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

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