Sistem Penunjang Keputusan Untuk Menentukan Kelas Mutu Jagung Dengan Menggunakan Teknologi Pengolahan Citra Digital dan Jaringan Syaraf Tiruan

No Thumbnail Available
Date
Journal Title
Journal ISSN
Volume Title
Publisher
Balai Besar Penelitian dan Pengembangan Pascapanen Pertanian
Abstract
Description
lndustri pangan dan pakan yang menggunakan jagung sebagai bahan bakunya saat ini berkembang dengan pesal. Namun perkembangan industri tersebut belum diimbangi dengan jaminan kualitas bahan bakunya. Saat ini penilaian mutu jagung masih dilakukan secara konvensional oleh para ahli yang sudah berpengalaman, namun cara seperti ini memiliki kelemahan seperti (1) adanya faktor subyektivitas yang menyebabkan bias di antara satu pengamat dengan pengamat lainnya; (2) adanya kelelahan fisik bila pengamat bekerja terlalu lama sehingga hasil pengamatan tidak konsisten; serta (3) waktu yang diperlukan untuk pengamatan relatif lebih lama. Sehubungan dengan permasalahan di atas, maka diperlukan suatu cara untuk mengidentifikasi mutu jagung yang cepat, akurat dan mudah dioperasikan, sehingga meningkatkan efisiensi kerja dalam pengkelasan mutu jagung. Penelitian ini bertujuan untuk membuat sistem penunjang keputusan untuk menentukan kelas mutu jagung, menggunakan teknologi pengolahan citra digital dan jaringan syaraf tiruan. Hasil penelitian menunjukkan bahwa teknologi pengolahan citra digital telah mampu membangkitkan data numerik berupa karakteristik fisik citra jagung. Karakteristik citra jagung yang berupa nilai R,G,B dan HSI menunjukkan nilai yang spesifik dan rata-rata nilainya tidak tumpang tindih sehingga sangat memudahkan dalam proses trainingnya, demikian juga pada karakteristik fisik citra yang berupa nilai luas, keliling dan panjang dari masing-masing butir jagung memiliki nilai yang spesifik. Model Jaringan Syaraf Tiruan yang dikembangkan adalah model backprogcuion dengan 10 layer input, 20 hidden layer dan 4 layer output menghasilkan bobot tertinggi pada training ke 40000 dengan nilai akurasi sebesar 98%, terdiri dari 100 % butir utuh, 98 % butir rusak, 98 % butir pecah dan 96 % butir berjamur, Sedangkan pada proses validasi menghasilkan akurasi sebesar 92 %, terdiri dari 97 % butir utuh, 94 % butir rusak, 88 % butir pecah dan 87 % butir berjamur. Sistem penunjang keputusan yang telah dibuat selanjutnya dapat diimplementasikan dalam bentuk CD untuk memudahkan pengguna.Decision Support System For Determining The Quality Of Corn By Using Digital Image Processing And Artificial Neural NetworkFood and feed industries that use corn as main raw material are growing rapidly. However, industrial development is not supported with the quality of raw material. Currently grain quality assessment is done conventionally by a experienced assessor and it has some weaknesses such as: (I) subjectivity factor that causes different result among analysts; (2) physical exhaustion when the analysts work too long resulted in inconsistend results and (3) need longer observation. In relation to these problem, a method for identifying the quality of corn fastly, accurately and easily operated is required to create the efficiency of identification of the physical quality of corn. This research was aimed to creating a decision support system for determination the quality grade of corn using was digital image processing technology and artificial neural network. The results showed that digital image processing was able to generate numerical data such as physical properties of corn. Image characteristics of corn such as R, G, Band HSI showed unique values and un overlapped averages facilitating the training process, as well as determining the physical properties such as area value, circumference and length of each grain of corn. A backprogation model of Artificial Neural Network model was developed 10 input layers, 20 hidden layers and 4 output layers. The highest results was obtained from the 40000'h training with and the accuracy of 98%, consisting of 100% whole grain, 98% damaged grains, 98% broken grains and 96 % moldy grain. While the validation process produced 92% accuracy, consisting of 97% whole grain, 94% damaged grains, 88% broken grains and 87% moldy grain. Decision support systems that have been developed can be further implemented in the form of CDs, for easy use
Keywords
Klasifikasi mutu jagung; pengolahan citra; jaringan syaraf tiruan; jagung; Classification of corn quality; image processing; artificial neural network; corn.
Citation