KLASIFIKASI MUTU FISIK CABAI KERITING KERING (Capsicum annuum L.) BERDASARKAN WARNA DAN UKURAN DENGAN PENGOLAHAN CITRA DIGITAL DAN JARINGAN SARAF TIRUAN

YUSUF ABDHUL AZIS, Dr. Nafis Khuriyati, STP, M.Agr.;Dr. Atris Suyantohadi, STP, M.T.

2020 | Skripsi | S1 TEKNOLOGI INDUSTRI PERTANIAN

Cabai kering adalah pilihan petani untuk merespons masalah panen musiman dan harga murah di pasaran. Namun, masalah petani dan pengolah cabai adalah bahwa proses pengklasifikasian mutu cabai kering masih dilakukan oleh tenaga manusia secara manual. Akibatnya, proses klasifikasi mutu terjadi inkonsistensi dan ketidakakuratan yang dipengaruhi oleh banyak faktor, yaitu tingkat keahlian, usia, kesehatan sensorik, dan penurunan kecepatan. Oleh karena itu, salah satu solusinya adalah pengolahan citra digital menggunakan parameter warna gambar dan dimensi panjang cabai. Penelitian ini bertujuan untuk mengetahui hubungan antara parameter warna gambar dan dimensi cabai terhadap mutu cabai kering, mengembangkan sistem klasifikasi cabai kering menggunakan pengolahan citra digital dan jaringan saraf tiruan, serta mengukur akurasi sistem. Pengambilan data gambar menggunakan teknik akuisisi gambar menggunakan akuisisi gambar digital dengan bantuan webcam dan komputer. Kemudian, gambar memproses dan mengekstraksi fitur warna dan fitur dimensi gambar. Jenis cabai yang digunakan adalah cabai merah keriting segar (Capsicum annum L.) varietas OR 42 dari petani di Purwobinangun, Turi Sleman, Yogyakarta dan dikeringkan pada suhu 60oC selama 16 jam menggunakan cabinet drayer. Jumlah sampel yang digunakan sebanyak 150 data pelatihan dan 36 data pengujian yang terdiri atas mutu kelas ekstra, kelas I, kelas II, dan diskualifikasi. Data yang sudah diekstraksi fitur warna, tekstur, dan dimensi kemudian diolah lebih lanjut dan dilakukan pelatihan dengan jaringan saraf tiruan supaya bisa mengklasifikan mutu dengan baik. Hasil dari penelitian ini antara lain, paramater yang dapat dijadikan sebagai identitas mutu cabai keriting kering yaitu, panjang cabai, mean energy, mean a*, mean blue, dan mean constrast. Sistem klasifikasi mutu cabai kering menggunakan pendekatan pengolahan citra digital dan jaringan saraf tiruan; susunan struktur jaringan saraf tiruan terdiri dari 5 sel lapisan input, 16 sel lapisan tersembunyi, dan 2 sel lapisan keluaran; dan pengujian sistem dengan 36 data pelatihan menghasilkan klasifikasi akurasi cabai kering mencapai 94,4%. GUI yang telah dibuat dapat mengklasifikasikan cabai keriting kering dalam kelas mutu Ekstra, Kelas I, Kelas II, dan Kelas Diskualifikasi.

Dried chilli is the choice of farmers to respond to the problem on-season and low prices in the market. However, the problem of chilli farmers and processors is that the process of classifying the quality of dried chillies is still done by human labour manually. As a result, the classification process occurs inconsistencies and inaccuracies that are influenced by many factors, namely the level of expertise, age, sensory health, and decreased speed. Therefore, one of solution is a digital image processing using the parameters of image color quality and length of chilli. This research aims to find the relationship between image color parameters and dimensions of chilli on the quality of dried chilli, develop a classification system of dried chilli using digital image processing and artificial neural networks, and measure the accuracy of the system. Retrieval of image data was using image acquisition techniques using digital image acquisition with the help of a webcam and computer camera. Then, the image processes and extracts color features and image dimension features. The type of chilli used is fresh curly red chilli (Capsicum annum L.) OR 42 variety from farmers in Purwobinangun, Turi, Sleman, Yogyakarta and dried at 60oC for 16 hours using a cabinet dryer. The number of samples used 150 training data and 36 test data consisting of the quality of additional classes, class I, class II, and disqualification. Data that has been extracted by the features of color, texture, and dimensions are then processed further and conducted training with artificial neural networks so that they can classify quality well. The results of this research, quality identity parameters of dried curly chilli are length of the chilli, mean energy, mean blue, and mean contrast. Dried chilli quality classification system used a digital image processing approach and artificial neural networks. The artificial neural network structure is consist of 5 input layers cells, 16 hidden layer cells, and 2 output layers cells. Testing the system with 36 training data results in an accuracy classification of dried chillies reaching 94,4%. The GUI can classify dry curly chillies in Extra Class, Class I, Class II, and Disqualification quality classes.

Kata Kunci : cabai keriting kering, jaringan saraf tiruan, klasifikasi mutu, pengolahan citra digital