Penentuan Kualitas Giling Beras Menggunakan Analisis Citra

Abstract

<p>Abstrak<br />Terdapat beberapa kelemahan dalam penentuan mutu beras yang dilakukan secara manual, yang dilakukan oleh tenaga inspektor yang telah ahli dan berpengalaman, antara lain: 1) Faktor subyektivitas, sehingga menyebabkan bias antara satu pengamat dengan pengamat lainnya; 2) Kelelahan fisik bila pengamat bekerja terlalu lama sehingga hasil pengamatan tidak konsisten; dan 3) Waktu yang diperlukan untuk pengamatan relatif lebih lama. Salah satu cara untuk mengetahui kualitas beras giling yang cepat, akurat dan mudah pengoperasiannya diperlukan guna meningkatkan efisiensi kerja dalam menentukan mutu beras giling. Tujuan penelitian adalah mempelajari kualitas giling beras menggunakan analisis citra. Image beras diambil menggunakan kamera web yang terhubung langsung dengan sistem pemrograman image processing dan Artificial Neural Network. Model ANN yang dikembangkan dengan 10 parameter input, 20 hidden layers dan 4 target. Keempat target adalah butir kepala, butir patah, butir menir, dan butir gabah. Hasil menunjukkan bahwa akurasi training adalah 97,14%, dan akurasi validasi adalah 96,74%. Penelitian ini dapat diaplikasikan pada varietas lain, sehingga sistem pengambilan keputusan tidak hanya untuk varietas Inpari 13 saja, tetapi juga beberapa varietas beras yang lain, tetapi tentunya dengan melakukan proses training terlebih dahulu untuk mendapatkan nilai bobot yang sesuai dengan varietas beras yang diuji.<br />Kata Kunci: beras, kualitas giling, analisis image.</p><p><br />Abstract<br />There were some weakness during determination rice milling quality that conducted manually, by inspector that has been experienced, ie: (1) subjectivity factors,causing diffraction among one observer to others; (2) existence of physical fatigue if observer worked over time, so it cause inconsistent perception result; and (3) time required just for perception much longer. One of the solution to understand rice milling quality that quickly, accurate and easy to be operated were needed to improve an efficiency at determination rice milling quality. The research was to study rice milling quality using image analysis. Rice image was taken by using web camera which directly connected by image processing and artificial neural network program. ANN model was developed with 10 input parameters, 20 hidden layers and 4 targets. The fourth targets were whole kernel, head rice, broken rice and unhulled rice.The result showed that the accuracy of training was 97,14%, and the accuracy of validation was 96,74%.This research could be applied to another variety of rice, so decision support system could be applied not only for Inpari 13’s variety but also for any kind of variety of rice.<br />Keywords: rice, milling quality, image analysis.</p>

The Impact of Employing Microbacter Alfaafa – 11 (MA-11) and Organic Fertilizer on the Quantity and Quality of Rice Resulting from the Crossing of Sigupai and IRBB27

“…Increased temperatures and higher water content will result in more significant alterations. This assertion is corroborated by Somantri, et al (2014), who demonstrate that the alteration pattern during storage is consistent across all types of rice. However, the extent of these alterations is contingent upon factors such as storage room temperature and humidity, duration of storage, and the specific rice variety.…”

Mutu Beras Penggilingan Padi Di Rice Processing Center Kabupaten Mukomuko Sesuai Sni 6128:2015

“…Persentase beras patah yang cukup tinggi akan mengakibatkan kerugian ekonomi secara langsung pada pelaku usaha/pedagang beras (Somantri et al, 2015). Rata-rata beras kepala yang dihasilkan hanya 61,7% sehingga masuk kategori mutu medium 3.…”