
48,13
50,52
16,84
3
Raja
Lele
94,38
5,61
35,44
28,39
3
naga
….
…..
…..
…...
3
Raja
Lele
….
…..
…..
…...
3
Pandan
Wangi
94,11
5,88
45,89
31,49
3
rosita
79,2
20,79
42,88
25,56
3

JURNAL INOVTEK POLBENG - SERI INFORMATIKA, VOL. 6, NO. 1, 2021 ISSN: 2527-9866
116
jenis
beras
good
rice
(%)
bad
rice
(%)
nilai
warna
kuning
(%)
nilai
warna
putih
(%)
class
jenis
beras
good
rice
(%)
bad
rice
(%)
nilai
warna
kuning
g (%)
nilai warna
putih
(%)
clas s
Pandan
Wangi
….
….
….
….
3
rosita
sedap
….
….
….
….
3
Pandawa
58,66
41,33
33,46
52,78
1
Sedap
wangi
71,42
28,57
9,25
118
2
Pandawa
….
….
….
….
1
Sedap
wangi
….
….
….
….
2
Pari anom
40,76
59,23
24,16
59,25
1
Sentra
ramos
83,33
16,66
18,13
120,03
2
Pari anom
….
….
….
….
1
Sentra
ramos
….
….
….
….
2
Polif
45,49
54,5
47,69
25,34
1
Kuda
hitam
73,78
26,21
56,23
16,63
3
Polif
….
….
….
….
1
Kuda
hitam
….
….
….
….
3
Raja
bandeng
41,7
58,29
37,66
14,93
1
Beras
super
70,04
29,95
44,87
10,78
3
Raja
bandeng
….
….
….
….
1
Beras
super
….
….
….
….
3
D. Klasterisasi
Tujuan dari proses klasterisasi ini memproses setiap data unsupervised dari hasil ekstraksi
menggunakan parameter warna, tekstur pada bulir beras, dengan menggunakan metode k-means data
yang dihasilkan lebih akuran untuk menentukan 3 klaster yaitu klaster 1, klaster 2, dan klaster 3.
Yang mana setiap hasil klaster jenis beras akan terseleksi sesuai dengan class yang telah ditentukan
Pengklaster dari nilai mean , nilai deviasi pecah beras dengan keseragaman warna dapat dilihat
dari gambar 2 berikut :
Gambar 2. Hasil Klaster

JURNAL INOVTEK POLBENG - SERI INFORMATIKA, VOL. 6, NO. 1, 2021 ISSN: 2527-9866
117
Dari hasil klaster di atas, dapat ditentukan class dari jenis beras yang nantinya dibuat tabel
data supervised
1. Klasifikasi
Hasil klasifikasi fitur 7 metode K-Nearest Neigbour, Neural Network, Naïve Bayes, Fuzzy
NN, SVM, C4.5, Random forest dalam validasi silang, buat setiap rekaman sebagai data uji
berurutan dalam penelitian ini.
Tabel di bawah ini adalah hasil pemilihan fitur di mana operator yang digunakan adalah K-
Nearest Neigbour, Neural Network, Naïve Bayes, Fuzzy NN, SVM, C4.5, Random forest dalam k
= 10, dalam 100 iterasi dan sejumlah node dalam lapisan tersembunyi banyak dalam jumlah node
output serta jumlah Pembelajaran yang mendalam Konfigurasi yang tersisa adalah menggunakan
parameter standar pada Weka.
TABEL VI
DATA PERBANDINGAN ANTAR METODE
Test mode: 10-fold cross-validation
classifiers
Accuracy
precission
Recall
F-Measure
KNN
99,8097
99,71
99,71
99,713
Naïve bayes
99,8523
99,707
99,676
99,712
SVM
99,8459
99,925
99,848
99,911
NN
99,8553
99,712
99,704
99,727
C45
99,8354
99,731
99,704
99,724
Random forest
99,8459
99,724
99,718
99,724
fuzzy
99,8108
99,743
99,742
99,369
Gambar 3. Perbandingan antar metode menggunakan weka
classifiers
10
0
99.
9
99.
8
99.
7
99.
6
99.
5
99.
4
IB
K
Naïve
bayes
SV
M
N
N
J4
8
Rando
m
forest
fuzz
y
Test mode: 10-fold cross-validation Accuracy Test mode: 10-fold cross-validation precission
Test mode: 10-fold cross-validation Recall Test mode: 10-fold cross-validation F-Measure

JURNAL INOVTEK POLBENG - SERI INFORMATIKA, VOL. 6, NO. 1, 2021 ISSN: 2527-9866
118
IV. KESIMPULAN
Dari penulisan ini menghasilkan analisa dari setiap eksperimen bahwa metode yang
digunakan menghasilkan 3 segmen di dalam satu image beras yang terdiri dari bulir beras utuh,
bulir beras pecah, dan keseragaman warna. Masing-masing segmen memiliki nilai sebagai
parameter dalam pencarian class masing – masing kualitas diproses klastering. Setelah proses
tersebut didapat data supersived dan dilakukan proses klasifikasi menggunakan algoritma
Neural Network menghasilkan akurasi 99,85%. Dengan hasil ini ini membuktikan bahwa
hipotesa yang digunakan dapat menyelesaikan permasalahan dan menjadi parameter untuk
mendeteksi kualitas beras yang diinginkan.
REFERENSI
[1] E. Z. Parveen, “Assessment of Quality of Rice Grain using Optical and Image Processing
Technique,” pp. 265–270, 2017.
[2] I. Shape et al., “Pengolahan Citra Digital Menggunakan Metode Susan Detection Dan
Neurofuzzy Untuk Identifikasi Komponen,” vol. 4, no. 6, pp. 30–45, 2017.
[3] S. F. Ali, H. Jamil, R. Jamil, I. Torij, and S. Naz, “Low cost solution for rice quality
analysis using morphological parameters and its comparison with standard
measurements,” Proc. 2017 Int. Multi-Topic Conf. INMIC 2017, vol. 2018–January, pp. 1–
6, 2018.
[4] D. Ngampak and P. Piamsa-Nga, “Image analysis of broken rice grains of Khao Dawk
Mali rice,” Proc. 2015-7th Int. Conf. Knowl. Smart Technol. KST 2015, pp. 115–120, 2015.
[5] N. Pratibha, M. Hemlata, M. Krunali, and P. S. T. Khot, “Analysis and Identification of
Rice Granules Using Image Processing and Neural Network,” vol. 10, no. 1, pp. 25– 33,
2017.
[6] Indra Abdam Muwakhid, Dewi Nurdiyah . “ Otsu Method For Image Finish Segmentation
With Components of Hue Saturation Value “TRANSFORMATIKA, Vol.15, No.2,
January 2018, pp. 67- 73 ISSN: 1693-3656, journals.usm.ac.id/index.php/transformatika.
[7] S. Shantaiya and U. Ansari, “Identification Of Food Grains And Its Quality Using Pattern
Classification,” Image (Rochester, N.Y.), vol. 2, no. 2, pp. 70– 74, 2010.
[8] G. Van Dalen, “Determination of the size distribution and percentage of broken kernels of
rice using flatbed scanning and image analysis,” Food Res. Int., vol. 37, no. 1, pp. 51–58,
2004.
[9] H. S. Gujjar, “A Method for Identification of Basmati Rice grain of Indiaand Its Quality
Using Pattern Classification,” vol. 3, no. 1, pp. 268–273, 2013.
[10] D. Sharma and S. D. Sawant, “Grain quality detection by using image processing for
public distribution,” Proc. 2017 Int. Conf. Intell. Comput. Control Syst. ICICCS 2017, vol.
2018– January, pp. 1118–1122, 2018.
[11] P. Kongsawat, “Quality Assessment of Thai Rice Kernels Using Low Cost Digital Image
Processing System,” 2018.
[12] Nagoda, N., & Ranathunga, L. (2018), “Rice Sample Segmentation and Classification
Using Image Processing and Support Vector Machine,” 2018 IEEE 13th International
Conference on Industrial and Information Systems (ICIIS), (978), 179–184.

JURNAL INOVTEK POLBENG - SERI INFORMATIKA, VOL. 6, NO. 1, 2021 ISSN: 2527-9866
119
https://doi.org/10.1109/ICIINFS.2018.8721312
[13] Asif, M. J., Shahbaz, T., Tahir Hussain Rizvi, S., & Iqbal, S. (2019), “Rice Grain
Identification and Quality Analysis using Image Processing based on Principal
Component Analysis,” RAEE 2018 - International Symposium on Recent Advances in
Electrical Engineering, 1–6. https://doi.org/10.1109/RAEE.2018.8706891
[14] Parveen, E. Z. (2017), “Assessment of Quality of Rice Grain using Optical and Image
Processing Technique,” 265–270.
[15] Ruslan, R., & Ibrahim, M. F. (2018), “Effect of Background Color on Rice Seed Image
Segmentation using Machine Vision,” 2018 International Conference on Computational
Approach in Smart Systems Design and Applications(ICASSDA),1–4.
UCAPAN TERIMA KASIH
a. Penulis mengucapkan terima kasih terutama kepada Allah SWT,
b. Achmad Basuki sebagai pembimbing pertama yang selalu memberi arahan dan masukan
dalam penulisan journal ini.
c. Riyanto Sigit sebagai pembimbing pendamping yang selalu memberi ide dan masukan
dalam penulisan journal ini.
d. PDDIKTI yang telah memberikan dana penelitian PTM kepada penulis
e. Kepada Tim Jurnal Informatika Polbeng yang telah meluangkan waktu untuk membuat
template ini sehingga penulis dapat mempublikasikan hasil dari penelitian yang telah
dilakukan. Besar harapan semoga karya ilmiah ini dapat bermanfaat bagi pembaca.