DETEKSI KUALITAS BERAS MENGGUNAKAN SEGMENTASI CITRA BERDASARKAN PECAHAN BULIR DAN SEBARAN WARNA

Abstract

Ada banyak kasus penipuan dalam pemalsuan beras dengan mencampur beras berkualitas baik dengan beras berkualitas rendah untuk kenaikan harga. Untuk melindungi masyarakat dari pemalsuan, kami melakukan penelitian untuk mendeteksi kualitas beras yang nantinya dapat membantu masyarakat untuk dapat membedakan kualitas baik dan buruk. Penelitian ini menyajikan sistem pemrosesan citra beras berbiaya rendah untuk menilai kualitas beras. Banyak faktor yang mempengaruhi kualitas beras seperti fragmen biji-bijian, warna yang tidak seragam, bau dan faktor lainnya. Penelitian ini menggunakan prosentase butiran beras pecah dan keseragaman warna untuk menentukan kualitas beras. Kami mengusulkan fitur tekstur dengan segmentasi Otsu untuk menentukan jumlah butiran pecah dan distribusi warna untuk menentukan seragam warna. Hasil klasifikasi menggunakan validasi K Folddengan k=10 pada data asli menunjukkan hasil K-Nearest Neigbour memiliki akurasi 99,87%.

Full text

JIRE (Jurnal Informatika & Rekayasa Elektronika) Volume 3, No 1, April 2020
http://e-journal.stmiklombok.ac.id/index.php/jire
ISSN. 2620-6900 (Online) 2620-6897 (Cetak)
i

JIRE (Jurnal Informatika & Rekayasa Elektronika) Volume 3, No 1, April 2020
http://e-journal.stmiklombok.ac.id/index.php/jire
ISSN. 2620-6900 (Online) 2620-6897 (Cetak)
ii
DEWAN REDAKSI
Jurnal Manager
Wire Bagye, S.Kom.,M.Kom (STMIK Lombok, SINTA ID : 5992010)
Reviewer :
Resad Setyadi.,S.T.,S.Si.,MMSI.,Ph,D (cand) - Institut Teknologi Telkom Purwokerto
SCOPUS ID : 57204172534 SINTA ID : 6113570
Yesaya Tommy Paulus, S.Kom., MT., Ph.D. - STMIK Dipanegara Makassar
SCOPUS ID : 57202829909 SINTA ID : 6002004
Dr. Cucut Susanto, S. Kom. MSi. - STMIK Dipanegara Makassar
SINTA ID : 6138863
Muhamad Malik Mutoffar, ST., MM., CNSS- Sekolah Tinggi Teknologi Bandung
SINTA ID : 6013819
David, M.Cs.,M.Kom - STMIK Pontianak
SCOPUS ID : 57200208543 SINTA ID : 5977352
Indo Intan, S.T., M.T. STMIK - Dipanegara Makassar
SCOPUS ID : 57200209088 SINTA ID : 6127241
I Wayan Agus Arimbawa, ST.,M.Eng. - Universitas Mataram
SINTA ID : 5973017
Muhammad FauziZulkarnaen, ST.,M.Eng. - STMIK Lombok
SINTA ID : 6663733
Yunanri.W, S.T. M. Kom - UniversitasTeknologi Sumbawa (U.T.S)
SINTA ID : 6723103
Sitti Aisa, S.Kom.,M.T - STMIK Dipanegara Makassar
SINTA ID : 6153893
Sanjaya Pinem, S.Kom, M.Sc . - Universitas Efarina
SINTA ID : 6689679
Zamah Sari, S.T., M.T. - Universitas Muhammadiyah Prof Dr Hamka
SINTA ID : 6145745
Fredy Windana, S.Kom., MT - Sekolah Tinggi Teknologi Stikma Internasional
SINTA ID : 5974460
Hijrah Saputra, ST., M.Sc. - STMIK Lombok
SINTA ID : 6667974
Hairul Fahmi, M.Kom. - STMIK Lombok
SINTA ID : 5983160
Sofiansyah Fadli, S.Kom.,M.Kom.- STMIK Lombok
SINTA ID : 6073057
Editor :
Wire Bagye, S.Kom.,M.Kom- STMIK Lombok, SINTA ID : 5992010
Saikin, S.Kom.,M.Kom.- STMIK Lombok
Halena Muna Bekata, M.Pd. - Universitas Tribuana Kalabahi, SINTA ID : 6168815
Desain Grafis& Web Maintenance
Jihadul Akbar,S.Kom.- STMIK Lombok
Secretariat
Ahmad Susan Pardiansyah, M.Kom - STMIK Lombok

JIRE (Jurnal Informatika & Rekayasa Elektronika) Volume 3, No 1, April 2020
http://e-journal.stmiklombok.ac.id/index.php/jire
ISSN. 2620-6900 (Online) 2620-6897 (Cetak)
iii
DAFTAR ISI
1
KLASIFIKASI ARITMIA DENGAN HEART RATE VARIABILITY ANALISIS
MENGGUNAKAN METODE BACKPROPAGATION
Wayan Rimba Bazudewa1, I Putu Satwika2, I Gede Putu Krisna Juliharta3
1-10
2
IMPLEMENTASI METODE MRP (MATERIAL REQUIREMENT PLANNING)
UNTUK MENCAPAI TARGET PRODUKSI PAKAIAN BERBASIS WEB (STUDI
KASUS: UD. DARMAWAN DESA SELAGEK)
Mohammad Taufan Asri Zaen1, Siti Fatmah2, Khairul Imtihan3
11-19
3
DETEKSI KUALITAS BERAS MENGGUNAKAN SEGMENTASI CITRA
BERDASARKAN PECAHAN BULIR DAN SEBARAN WARNA
Eko Supriyadi1, Achmad Basuki2 , Riyanto Sigit3
20-29
4
PERMODELAN VISUAL TINGKAT KETAKUTAN PADA SIMULASI EVAKUASI
KEBAKARAN 3D MENGGUNAKAN SELF ASSASSEMENT MANIKIN
Iqbal Sabilirrasyad1, Achmad Basuki2, Tri Harsono3
30-39
5
SISTEM KEAMANAN PEMANTAUAN CCTV ONLINE BERBASIS ANDROID
PADA RUMAH CANTIK SYIFA MASBAGIK
Ahmad Tantoni1, Mohammad Taufan Asri Zaen2
40-47
6
KOMPARASI ALGORITMA MACHINE LEARNING DAN DEEP LEARNING
UNTUK NAMED ENTITY RECOGNITION : STUDI KASUS DATA
KEBENCANAAN
Nuli Giarsyani1, Ahmad Fathan Hidayatullah2, Ridho Rahmadi 3
48-57
7
SISTEM PENDUKUNG KEPUTUSAN PENENTUAN RESIKO KEMUNGKINAN
TERJADI REAKSI DARAH
Abd. Halim1, Sri Kusumadewi2, Linda Rosita3
58-65
8
MONITORING PENGATUR KECEPATAN KIPAS ANGIN MENGGUNAKAN
SISTEM FUZZY BERBASIS WEB DI SMP BAKTI KELUARGA LUBUKLINGGAU
Novi Lestari2, Nelly Khairani Daulay1, Armanto3
66-76
9
IMPLEMENTASI JARINGAN INTER-VLAN ROUTING BERBASIS MIKROTIK
RB260GS DAN MIKROTIK RB1100AHX4
Ahmad Tantoni1, Khairul Imtihan2, Wire Bagye3
77-84
10
PERANCANGAN APLIKASI CETAK DOKUMEN ONLINE BERBASIS ANDROID
DI BINER JOMBANG
Fauzan Adhim1, M. Ali Murtadho2, Chandra Sukma A3
85-90

JIRE (Jurnal Informatika & Rekayasa Elektronika) Volume 3, No 1, April 2020
http://e-journal.stmiklombok.ac.id/index.php/jire
ISSN. 2620-6900 (Online) 2620-6897 (Cetak)
20
DETEKSI KUALITAS BERAS MENGGUNAKAN SEGMENTASI CITRA
BERDASARKAN PECAHAN BULIR DAN SEBARAN WARNA
Eko Supriyadi1, Achmad Basuki2 , Riyanto Sigit3
1,2,3Pasca Sarjana Teknik Informatika dan Komputer, Politeknik Elektronika Negeri Surabaya
E-mail: 1
ekalaya@pasca.student.pens.ac.id
, 2basuki@pens.ac.id, 3riyanto@pens.ac.id
Abstract
Indonesian people daily consume rice as a staple food, because in it there is rice containing complex food
ingredients, as well as providing various essential nutrients for the body. There are still many people who
don't know which ones have good quality. If rice is clean, uncollected, and has a higher price, many assume
directly if it is assumed to be of good quality, even though it is not certain that the requested rice has good
quality. For this reason, we conduct research on the quality of rice that is needed to help the community be
able to determine good and bad quality. This study discusses the low-cost rice image approval system for
obtaining rice quality. Many factors affect rice quality such as grain fragments, non-uniform color, odor and
other factors. This study uses the percentage of broken rice grains and uniformity color to determine the
quality of rice. We recommend texture features with Otsu segmentation to determine the number of broken
grains and color distribution to determine uniform color. Classification results using K Fold validation with k
= 10 in the original data show the results of K-Nearest Neighbor have an accuracy of 99.87%.
keywords:rice quality; rice image; Otsu segmentation; K-Nearest Neigbour;
Abstrak
Masyarakat Indonesia sehari-hari mengkonsumsi beras sebagai bahan pokok makanan , karena didalam
beras terdapat kandungan karbohidrat kompleks, serta dapat memberikan berbagai zat gizi lain yang
penting bagi tubuh.
Namun
masih banyak orang yang belum mengetahui beras mana yang memiliki
kualitas bagus. Jika beras dalam keadaan bersih, tak berbau, dan memiliki harga lebih mahal, banyak yang
langsung berasumsi kalau beras tersebut berkualitas baik, padahal belum tentu beras yang dimaksud
tersebut mempunyai kualitasbaik
.
Untuk itu kami melakukan penelitian mendeteksi kualitas beras yang
nantinya dapat membantu masyarakat untuk dapat membedakan kualitas baik dan buruk. Penelitian ini
menyajikan sistem pemrosesan citra beras berbiaya rendah untuk menilai kualitas beras. Banyak faktor
yang mempengaruhi kualitas beras seperti fragmen biji-bijian, warna yang tidak seragam, bau dan faktor
lainnya. Penelitian ini menggunakan prosentase butiran beras pecah dan keseragaman warna untuk
menentukan kualitas beras. Kami mengusulkan fitur tekstur dengan segmentasi Otsu untuk menentukan
jumlah butiran pecah dan distribusi warna untuk menentukan seragam warna. Hasil klasifikasi
menggunakan validasi K Folddengan k=10 pada data asli menunjukkan hasil K-Nearest Neigbour
memiliki akurasi 99,87%.
Kata kunci: kualitas beras; citra beras; segmentasi Otsu; K-Nearest Neigbour;
1.
Pendahuluan
Rata – rata penduduk Indonesiasehari-hari
mengkonsumsi beras sebagai bahan pokok
makanan. Pemerintah
melalui
Badan
Standardisasi Nasional (BSN), menentukan mutu
beras terbagi menjadi premium dan
medium.beras terbagi atas 4 klasifikasi Standar
Nasional Indonesia (SNI) mutu beras, yakni
premium, medium I, medium II, dan medium III
.Adapun, syarat umum pada beras, yakni bebas
hama dan penyakit, bebas bau apek, asam atau

JIRE (Jurnal Informatika & Rekayasa Elektronika) Volume 3, No 1, April 2020
http://e-journal.stmiklombok.ac.id/index.php/jire
ISSN. 2620-6900 (Online) 2620-6897 (Cetak)
21
bau asing lainnya, bebas dari campuran dedak dan
bekatul, dan bebas dari bahan kimia yang
membahayakan konsumen.
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].
Kelemahan dari pemeriksaan diatas
memerlukan
waktu yang lama dan menghasilkan
produk dengan kualitas yang tidak merata karena
keterbatasan visual, faktor kelelahan, dan
perbedaan persepsi masing-masing pengamat.
Oleh karena itu, 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].
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 [3]. Penelitian
lainnya melakukan ekstraksi citra kuantitatif dari
segmen informasi ditangani dengan ekstraksi fitur
pada pecahan bulir beras [4][5].
Perlindungan konsumen mengenai kualitas beras
sangatlah perlu, dikarenakan 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 Standardisasi
Nasional (BSN).
2.
Tinjauan Pustaka
Penilaian kualitas gandum gandum penting
dalam memenuhi persyaratan pasar. Ketebalan
butir dapat digunakan untuk mengukur proporsi
massa butir yang melewati saringan. Ukuran ini
dikenal sebagai “pemutaran”. Penentuan ada atau
tidaknya lipatan biji-bijian membantu mendeteksi
noda yang disebut titik hitam, yang biasanya
paling jelas pada sisi non-lipatan biji-bijian.
Dalam makalah ini kami menyelidiki
penggunaan teknik penglihatan stereo untuk
mengukur ketebalan dan mendeteksi ada atau
tidaknya lipatan sampel biji-bijian gandum
yang ditempatkan pada baki dengan lesung
pipit. Menggunakan gandum untuk penilaian
kualitas. Mereka menggunakan teknik
penglihatan stereo untuk mengetahui ukuran
(panjang, lebar dan tebal) biji-bijian dan
mendeteksi ada atau tidaknya lipatan pada
sampel biji gandum. Lipatan pada dasarnya
adalah garis atau bintik hitam yang ada dalam
biji-bijian [6].
Pengujian kualitas beras melalui
pendekatan recognition pengolahan citra digital
bertujuan untuk menghasilkan model
pengujianyang mampu mengenali komponen
mutu berasyang meliputi butir patah, butir
menir, derajat sosoh, dan butir kuning serta
mengetahu itingkat keberhasilannya. Pengujian
diawali dengan melakukanblob detection pada
citra beras berjarak 18 cm dari kamera. Hasil
pengambilan citra digunakan sebagai sampel
pengujian panjang butir menggunakan metode
SUSAN, dan pengujian tekstur butir
menggunakan modelneurofuzzy.
Perhitunganrata-rata20butir terpanjang,
penentuan batas ukuran butir patah, dan menir
sebesar 61%, dan 29%. Keberhasilan pengujian
panjang butir sebesar 94.22 % dari
keseluruhan sampel[7].
Kualitas beras ditentukan oleh berbagai
parameter termasuk lebar, panjang, luas,
jumlah beras besar, sedang, kecil, dan pecah.
Dalam beberapa tahun terakhir, ada
kecenderungan peningkatan dalam otomatisasi
parameter kualitas beras[8].
Suatu metode dikembangkan untuk
menentukan ukuran dan ukuran distribusi
beras dan jumlah kernel beras yang rusak
menggunakan pemindaian rata (FBS) dan
analisis citra (IA)[9].
Klasifikasi berbasis jaringan saraf
propagasi belakang dikembangkan untuk
mengidentifikasi jenis butir yang tidak
diketahui. Fitur warna dan tekstur disajikan ke
jaringan saraf untuk tujuan pelatihan. Jaringan
terlatih kemudian digunakan untuk
mengidentifikasi jenis butir yang tidak
diketahui[10].
Banyak penelitian telah mengusulkan
metode yang berbeda untuk identifikasi dan
klasifikasi objek untuk berbagai kategori beras.
Dayanand Savakar telah mengusulkan solusi
untuk mengidentifikasi dan mengklasifikasikan
citra buah curah menggunakan teknik

JIRE (Jurnal Informatika & Rekayasa Elektronika) Volume 3, No 1, April 2020
http://e-journal.stmiklombok.ac.id/index.php/jire
ISSN. 2620-6900 (Online) 2620-6897 (Cetak)
22
pembelajaran mesin. Delapan belas fitur warna
dan dua puluh tujuh fitur tekstur dimasukkan ke
dalam jaringan saraf propagasi belakang untuk
klasifikasi sampel citra buah curah. Hasil
minimum dan maksimum yang dicapai adalah
masing-masing sekitar 94% dan 92% . Liu Guang-
rong menggunakan teknik pemrosesan citra
untuk pemeriksaan warna beras secara akurat.
Studi ini memperkenalkan aplikasi model warna
RGB dan HSV dalam inspeksi warna beras [11].
Detektor tepi cerdik diterapkan untuk
mendeteksi tepi butir beras. Nilai eigen dan
vektor Eigen dihitung berdasarkan fitur
morfologis. Kemudian dengan menerapkan PCA,
varietas padi yang berbeda diklasifikasikan
dengan membandingkan citra sampel dengan
database. Hasil yang diperoleh dalam hal
klasifikasi dan analisis kualitas masing-masing
adalah 92,3% dan 89,5%. Sistem yang diusulkan
dapat bekerja dengan baik dalam waktu
minimum dan biaya rendah[12].
Mereka menggunakan teknik penglihatan
stereo untuk mengetahui ukuran (panjang, lebar
dan tebal) biji-bijian dan mendeteksi ada atau
tidaknya lipatan pada sampel biji gandum. Lipatan
pada dasarnya adalah garis atau bintik hitam yang
ada dalam biji-bijian. Visi stereo pada dasarnya
mengekstraksi informasi 3D dari citra digital[13].
Dalam proyek ini, pemegang benih dirancang
untuk memegang benih padi untuk tujuan akuisisi
citra. Empat warna berbeda seperti hitam, biru,
hijau dan merah dilukis di atas dudukan benih.
Efek warna latar belakang pada segmentasi citra
benih padi diuji di bawah pengaturan visi mesin.
Parameter benih padi sederhana seperti panjang
dan lebar benih diukur menggunakan teknik
pemrosesan citra yang diprogram dalam
perangkat lunak LabVIEW. Kesalahan persentase
untuk setiap warna latar belakang dihitung
berdasarkan lebar aktual dan lebar benih padi.
Warna latar belakang biru ditemukan untuk
memberikan kontras yang baik untuk estimasi
panjang dan lebar dengan akurasi kurang dari 2%
dan 5%, masing-masing[14].
3.
MetodologiPenelitian
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.
Citra 1. Diagram system
3.1. Pengumpulan Data Bulir Beras
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 12 jenis beras
dengan masing-masing 10 gambar pada setiap
jenis beras, jadi total ada 120 gambar.
3.2. Preprocessing
Tahap Pre-Processing ini dilakukan untuk
mempersiapkan citra beras dengan tujuan
meningkatkan citra sebagai langkah preproses
sebelum analisis. mengoreksi penerangan latar
belakang tidak seragam dan mengubah citra
menjadi citra 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 obyek di citra.
Tabel 2 citra pre-processing
star rice filter
image
citra contras
Citra binary beras
Sebagai langkah pertama, menyingkirkan semua
latar depan (butiran beras) menggunakan
pembukaan filtering. Operasi pembukaan
menghilangkan objek kecil yang tidak
biassepenuhnya mengandung elemen penataan.
Tentukan elemen penataan berbentuk cakram
dengan jari-jari 15, yang benar-benar pas

JIRE (Jurnal Informatika & Rekayasa Elektronika) Volume 3, No 1, April 2020
http://e-journal.stmiklombok.ac.id/index.php/jire
ISSN. 2620-6900 (Online) 2620-6897 (Cetak)
23
dengan satu proses selanjutnya dengan
mengurangi citra asli dengan citra hasil proses
setelah mengurangi citra latar belakang yang
disesuaikan dari citra asli, citra yang dihasilkan
memiliki latar belakang yang seragam tetapi
sekarang agak gelap untuk dianalisis.
Dengan menggunakan auto-leveling untuk
meningkatkan kontras citra yang diproses I2
dengan menjenuhkan 1% data pada intensitas
rendah dan tinggi dan dengan meregangkan nilai
intensitas untuk mengisi rentang dinamis uint8.
Dengan memperhatikan dua langkah sebelumnya
dapat diganti dengan satu langkah menggunakan
strel yang pertama menghitung pembukaan
morfologis dan kemudian mengurangkannya dari
citra asli untuk mendapatkan citra background.
Pada tahap ini merupakan awal dalam mengolah
data input sebelum memasuki proses tahapan
utama. Disini data rute akan dihitung
menggunakan Algoritma A* dan dihitung secara
manual utuk melihat hasil apakah proses jalur
yang dilewati menggunakan Aloritma A*
menghasilkan nilai yang akurat dengan
perhitungan secara manual.
3.3 SEGMENTASI TEKSTUR
Pada langkah ini, citra yang rusak dipisahkan dari
latar belakangnya. Nilai intensitas citra yang lebih
dari atau sama dengan nilai threshold akan diubah
menjadi 1 (berwarna putih) sedangkan nilai
intensitas citra yang kurang dari nilai threshold
akan diubah menjadi 0 (berwana hitam). Sehingga
citra keluaran dari hasil thresholding adalah
berupa citra biner dengan menggunakan outsu.
Formulasi dari metode otsu adalah sebagai
berikut:
Nilai Ambang yang akan dicari dari suatu citra
gray level dinyatakan dengan k. Nilai k berkisar
antara 1 sampai dengan L, dengan nilai L = 255.
Probabilitas setiap pixel pada level ke i dapat
dinyatakan:
pi
=
ni
/
N
dengan :
nimenyatakan jumlah pixel pada level ke i N
menyatakan total jumlah pixel pada citraNilai
Zeroth cumulative moment, First cumulative
moment, dan total nilai mean berturut-turut dapat
dinyatakan dengan rumus berikut.
Berikut adalah formulasi untuk menghitung
jumlah kumulatif (cumulative sum) dari w(k) , untuk
L = 0, 1, 2, ...,
Berikut adalah formulasi untuk menghitung
rerata kumulatif (cumulative mean) dari m(k)
,untuk
L = 0, 1, 2, ...,
Berikut adalah formulasi untuk menghitung
rerataintensitasglobalmT(k):
Dari persamaan diatas, nilai k menyatakan tingkat
level keabuan dimana setiap rentang piksel akan
dihitung. Langkah selanjutnya adalah menentukan
varian antar kelas (between class variance).
Persamaan untuk between class variance :
Hasil dari perhitungan between class variance dicari
nilai maksimal. Nilai yang paling besar digunakan
sebagai threshold atau nilai ambang (k), dengan
persamaan :
Keterangan:
= Jumlah Kumulatif
= Rerata Kumulatif
= Rerata Intensitas Global
= Nilai Ambang
Between class variance bertujuan untuk mencari
nilai ambang dari sebuah citra grayscale, nilai
ambang atau threshold digunakan sebagai nilai
acuan untuk mengubah citra grayscale ke citra
biner. Setiap citra memiliki nilai ambang
yangberbeda-beda.
Persamaan yang digunakan untuk memisahkan
nilai beras yang utuh dan nilai beras yang pecah
adalah:
Dimana :
f(x,y) adalah citra grayscale
g(x,y) adalah citra biner
T adalah nilai threshold

JIRE (Jurnal Informatika & Rekayasa Elektronika) Volume 3, No 1, April 2020
http://e-journal.stmiklombok.ac.id/index.php/jire
ISSN. 2620-6900 (Online) 2620-6897 (Cetak)
24
Tabel 3 citra segmentasi tekstur
Citra beras
Citra beras
pecah
Citra beras utuh
3.4 DISTRIBUSI WARNA
Pada langkah ini, keseragaman warna bisa
dilihat dari distribusi warna. Persoalannya adalah
background. Nilai background tidak
diperhitungkan dalam distribusi warna, sehingga
variansi dari warna tidak terlalu lebar namun
pada warna-warna yang dekat dengan warna
dasar berasnya. Besar-kecilnya variansi dari
distribusi warna nilai menunjukkan keseragaman
warnanya.
tabel 4 citra keseragaman warna.
penyeragaman warna
Histogrampenyeragaman
warna
Dari hasil yang didapat, maka histogram yang
diperoleh dari penyeragaman warna tersebut
akan menjadi acuan pencarian data vector warna.
4. HASIL DANPEMBAHASAN
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.
Tabel 5 penentu kualitas beras
Premium
Medium 1
Medium 2
Bulir beras
pecah < 50%
dari jumlah
bulir beras
keseluruhan
Bulir beras
pecah ≥ 50%
dari jumlah
bulir beras
keseluruhan
Bulir beras
pecah≥ 75%
dari jumlah
bulir beras
keseluruhan
Pengujian ini dilakukan secara bertahap yaitu:
a) Menentukan threshold pada setiap
kelompok kualitas beras.
b) Melihat kualitas beras dari jumlah pecahan
bulir berasnya
c) Melihat kualitas beras dari keseragaman
warnanya
d) Melihat kualitas berasa dari gabungan fitur:
jumlah pecahan beras dan keseragaman
warna
e) Klasterisasi
f) Data set
g) Klasifikasi
a) Menentukan threshold pada setiap
kelompok kualitas beras.
Dengan menentukan nilai threshold pada
citra bulir beras yang mana nilai tersebut
diambil dari nilai median citra bulir beras yang
nantinya digunakan sebagai batasan pencarian
citra bulir beras utuh dan bulir beras pecah.
Tabel 6 Citra penentuan nilai threshol beras .
Jenis Beras
Beras original
Nilai median
Beras
Beras
Banyuwangi
Nilai median:
45.31%
b) Melihat Kualitas 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 dapat dilihat pada tabel nilai
Kualitas Beras yang utuh dan yang dibawah.

JIRE (Jurnal Informatika & Rekayasa Elektronika) Volume 3, No 1, April 2020
http://e-journal.stmiklombok.ac.id/index.php/jire
ISSN. 2620-6900 (Online) 2620-6897 (Cetak)
25
Tabel7 Citra Kualitas Beras yang utuh dan yang
pecah
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%
Beras Bintang
Beras utuh: 68.18%
Beras pecah: 31.81%
Beras Bintang 5
Beras utuh: 54.65%
Beras pecah: 45.34%
Beras bintang ijo
Beras utuh: 56.92%
Beras pecah: 43.08%
Beras Pin - Pin
Beras utuh: 91.20%
Beras pecah: 8.80%
c) Melihat Kualitas 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 dapat dilihat pada tabel nilai histogram
keseragaman warna dibawah.
Tabel8 Citra Kualitas Beras dari keseragaman
warna
Jenis Beras
Penyeragama
n Warna
Histogram
Penyeragam
an Warna
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%
Beras bintang
Nilai warna kuning
beras: 56%
Nilia warna putih
beras: 25%
Nilia warna kuning
& putih beras: 19%
Beras bintang 5
Nilai warna kuning
beras: 54%
Nilia warna putih
beras: 28%
Nilia warna kuning
& putih beras: 19%
Beras bintang ijo
Nilai warna kuning
beras: 35%
Nilia warna putih
beras: 52%
Nilia warna kuning
& putih beras: 13%
Beras Pin - pin
Nilai warna kuning
beras: 50%
Nilia warna putih
beras: 34%
Nilia warna kuning
& putih beras: 15%

JIRE (Jurnal Informatika & Rekayasa Elektronika) Volume 3, No 1, April 2020
http://e-journal.stmiklombok.ac.id/index.php/jire
ISSN. 2620-6900 (Online) 2620-6897 (Cetak)
26
d) Melihat Kualitas Beras dari Jumlah
Pecahan Bulir Beras dan Keseragaman
Warna
Penggabungan antara jumlah pecahan bulir beras
dan penyeragaman warna akan menghasilkan
kualitas beras yang lebih segnifikan.
Summary dari keseluruhan data yang dihasilkan,
ditampilkan data nilai mean dan standart deviasi
,nilai min, nilai max, nilai medium dan nilai mean
keseragaman warna untuk mencari klaster
kualitas beras.
Tabel 9 mean dan deviasi beras
No
Nama Beras
Data pecahan Bulir
Rata-
rata
Deviasi
Min
Max
Median
1
Arwana
27,38
5,25
19,80
37,50
28,65
2
Banyuwangi
53,21
4,83
47,02
64,24
55,63
3
Bintang
32,13
3,42
24,06
37,61
30,835
4
Bintang 5
39,26
6,64
30,76
46,78
38,77
5
Bintang Ijo
53,10
8,51
43,07
74,22
58,645
6
IR64
39,32
3,79
34,40
44,16
39,28
7
Kelapa
29,93
3,19
25,42
37,20
31,31
8
Kelapa
Muda
11,16
2,87
6,09
17,44
11,765
9
Lumbung
18,58
8,71
9,37
41,97
25,67
10
Nasi Uduk
12,12
2,85
6,45
16,66
11,555
11
Pin 2
13,81
3,78
8,79
21,09
14,94
12
Tys
58,53
5,48
47,68
67,02
57,35
Tabel 10 nilai mean dari keseragaman warna
#
Nama Beras
Keseragaman
Warna
Putih
Kuning
1
Arwana
19,70
57,60
2
Banyuwangi
42,50
39,50
3
Bintang
38,75
39,58
4
Bintang 5
35,56
46,78
5
Bintang Ijo
39,10
42,80
6
IR64
39,45
36,45
7
Kelapa
24,20
55,60
8
Kelapa Muda
36,10
44,60
9
Lumbung
35,06
38,06
10
Nasi Uduk
36,00
44,45
11
Pin 2
30,69
46,46
12
Tys
42,13
41,50
e) Klasterisasi
Tujuan dari proses klasterisasi ini memproses
setiap data mean dan deviasi beras dari hasil
ekstraksi menggunakan parameter warna,
tekstur pada bulir beras, dan dari proses
klasterisasi data bulir beras menghasilkan 3
klaster yaitu klaster 1, klaster 2, dan klaster 3
yang nantinya digunakan sebagai penentu
kualitas beras tersebut masuk katagori beras
kualitas Premim , Medium 1 , atau medium 2.
Langkah pertama dengan mengklaster dari
nilai mean dan nilai deviasi pecah beras dapat
dilihat dari label 1 berikut:
langkah kedua mengklaster dari nilai mean ,
nilai deviasi pecah beras deangan keseragaman
warna dapat dilihat dari label 2 berikut :
langkah selanjutnya mengklaster dengan
menggunakan metode kmeans menghasilkan
data kualitas untuk menentukan kualitas
Premium , Medium 1, dan Medium 2 . Klaster 1

JIRE (Jurnal Informatika & Rekayasa Elektronika) Volume 3, No 1, April 2020
http://e-journal.stmiklombok.ac.id/index.php/jire
ISSN. 2620-6900 (Online) 2620-6897 (Cetak)
27
masuk di kualitas Medium 2 dikarenakan jumlah
bulir pecahnya ≥ 75% dari jumlah bulir beras
keseluruhan, Klaster 2 masuk di kualitas Medium
1 dikarenakan jumlah bulir pecahnya ≥ 50% dan
klaster 3 masuk di Premium dikarenakan jumlah
bulir pecahnya < 50% , karena yang diklaster dari
nilai pecah beras. Hasil dari proses klaster dapat
dilihat dari label 3 berikut :
f) Data set
Dari hasil proses klastering , menghasilkan data
set yang berlabel sesuai dengan hasil klaster yang
didapat yaitu class 1, class 2, dan class 3 .Data set
ini dijadikan data supervised untuk proses
klasifikasi. Sebelum dilakukan proses klasifikasi ,
data di normalisasikan terlebih dahulu guna
mendapatkan nilai yang tertata normal , baik dan
tepat. Agar nantinya waktu dilakukan proses
klasifikasi mendapatkan hasil yang maksimal.
Tabel 11.Data set berlabel
jenis
beras
good rice
bad rice
nilai
warna
kuning
nilai
warna
putih
class
arwana
103
32
78.879
22.905
1
96
37
6.436
90.619
1
….
….
….
…
..
152
43
60.247
24.184
1
banyuwangi1
87
10
2
3.938
71.784
2
69
12
4
60.558
75.307
2
…
…
…
…
…
96
10
0
33.967
55.423
2
bint
ang
75
35
41.508
62.411
1
68
41
45.757
72.548
1
…
.
…
…
…
112
54
38.821
27.947
1
bintang 5
47
39
44.046
6.765
1
53
45
49.149
61.666
1
…
…
…
…
…
63
29
36.388
20.374
1
bintang ijo
74
56
47.781
11.696
2
74
78
4.395
22.651
2
…
…
…
…
…
79
11
9
44.433
55.969
2
ir64
64
35
82.848
50.722
1
94
60
57.844
49.329
1
…
…
…
…
…
122
64
44.499
72.546
1
kelapa
68
30
62.305
41.891
1
77
30
50.948
10.844
1
…
…
…
…
…
106
47
43.163
12.137
1
kelapa muda
77
5
49.065
80.965
3
84
10
55.443
33.279
3
…
…
…
…
…
97
10
48.177
68.035
3
lumbung
103
21
3.861
4.993
3
111
15
46.694
30.025
3
…
…
…
…
…
79
14
36.669
45.522
3
nasi uduk
67
10
76.052
29.838
3
37
4
48.595
71.412
3
…
…
…
…
…
40
6
38.211
30.659
3
pin2
83
8
82.087
55.593
3
87
9
83.513
80.444
3
…
…
…
…
…
124
23
16.388
31.263
3
tys
73
99
59.254
31.824
2
84
11
3
65.768
99.429
2
…
…
…
…
…
68
10
5
54.903
107.56
5
2

JIRE (Jurnal Informatika & Rekayasa Elektronika) Volume 3, No 1, April 2020
http://e-journal.stmiklombok.ac.id/index.php/jire
ISSN. 2620-6900 (Online) 2620-6897 (Cetak)
28
g) Klasifikasi
Hasil klasifikasidata supervised diatas dengan
menggunakan PSO, dengan 4 metode K-Nearest
Neigbour, Neural Network, Fuzzy NN, dalam
validasi silang, buat setiap rekaman sebagai data
uji berurutan yang digunakan dalam penelitian ini.
Weka digunakan untuk memilih fitur dari PSO.
Tabel di bawah ini adalah hasil pemilihan fitur di
mana operator yang digunakan adalah K-Nearest
Neigbour, NN, Fuzzy NN, 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.
Table 12. Leave-One-Out Cross Validation With
Original Data
Feature
Selection
Original
Performance
Accuracy
precission
Recall
F-
Measure
K-
Nearest
Neigbour
99,87%
97,70%
97,70%
97,70%
Neural
Network
99,83%
97,70%
97,70%
97,70%
FUZZY
99,74%
89,90%
90%
89,90%
SVM
99,71%
96,90%
96,90%
96,90%
Table 13. Perbandingan antar Metode
menggunakan Weka
Tabel di atas menunjukkan akurasi dengan
Validasi K Fold dengan data atribut asli
menunjukkan bahwa pemilihan fitur K-Nearest
Neigbour lebih baik daripada yang lain yaitu
99,87% pada akurasi dan F-Measure 97,7%.
5.
SIMPULAN
Berdasarkan hasil uji coba, dapat diambil
kesimpulan antara lain :
a. Proses binerisasi dengan metode Otsu
mampu menghasilkan citra biner yang
sangat memuaskan dan sangat membantu
dalam proses penentuan pemisahan beras
utuh dan beras pecah.
b. Dari proses penyeragaman warna dengan
mengurangi jumlah warna dalam gambar
melibatkan kuantisasi. Dengan
menggunakan kuantisasi sebagai bagian
dari algoritma pengurangan warnanya dan
kuantisasi varians minimum.
c. Dan dengan menggunakan metode kmeans
dapat menghasilkan kualitas Premium ,
medium 1, medium 2 beras
lebih tepat
dan akurat.
d. Dari proses klasifikasi menggunakan
algoritma K-Nearest Neighbor diperoleh
dengan akurasi yang menunjukkan akurasi
99,70%.
6.
Ucapan
Terima Kasih
Achmad Basuki sebagai pembimbing pertama
yang selalu memberi arahan dan masukan
dalam penulisan journal ini.
Riyanto Sigit sebagai pembimbing
pendamping yang selalu memberi ide dan
masukan dalam penulisan journal ini.
Jurnal lnformatika dan Rekayasa Elektronika
(JIRE) yang telah menerima dan menerbitkan
artikel journal ini.
Daftar Pustaka:
[1] Badan Standardisasi Nasional. (2008). SNI
6128:2008 Beras. Jakarta: BSN.
[2] E. Z. Parveen, “Assessment of Quality of
Rice Grain using Optical and Image
Processing Technique,”pp. 265–270, 2017.
[3] I. Shape et al., “Pengolahan Citra Digital
Menggunakan Metode Susan Detection Dan
Neurofuzzy Untuk Identifikasi Komponen,”
vol. 4, no. 6, pp. 30–45, 2017.
[4] S. F. Ali, H. Jamil, R. Jamil, I. Torij, and S.
Naz, “Low cost solution for rice quality

JIRE (Jurnal Informatika & Rekayasa Elektronika) Volume 3, No 1, April 2020
http://e-journal.stmiklombok.ac.id/index.php/jire
ISSN. 2620-6900 (Online) 2620-6897 (Cetak)
29
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.
[5] 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.
[6] 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.
[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 India and 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.
https://doi.org/10.1109/ICIINFS.2018.8721
312
[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.2018.870
6891
[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.
(16)Pambudy, A. P., & Syairozi, M. I. (2019).
Analisis Peran Belanja Modal dan Investasi
Swasta Terhadap Pertumbuhan Ekonomi
Serta Dampaknya Pada Kesejahteraan
Masyarakat. Jurnal Ekonomi dan
Bisnis, 20(1), 26-39.
(17)Vani, E. P., & Sridadi, A. R. (2020). Pengaruh
Disiplin Terhadap Kinerja Guru Smpn Di
Kecamatan X Dengan Motivasi Sebagai
Variabel Intervening. JURNAL EKBIS:
ANALISIS, PREDIKSI DAN
INFORMASI, 21(1), 53-68.
[18] L. Mutawalli, M. T. A. Zaen, and I. F.
Suhriani, “Sistem Identifikasi Persebaran
Pecemaran Air Oleh Limbah di Indonesia
Menggunakan Average Linkage Dan K-
Mean Cluster,” MISI (Jurnal Manaj. Inform.
Sist. Informasi), vol. 1, no. 2, pp. 36–42,
2018.