Ariyanti, Dian Anggi (2015) Identifikasi Jenis Tepung dengan Machine Vision Menggunakan Metode Artificial Neural Network (ANN). Sarjana thesis, Universitas Brawijaya.
Abstract
Tepung merupakan salah satu produk pertanian yang digunakan sebagai bahan baku dalam pengolahan produk pangan seperti pembuatan kue kering, roti, kue basah, keripik, jajan pasar, dan sebagainya. Macam-macam jenis tepung yang sering digunakan dalam pengolahan produk pangan yaitu tepung terigu (Wheat Flour), tepung tapioka (Tapioca Starch), tepung sagu (Sago Starch), tepung beras (Rice flour), dan tepung roti (Bread Crumb). Beberapa jenis tepung tersebut memiliki kesamaan karakteristik yang tidak jauh berbeda dengan yang lainnya. 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, praproses citra, ekstraksi ciri (feature extraction), serta pelatihan dan pengujian pemodelan Artificial Neural Network (ANN). 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%. Sehingga tepung dapat diidentifikasi dengan batas nilai minimal dan maksimal pada setiap tepung.
English Abstract
Flour is one of the agricultural products used as raw materials in the processing of food products such as the manufacture of pastries, breads, cakes, chips, snack market, and etc. Various types of flour is often used in the processing of food products, wheat flour (Tepung Terigu), Tapioca Starch (Tepung Tapioka), sago starch (Tepung Sagu), rice flour (Tepung Beras), and flour bread (Tepung Roti). Some types of flour have similar characteristics that are not much different from the others. The similarity of these characteristics are not sufficiently differentiated manually by only using human senses, so we need a method to identify the type of flour more accurate by using the value of the intensity of the texture and color of the image of the type of the flour with machine vision using Artificial Neural Network (ANN). The objectives of this study was to determine how to identify the type of flour with machine vision and determine the best combination of feature extraction parameters for identification of the type of flour by ANN method. This study consists of several stages: image acquisition, image preprocessing, feature extraction, and the training and testing of the Artificial Neural Network (ANN) methode. Image acquisition process is using a scanner canon mp 237 printer with a resolution of 100 dpi as many as 480 images. image preprocessing is to process the image with the same resolution that is equal to 420 x 405 pixels in bitmap format (.bmp). Feature extraction is done using visual basic application to get the value of the intensity of the co-occurrence matrix (CCM) image of the flour in the form of color values (red, green, blue, gray, hue, saturation (HSL), saturation (HSV), lightness (HSL), value(HSV)) of the texture energy, entrophy, contrast, xi homogenity, inverse different moment, correlation, sum the mean, variance, cluster, and max probability. CCM value obtained from the feature extraction combined for training and testing in artificial neural network modeling backpropagation (BPNN) using two types of input layer of 10 inputs and 12 inputs with one hidden layer of 20 nodes and learning rate of 0.1; 0.2; 0.4; 0.6 and 0.9 with a momentum of 0.1 and 0.4. Training and testing of modeling BPNN produce the MSE (Mean Square Error). The smallest MSE value will be the best combination, which is including the combination of all colors in sum mean using a learning rate of 0.4 and 0.4 momentum. From that learning rate, we obtained MSE best value of 1.04%. From this research, we conclude that flour can be identified by the value of the minimum and maximum limits on each flour
| Item Type: | Thesis (Sarjana) |
|---|---|
| Identification Number: | SKR/FTP/2015/374/051508663 |
| Uncontrolled Keywords: | Tepung, Machine Vision, Artificial Neural Network (ANN,-Flour, Machine Vision, Artificial Neural Network (ANN |
| Subjects: | 300 Social sciences > 338 Production > 338.1 Agriculture |
| Divisions: | Fakultas Teknologi Pertanian > Keteknikan Pertanian |
| Depositing User: | Budi Wahyono Wahyono |
| Date Deposited: | 05 Jan 2016 13:11 |
| Last Modified: | 25 Nov 2021 05:51 |
| URI: | http://repository.ub.ac.id/id/eprint/150284 |
![[thumbnail of Skripsi_Dian_Anggi.pdf]](http://repository.ub.ac.id/style/images/fileicons/text.png) |
Text
Skripsi_Dian_Anggi.pdf Restricted to Registered users only Download (5MB) |
Actions (login required)
 |
View Item |