Prosiding Seminar Nasional Ilmu Komputer dan Teknologi Informasi Vol. 2, No.

2, September 2017
e-ISSN 2540-7902 dan p-ISSN 2541-366X

KLASIFIKASI KUALITAS BERAS DENGAN METODE POHON

KEPUTUSAN

Ramadhan Dani S 1, David Risdianto I 2, Irfan Arif H 3 , Luthfiyatul Azizah 4, Devi

Anugrah P P 5

1,2,3,4,5
Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Pembangunan Nasional
Veteran Jawa Timur
Jl. Raya Rungkut Madya, Gunung Anyar, Surabaya, Jawa Timur 60294
Email: 1 Satriaramadhan14@gmail.com, 2 davidsvilla9498@gmail.com, 4 azizahfi99@gmail.com, 5
devianugrah3050@gmail.com

ABSTRAK
Sebagian besar masyarakat Indonesia menjadikan beras sebagai makanan pokok. Sehingga produksi beras di
Indonesia sangat melimpah. Namun beras yang diproduksi tidak semua berkualitas baik. Banyak masyarakat yang
masih kesulitan untuk menentukan kualitas beras yang beredar di pasaran. Diperlukan standar khusus dalam
menentukan kualitas beras. Penelitian ini dapat membantu masyarakat dalam menangani masalah tersebut. Dalam
penelitian ini standar kualitas beras dilihat dari nilai putih beras, nilai bersih, dan nilai utuh beras. Dilakukan
pelatihan data terlebih dahulu untuk mendapatkan klasifikasi dengan model decision tree atau pohon keputusan.
Selanjutnya dilakukan pengolahan citra terhadap citra beras hasil pengambilan gambar beras. Dari proses
pengolahan citra beras akan didapatkan nilai putih, nilai bersih dan nilai utuh beras yang akan diklasifikasikan
menjadi tiga kelas yaitu baik, kurang dan buruk dengan menggunakan rules dari decision tree. Kemudian
dilakukan pengujian data dengan menggunakan metode k-fold cross validation. Dari pengujian tersebut akan
dihasilkan prosentasi keakuratan hasil pengujian.

Kata Kunci: Beras, Pengolahan Citra, Pohon keputusan, K-fold cross validation

1. PENDAHULUAN dengan menggunakan model ID3 atau pohon

Sampai saat ini beras masih menjadi makanan pokok
masyarakat Indonesia. Dikutip dari laman
kompas.com tahun 2015 bahwa Indonesia
merupakan termasuk lima negara penghasil beras
terbesar di dunia. Pada peringkat ketiga ini,
Indonesia dapat memproduksi beras sekitar 70,8 ton
per tahun [1]. Walaupun beras di Indonesia cukup
melimpah, namun ternyata semakin lama harga
beras di pasaran semakin naik. Banyak juga
pedagang beras yang menjual beras dengan kualitas
yang rendah. Banyak masyarakat yang belum bisa
membedakan beras yang berkualitas baik dan yang
berkualitas rendah. Selain harga yang menjadi
patokan kualitas beras, perlu adanya standar kualitas
beras baik yang dikeluarkan oleh pihak BULOG
(Badan Urusan Logistik) yaitu pihak yang khusus
menangani masalah beras.
Untuk melihat kualitas beras, dapat dilihat
berdasarkan keputihan beras, kebersihan beras, dan
keutuhan dari beras. Pada penelititan ini akan
dilakukan identifikasi kualitas beras dengan proses
pengolahan citra digital. Proses penilitian kualitas
beras dilakukan dengan melakukan pengumpulan
data, pelatihan data, menentukan citra digital
(menentukan nilai putih, nilai bersih, nilai putih),
identifikasi dan evaluasi.
Dalam penelitian ini identifikasi kualitas beras
dilakukan dengan pengolahan citra dan klasifikasi
keputusan. Kemudian dilakukan evaluasi dengan
menggunakan konsep k-fold cross validation. Dan
dalam penelitian ini menggunakan software
MATLAB dan WEKA.
2. TINJAUAN PUSTAKA
Penelitian sebelumnya yang membahas tentang
identifikasi pernah dilakukan oleh Ratih Suminar
dkk [2] dengan melakukan proses pre-prosessing,
ekstraksi, dan klasifikasi. Metode ekstrasi yang
digunakan adalah dengan menggunakan ekstraksi
ciri statistik dengan menggunakan tekstur fisik beras
dan klasifikasi dilakukan dengan metode KNN. Pada
penelitian tersebut dihasilkan akurasi 84,167%.
Penelitian lain juga melakukan identifikasi terhadap
kualitas beras dengan menggunakan pengolahan
citra digital yaitu oleh Aprissa dkk [3] yang menjadi
rujukan dari paper ini. Pada penelitian tersebut
dilakukan dengan proses pengumpulan data,
pelatihan data, Menentukan data, identifikasi dan
evaluasi. Identifikasi dengan menggunakan ID3 dan
evaluasi dengan menggunakan k-fold cross
validation. Dengan memperoleh akurasi sebesar
96,67%.
2.1 Metode Penelitian
Pada penelitian ini dilakukan metode seperti berikut:

1
 Prosiding Seminar Nasional Ilmu Komputer dan Teknologi Informasi
e-ISSN 2540-7902 dan p-ISSN 2541-366X
Gambar 1. Metode Penelitian
2.1.1 Pengumpulan Data
Data yang digunakan adalah data gambar beras
dengan jenis Mentik Wangi Susu yang diambil
dengan menggunakan kamera 9,5 megapiksel
dengan ukuran 3088 x 3088 piksel.
2.1.2 Pelatihan Data
Pada tahap ini dilakukan dengan metode ID3
(Iterative Dichotomiser Tree). Metode ini intinya
dilakukan untuk menghasilkan pohon keputusan.
Langkahnya seperti berikut:
Gambar 2. Tahapan Pelatihan Data
Untuk perhitungan Entropy dan Information Gain
menggunakan rumus [3]:
2
Vol. 2, No. 2, September 2017
() = 2
=1
(, ) = () ()
=0
Keterangan:
S = ruang sampel untuk data training
A = atribut
2.1.3 Akuisisi Citra
Pada akuisisi citra digital ini dilakukan dengan lima
proses yaitu segmentasi citra biner, jumlah bulir
beras, nilai putih beras, nilai bersih beras, dan nilai
utuh beras. Dapat dilihat pada flowchart berikut:
Gambar 3. Proses Akuisisi Citra
Segmentasi citra adalah membagi
suatu citra menjadi wilayah-wilayah yang homogen
berdasarkan kriteria keserupaan yang tertentu antara
tingkat keabuan suatu piksel dengan tingkat keabuan
pikselpiksel tetangganya [4]. Pada intinya proses
segmentasi ini mengubah citra dari RGB menjadi
Grayscale kemudian dilakukan citra ke biner. Pada
proses ini dihasilkan citra biner yaitu piksel hitam
sebagai background dan piksel putih sebagai objek.
Untuk mencari jumlah bulir beras, proses yang
dilakukan adalah dengan mencari letak koordinat
setiap bulir beras kemudian dilakukan labelling.
Akan didapatkan jumlah bulir beras.
Kemudian proses nilai putih beras ini dilakukan
dengan konversi RGB ke HSV. Untuk selanjutnya
dilakukan analisis nilai Hue, Saturation, dan Value
berdasarkan nilai yang sudah ditentukan oleh
gudang. Kemudian dilakukan pelabellan beras putih
dan tidak putih. Beras dikatakan putih jika
prosentase 75% atau lebih dari standar gudang.
Proses mencari nilai bersih beras dilakukan dengan
konversi RGB ke HSV. Untuk selanjutnya dilakukan
analisis nilai Hue, Saturation, dan Value berdasarkan
 Prosiding Seminar Nasional Ilmu Komputer dan Teknologi Informasi Vol. 2, No. 2, September 2017
e-ISSN 2540-7902 dan p-ISSN 2541-366X

nilai yang sudah ditentukan oleh gudang. Kemudian

dilakukan pelabellan beras bersih dan tidak bersih.
Beras dikatakan bersih jika prosentase 75% atau
lebih dari standar gudang.
Terakhir proses mencari nilai utuh dilakukan dengan
melakukan perhitungan luas piksel tiap bulir beras.
Kemudian dibandingkan dengan jumlah piksel beras
utuh. Jika prosentase beras 75% atau lebih dari
standar jumlah beras utuh maka beras dikatakan
utuh.

2.1.4 Identifikasi Kualitas Beras

Pada proses ini yaitu memasukkan data hasil Gambar 5. Pohon Keputusan
pengolahan citra kemudian dimasukkan ke dalam Dari pohon keputusan tersebut akan menghasilkan
rules yang sudah ada. Dari proses ini akan dihasilkan rules yang digunakan untuk menentukan klasifikasi
beras pada posisi kelas baik, kurang, dan buruk. kelas-kelas kualitas beras.

2.1.5 Evaluasi 3.1.3 Akuisisi Citra

Proses evaluasi menggunakan metode k-fold cross
validation. Metode ini dilakukan dengan menjadikan
sebuah data sebagai data testing dan data yang lain
akan menjadi data training. Kemudian dihitung
Precision (P), recall (R), dan f-Measure (F). Dengan
rumus berikut:
Proses akuisisi citra ini menggunakan software
MATLAB. Pertama yaitu memasukkan citra gambar
kemudian dilakukan segmentasi pada citra gambar.
Hasilnya seperti berikut:

=
+

=
+

2
=
+

Akan dihasilkan nilai keakuratan.

3. HASIL DAN PEMBAHASAN

3.1.1 Pengumpulan Data
Pengumpulan data dilakukan dengan mengambil
gambar beras jenis Mentik Wangi dengan Gambar 6. Hasil Segmentasi
menggunakan kamera 9 megapiksel.
Kemudian dilakukan perhitungan jumlah bulir beras
dengan memberi label setiap letak koordinat objek.

Gambar 4. Hasil pengambilan gambar

3.1.2 Pelatihan Data

Pada tahap ini dilakukan dengan memasukkan data
training. Kemudian menghitung nilai Entropy dan
nilai information gain pada Excel. Kemudian
hasilnya akan digunakan untuk membentuk pohon
keputusan. Dalam melakukan pelatihan ini
menggunakan software WEKA. Hasilnya seperti
berikut:
Gambar 7. Pelabellan
Proses nilai putih beras ini dilakukan dengan
konversi RGB ke HSV. Untuk selanjutnya dilakukan
analisis nilai Hue, Saturation, dan Value berdasarkan
nilai yang sudah ditentukan yaitu hue antara 0.2

3
 Prosiding Seminar Nasional Ilmu Komputer dan Teknologi Informasi Vol. 2, No. 2, September 2017
e-ISSN 2540-7902 dan p-ISSN 2541-366X

sampai 0.7, saturation antara 0.01 sampai 0.3 dan ditentukan hasil kualitas kelas dari beras yang diuji.
value antara 0.55 sampai 0.9. Kemudian dilakukan Hasilnya seperti berikut:
pelabellan beras putih dan tidak putih. Beras Bersih Putih Utuh Kelas
dikatakan putih jika prosentase 75% atau lebih dari 100% 100% 100% Baik
standar gudang.
Proses mencari nilai bersih beras dilakukan dengan 3.1.5 Evaluasi
konversi RGB ke HSV. Untuk selanjutnya dilakukan Pada proses evaluasi ini menggunakan k-fold cross
analisis nilai Hue, Saturation, dan Value berdasarkan validation dengan k= . Kemudian dihitung Precision
nilai yang sudah ditentukan oleh gudang yaitu (P), recall (R), dan f-Measure (F).
saturation < 0.4 dan value > 0.55. Kemudian
dilakukan pelabellan beras bersih dan tidak bersih. 4. KESIMPULAN
Beras dikatakan bersih jika prosentase 75% atau Pada penelitian didapatkan nilai akurasi yang tinggi
lebih dari standar gudang. Pada penelitian ini itu artinya klafikasi kualitas beras dengan
dihasilkan seperti berikut: menggunakan model pohon keputusan ID3 dan
pengujian dengan metode k_fold cross validation
dapat diterapkan. Nilai akurasi dengan melakukan
identifikasi pohon keputusan ID3 sebesar .

5. DAFTAR PUSTAKA
[1]. Kompasiana.2015.Ini 5 negara penghasil beras
terbesar di dunia.
http://bisniskeuangan.kompas.com/read/2015/09
/02/095100026/Ini.5.Negara.Penghasil.Beras.Te
rbesar.di.Dunia?page=all, diakses pada 11 April
2017
[2]. Suminar, R. , Hidayat, B. , Atmaja, R.D. 2012.
Klasifikasi Kualitas Beras Berdsrkan Ciri Fisik
Berbasis Pengolahan Citra Digital.Jurnal Telkom
University
[3].Nurcahyani, A.A, Saptono, R. 2015. Identifikasi
Kualitas Beras dengan Citra Digital.Scintific
Gambar 8. Nilai putih dan nilai bersih
Jurnal of Informatic.Vol 2 No. 1, Mei 2015
[4].Aryn-Genetika.2013. Segmentasi Citra.
Terakhir proses mencari nilai utuh dilakukan dengan
aryngenetika.blogspot.com/2013/01/segmentasi-
melakukan perhitungan luas piksel tiap bulir beras.
citra.html, diakses pada 11 April 2017
Kemudian dibandingkan dengan jumlah piksel beras
utuh. Jika prosentase beras 75% atau lebih dari
standar jumlah beras utuh maka beras dikatakan
utuh. Pada penelitian ini dihasilkan

Gambar 9. Nilai Utuh

3.1.4 Identifikasi
Pada tahap ini dilakukan identifikasi hasil akuisisi
citra dengan rules yang sudah ada. Kemudian