Identifikasi Jenis Tepung dengan Machine Vision Menggunakan Metode Artificial Neural Network (ANN)

Abstract

Tepung merupakan salah satu produk pertanian yang digunakan sebagai bahan baku dalam pengolahan produk pangan. Jenis tepung yang sering digunakan dalam pengolahan produk pangan yaitu tepung terigu, tepung tapioka, tepung sagu, tepung beras, dan tepung roti. Kesamaan karakteristik tersebut tidak cukup hanya dibedakan secara manual menggunakan indera manusia, sehingga diperlukan cara untuk identifikasi jenis tepung secara lebih akurat yaitu dengan menggunakan nilai intensitas dari tekstur dan warna citra dari jenis tepung tersebut dengan machine vision menggunakan metode Artificial Neural Network (ANN). Tujuan dari penelitian ini adalah untuk mengetahui cara identifikasi jenis tepung dengan machine vision dan mengetahui kombinasi parameter ekstraksi ciri (feature extraction) terbaik untuk identifikasi jenis tepung dengan menggunakan metode ANN. Penelitian ini terdiri dari beberapa tahapan antara lain akuisi citra menggunakan scaner printer canon mp 237 dengan resolusi 100 dpi sebanyak 480 gambar, praproses citra yaitu mengolah citra dengan resolusi yang sama yaitu sebesar 420 x 405 pixel dengan format bitmap (.bmp), ekstraksi ciri dilakukan menggunakan aplikasi visual basic untuk mendapatkan nilai intensitas dari co-occurrence matrix (CCM) citra tepung berupa nilai warna (red, green, blue, gray, hue, saturation (HSL), saturation (HSV), lightness(HSL), value (HSV)) dari tekstur energy, entrophy, contrast, homogenity, invers different moment, correlation, sum mean, variance, cluster dan max probability. Nilai CCM yang diperoleh dari feature extraction di kombinasikan untuk pelatihan dan pengujian dalam pemodelan artificial neural network backpropagation (BPNN) dengan menggunakan 2 jenis input layer yaitu 10 input dan 12 input dengan 1 hidden layer 20 node dan learning rate 0,1; 0,2; 0,4; 0,6 dan 0,9 dengan momentum 0,1 dan 0,4. Pelatihan dan pengujian pemodelan BPNN menghasilkan nilai MSE (Mean Square Error). Nilai MSE terkecil merupakan kombinasi terbaik yaitu kombinasi semua warna pada sum mean dengan menggunakan learning rate 0,4 dan momentum 0,4 diperoleh nilai MSE terbaik sebesar 1,04%.