DETEKSI DAN IDENTIFIKASI CITRA DIGITAL JENIS

BERAS MENGGUNAKAN METODE ANFIS DAN PREWITT

Muhammad Dean Fitrah

432007006170139
Teknik Informatika, STMIK Tasikmalaya

Abstract: Indonesia is the third largest rice producer in the world. Thanks to that there are many types of
rice in Indonesia. This study aims to identify the types of rice using the Adaptive Neuro Fuzzy Inference
(ANFIS) method which can be trained to identify the types of rice. Using the values contained in shape
feature extraction which includes metric and eccentricity as well as texture feature extraction which
includes LBP, contrast, correlation, and energy. This study also aims to determine the effect of adding
Prewitt edge detection on accuracy in identifying rice types. This edge detection is added to the
extraction of shape feature extraction values. Extraction values were taken from 100 training images and
100 test images with 25 images each for each type of rice. The results of the research conducted showed
that ANFIS proved to be quite good at identifying types of rice with an average accuracy above 70%,
while the use of Prewitt edge detection had an effect of 1-5% on accuracy.

Kata kunci: ANFIS, Beras, Deteksi tepi, Ekstraksi ciri, Prewitt

I. PENDAHULUAN1 Permasalahan ini muncul dikarenakan

Indonesia merupakan produsen beras terdapat kemiripan pada varian beras yang
terbanyak ketiga di seluruh dunia (FAO[1]). ada di Indonesia, baik dari segi bentuk
Berkat itu pula di Indonesia terdapat beragam maupun warnanya.
jenis varian beras sebagian contohnya yaitu:
Pandan Wangi, Rojo Lele, IR 42, IR 46, IR 24, Oleh karena itu dibutuhkan suatu sistem yang
Ciherang, Muncul dan Poles. Dikarenakan dapat berfikir seperti layaknya manusia guna
jenis beras yang beragam itupula terdapat membantu mengidentifikasi jenis-jenis beras
beberapa permasalahan yang muncul secara visual. Hal tersebut dapat diwujudkan
dikalangan masyarakat, salah satunya ialah oleh bantuan kecerdasan buatan yang
sulitnya mengidentifikasikan jenis-jenis beras. digabungkan dengan pengolahan citra digital.
Indonesia is the third largest rice producer in Diantara algoritma kecerdasan buatan
the world (FAO [1]). Thanks to that also in terdapat Adaptive Neuro Fuzzy Inference
Indonesia there are various types of rice Sistem (ANFIS). ANFIS dapat membangun
variants, for example: Pandan Wangi, Rojo
Lele, IR 42, IR 46, IR 24, Ciherang, Muncul
and Poles. Due to the various types of rice
there are also several problems that arise
among the community, one of which is the
difficulty in identifying the types of rice.
suatu mapping input output yang keduanya mengetahui bagaimanakah pengaruh deteksi
berdasarkan pada pengetahuan manusia tepi prewitt pada akurasi dalam
(pada bentuk aturan fuzzy if-then) dengan pengidentifikasian jenis beras.
fungsi keanggotaan yang tepat (Andri [2]).
II. METODOLOGI
Untuk mencoba penambahan akurasi dapat Penelitian ini menggunakan metode
ditambahkan deteksi tepi. Ada beberapa eksperimental. Observasi pada penelitian
metode yang dapat digunakan untuk eksperimental dilakukan di bawah kondisi
pendeteksian tepi masing-masing model buatan (artificial condition) dengan
memiliki kelebihan dan kekurangannya menggunakan suatu perlakuan tertentu yang
masing-masing, pada 2018 dilakukan diatur oleh peneliti (Widi [4]). Penelitian ini
penelitian segmentasi pembuluh darah pada dilakukan dengan susunan tahapan:
fundus retina dimana dalam pengujian pengambilan citra, pre processing,
tersebut deteksi tepi prewitt memiliki hasil perancangan sistem, pengujian, serta
akurasi 1% lebih unggul dibandingkan deteksi penarikan kesimpulan.
tepi canny (Zendhaf, dkk.[3]).

Bedasarkan penjelasan diatas penelitian ini

bermaksud untuk mengetahui bagaimanakah Gambar 1
Model proses hasil adaptasi metode Eksperimental.
hasil penerapan algoritma Adaptive Neuro
Fuzzy Inference Sistem (ANFIS) dan deteksi
III. ANALISIS DAN PEMBAHASAN
tepi Prewitt jika digunakan untuk
3.1. Pengambilan Citra
mengidentifikasi jenis beras. Dalam mencapai
penelitian tersebut dibutuhkan pengambilan Di tahapan ini Beras akan diambil citranya
citra yang selanjutnya akan dilakukan dengan cara menyusun beras pada
compressing size citra untuk menyamaratakan background hitam dengan penempatan posisi
ukuran citra. Setelah itu dilakukan pengolahan 5 baris dan 5 kolom. Beras yang digunakan
citra seperti proses segementasi citra, operasi sebagai objek penelitian adalah bulir beras
morfologi, lalu ekstraksi ciri bentuk serta yang utuh atau tidak patah.
tekstur kemudian dilakukan deteksi tepi Proses pengambilan citra beras dilakukan
prewitt. Proses selanjutnya ialah pengujian berulang-ulang dengan menggunakan kamera
sistem agar diketahui akurasi sistem dalam 12 megapixel, untuk dijadikan citra latih dan
mengidentifikasi jenis beras dan juga untuk citrauji.
Setiap satu kali pengambilan citra beras citra sebesar 300 x 300 (Mas’ud dkk.[5]) pixel
dilakukan penggantian bulir beras. Hasil citra serta perbandingan 1:1.
yang didapatkan akan terlihat seperti gambar
dibawah.

Gambar 4.
Citra hasil resize dan cropping

3.3. Perancangan Sistem Beserta Proses

Gambar 3.
Sistem dirancang dan dijalankan
Citra Beras menggunakan software MATLAB 2017b

3.2. Pre Processing

Pre Processing bertujuan untuk
mempermudah proses dalam melakukan
identifikasi citra. Tahap prapengolahan ini
terdiri dari tahap cropping, compressing size
citra, segmentasi citra dan menutup noise
pada citra. cropping, dan compressing size
citra dilakukan menggunakan aplikasi pihak
Gambar 5.
ketiga yaitu PhotoscapePro dengan ukuran Flowchart Pelatihan tanpa deteksi tepi
 Citra yang sudah didapat ini kemudian
dikonversi menjadi citra keabuan (grayscale)
untuk kemudian dilakukan proses segmentasi.
Tujuan segmentasi adalah mendapatkan
representasi sederhana dari suatu citra
sehingga lebih mudah dalam pengolahannya.
Segmentasi pada penelitian kali ini
menggunakan metode otsu thresholding.
Proses konversi dan segmentasi dilakukan
Gambar 6 pada software MATLAB.
Flowchart Pelatihan dengan deteksi tepi

Gambar 7
Flowchart Pengujian tanpa deteksi tepi

Gambar 8.
Citra Hasil Segmentasi

Jika diperhatikan pada Gambar 8 terdapat

titik-titik putih selain objek pada background
citra, titik-titikk tersebut merupakan noise. Hal
tersebut dapat diisi atau diperbaiki dengan
menggunakan operasi morfologi seperti yang
terlihat pada Gambar 9 noise pada citra
sudah dihilangkan.

Gambar 8
Flowchart Pengujian dengan deteksi tepi
 3.3.2. Ekstraksi Ciri
Pada penelitian ini ekstraksi ciri yang
digunakan adalah ekstraksi ciri bentuk yang
meliputi metric dan eccentricity serta ekstraksi
ciri tekstur yang meliputi LBP, contrast,
correlation, dan energy. Ekstraksi ciri beragam
variasinya, digunakan untuk mengektrak suatu
ciri pada citra. Digunakannya ekstraksi ciri dan
bentuk pada penelitian ini karna keduanya
Gambar 9. relevan dengan objek citra yang diteliti
Citra Hasil Morfologi
mengacu pada referensi paper yang sudah

3.3.1. Deteksi Tepi ada dimana pada paper tersebut

Deteksi tepi ditambahkan karena pada mandapatkan hasil akurasi sebesar 83,3%
penelitian ini ingin diketahui apakah ada dalam mengidentifikasi varietas biji kopi
peningkatan akurasi jika ditambahkannya arabika menggunakan ciri tekstur dan bentuk
deteksi tepi prewitt dalam identifikasi jenis (Asmara dan Heryanto [7]). Ektraksi ciri
beras. Metode Prewitt merupakan metode menghasilkan nilai-nilai ekstraksi dari suatu
yang sama dengan sobel, operator ini objek citra yang nantinya dapat diolah lebih
menggunakan dua buah kernel yang bedanya lanjut.
prewitt berukuran 3x3 piksel untuk perhitungan
3.3.3. Pelatihan ANFIS
gradien sehingga perkiraan gradien berada
Nilai ekstraksi ciri citra yang sudah didapat
tepat ditengah (Khairina [6]). Hasil deteksi tepi
kemudian diolah untuk melatih ANFIS, kali ini
metode Prewitt dapat dilihat pada Gambar 10.
pelatihan dilakukan menggunakan MATLAB,
Dari hasil tersebut nilai bentuk dari objeknya
data dari ekstraksi ciri dimasukkan dalam
dapat digunakan.
program menggunakan method hybrid dengan
epoch sebanyak 20 kali.

Metode ANFIS (Adaptive Neuro Fuzzy

Inference System) dapat digunakan dengan
bantuan software MATLAB (Hani’ah dkk.[8]).

Gambar 10.
Hasil Deteksi Tepi Prewitt
 Tabel 2. Hasil Identifikasi Citra Latih 90% dan Citra Uji
10%
Hasil Identifikasi
Jumlah
Jenis Citra Tanpa Dengan
Citra
Prewitt Prewitt
Ciherang 25 22 22
IR 64 25 22 23
Rojolele 25 25 25
Pandan Wangi 25 23 23
Akurasi 92% 93%

Tabel 3. Hasil Identifikasi Citra Latih 80% dan Citra Uji

20%
Hasil Identifikasi
Jumlah
Jenis Citra Tanpa Dengan
Gambar 11. Citra
Prewitt Prewitt
Pelatihan ANFIS Ciherang 25 19 18
IR 64 25 20 22
3.4. Pengujian Rojolele 25 25 23
Pandan Wangi 25 21 21
Pengujian penelitian ini dilakukan untuk Akurasi 85% 84%
mengetahui dan mencari nilai akurasi yang
Tabel 4. Hasil Identifikasi Citra Latih 70% dan Citra Uji
didapat dari pengidentifikasian jenis beras
30%
dengan deteksi tepi maupun tanpa deteksi Hasil Identifikasi
tepi. Persamaan yang digunakan adalah Jumlah
Jenis Citra Tanpa Dengan
Citra
sebagai berikut: Prewitt Prewitt
Ciherang 25 19 18
IR 64 25 18 20
Rojolele 25 22 19
Pandan Wangi 25 18 18
Akurasi 85% 84%

(1) Pengujian
Tabel 5. Hasil Identifikasi Citra Latih 60% dan Citra Uji
dilakukan sebanyak 5 kali dengan
40%
keterangan seperti Tabel 1. Hasil Identifikasi
Jumlah
Jenis Citra Tanpa Dengan
Tabel 1. Hasil Identifikasi Citra Latih 100% Citra
Prewitt Prewitt
Hasil Identifikasi Ciherang 25 19 19
Jumlah IR 64 25 18 15
Jenis Citra Tanpa Dengan
Citra Rojolele 25 21 18
Prewitt Prewitt
Pandan Wangi 25 14 15
Ciherang 25 25 25
Akurasi 72% 67%
IR 64 25 25 25
Rojolele 25 25 25
Pandan Wangi 25 25 25 IV. KESIMPULAN
Akurasi 100% 100%
Kesimpulan yang didapatkan pada penelitian
Deteksi dan Identifikasi Citra Digital Jenis
 Menggunakan Deteksi Tepi Dan
Beras Menggunakan Metode Anfis dan Prewitt
Operasi Morfologi, e-Proceeding of
adalah:
Engineering, vol. 5, no. 3, pp. 5506–
1. ANFIS telah berhasil dengan baik dalam
5512, 2018.
mengidentifikasi citra jenis beras,
[4] R. K. Widi, Menggelorakan Penelitian;
dibuktikan dari hasil pengujian yang
Pengenalan dan Penuntun
menunjukkan bahwa akurasi
Pelaksanaan Penelitian. Deepublish
pengidentifikasian citra jenis beras
menggunakan metode ANFIS rata-rata (CV Budi Utama), Yogyakarta. ISBN

melebihi 70%. 978-602-475-527-0. 2018.

2. Penambahan deteksi tepi Prewitt dalam [5] Effendi, M., Fatasya, U., Effendi, U.
mengidentifikasi jenis beras menggunakan Identifikasi Jenis dan Mutu Kopi
metode ANFIS bisa dilakukan dengan Menggunakan Pengolahan Citra
cara menempatkannya setelah proses Digital dengan Metode Jaringan
morfologi. Syaraf Tiruan, Jurnal Ilmiah Teknologi
3. Hasil penambahan deteksi tepi Prewitt Pertanian Agrotechno, vol. 2, no. 1,
dalam mengidentifikasi jenis beras pp. 140–146, 2017.
menggunakan metode ANFIS memiliki [6] Romindo, R., Khairina, N. Analisa
pengaruh 1-5% terhadap akurasi. Perbandingan Metode Edge Detection
Roberts dan Prewitt, Semantika pp.
DAFTAR PUSTAKA 244–251, 2017.
[1] Food and Agriculture Organization [7] Rowansyah, Asmara, R.A., Heryanto,
(FAO), “Rice Market Monitor: Volume T.A., Klasifikasi Varietas Biji Kopi
XX, Issue No. 3 - October 2017,” Rice ArabikaMenggunakanEkstraksi
Mark. Monit., vol. 20, no. 3, 2017. Bentuk dan Tekstur, Seminar
[2] Andri. Deteksi Cacat Ubin Keramik Informatika Aplikatif Polinema (SIAP),
Menggunakan Teknik Pengolahan pp. 316–322, 2019.
Citra dan Adaptive Neural Fuzzy [8] Hani’ah, U., Arifudin, R., Sugiharti, E.
Jurnal String, vol. 1, no. 2, pp. 182– Implementasi Adaptive Neuro-Fuzzy
193, 2016. Inference System (Anfis) untuk
[3] A. Zendhaf, R. Magdalena, R. Y. Nur, Peramalan Pemakaian Air di
F. U. Adah. Segmentasi Pembuluh Perusahaan Daerah Air Minum Tirta
DarahPadaFundusRetina