Estimasi Kandungan Lignin Pada Dedak Padi Bercampur Sekam Menggunakan PNN Berbasis Citra Warna
DOI:
https://doi.org/10.55606/isaintek.v8i1.312Keywords:
HSV, estimasi, RGB, probabilistic neural network, dedak padiAbstract
Dedak padi merupakan salah satu pakan yang penting bagi ternak. Penurunan kualitas dedak padi dapat terjadi ketika dedak padi dicampur dengan bahan lain seperti sekam padi. Dedak padi yang dicampur sekam akan mengalami peningkatan kandungan lignin. Dengan demikian, kandungan lignin dalam dedak padi dapat dijadikan indikasi adanya campuran sekam dalam dedak padi. Salah satu metode untuk mengetahui kandungan lignin tersebut adalah dengan uji laboratorium melalui reaksi pewarnaan dengan larutan phloroglucinol. Pada penelitian ini, estimasi kandungan lignin dilakukan dengan menggunakan probabilistic neural networks (PNN) berdasarkan citra campuran dedak padi dan sekam hasil reaksi pewarnaan larutan phoroglucynol. Terdapat 11 kelas dalam penelitian ini yang mewakili 11 komposisi campuran dedak padi dan sekam. Untuk mengetahui kadar lignin dari 11 kelas tersebut, dilakukan uji laboratorium terlebih dahulu. Sebagai input PNN, digunakan fitur histogram dari citra hasil reaksi pewarnaan tersebut dengan lima variasi jumlah bin (interval). Pada penelitian ini digunakan dua model warna citra yaitu model warna RGB (red, green, blue) dan HSV (hue, saturation, value). Pembagian data latih dan data uji untuk PNN menggunakan skema 3-fold cross validation dengan total jumlah data sebanyak 132 citra. Hasil penelitian menunjukkan bahwa akurasi tertinggi PNN sebesar 79.54% dan akurasi rata-rata 75,75% untuk kedua model warna citra.
References
Ajasri, A. (2023). Estimasi kandungan lignin pada dedak padi menggunakan KNN dengan praproses PCA berdasarkan citra grayscale . Bogor: Institut Pertanian Bogor.
Alhasanah, N. S. (2014). Evaluasi pemalsuan dedak padi dengan penambahan tepung tongkol jagung menggunakan uji fisik. Bogor: Institut Pertanian Bogor.
Gonzalez, R. C. ., & Woods, R. E. . (2018). Digital image processing (4th ed.). London: Pearson.
Harahap, U. A. (2018). Kandungan selulosa, hemiselulosa dan lignin galur sorgum mutant brown midrib patir 3.7 pada level pupuk nitrogen berbeda di tanah ultisol. Padang: Universitas Andalas.
Kementrian Sekretariat Negara. (1999). Undang -Undang Republik Indonesia Nomor 8 Tahun 1999 tentang Perlindungan Konsumen. Jakarta: Kemensetneg.
Kusumawati, I. (2015). Pengenalan beras campuran menggunakan transformasi wavelet dan probabilistic neural network. Bogor: Institut Pertanian Bogor.
Ma’ruf, A., Bambang, P., & Nita, A. (2017). Lignin isolation process from rice husk by alkaline hydrogen peroxide: Lignin and silica extracted. In AIP Conference Proceedings.
Maulana, M. R. (2007). Uji pemalsuan dedak padi menggunakan sifat fisik bahan. Bogor: Institut Pertanian Bogor.
Mila, J. R., & Sudarma, I. M. A. (2021). Analisis Kandungan Nutrisi Dedak Padi sebagai Pakan Ternak dan Pendapatan Usaha Penggilingan Padi di Umalulu, Kabupaten Sumba Timur. Bul. Pet. Trop., 2(2), 90–97.
Mutya, H. M. H., Kustiyo, A., & Jayanegara, A. (2022). Estimasi kandungan lignin pada dedak padi yang bercampur sekam mengggunakan KNN berbasis warna citra. In Prosiding Seminar Nasional MIPA UNIPA (pp. 95–101).
Raysyah, S., Arinal, V., & Mulyana, D. I. (2021). Klasifikasi tingkat kematangan buah kopi berdasarkan deteksi warna menggunakan metode KNN dan PCA. Jurnal Sistem Informasi, 8(2), 88–95.
Rusyidi, A. M. (2022). Evaluasi kualitas dedak padi sebagai bahan pakan yang terkontaminasi sekam padi = Evaluation of the quality of rice bran as a feed ingredients contaminated with rice husk. Makasar: Universitas Hasanuddin.
Setiawan, B. (2017). Kandungan protein kasar dan serat kasar dedak padi yang difermentasi dengan mikroorganisme lokal . Makasar: Universitas Hasanudin.
Specht, D. F. (1990). Probabilistic Neural Networks. IEEE Transactions on Neural Network, 1(1), 111–121.
Sutrisno, R. T. (2023). Penggunaan KNN Untuk Estimasi Lignin Dalam Dedak Padi Berbasis Citra Warna Dengan Praproses PCA. Bogor: Institut Pertanian Bogor.
Tharwat, A. (2021). Classification assessment methods. Applied Computing and Informatics, 17(1), 168–192.
