(bisa diberi logo instansi)

PEMUTUAN JERUK MANIS (Citrus sinensis (L.) Osbeck) MENGGUNAKAN PENGOLAHAN CITRA DIGITAL BERBASIS JARINGAN SYARAF TIRUAN

(Jika individu) Oleh Nur Aini Hariyo Wati (Jika grup) Disusun oleh 1. Nur Aini Hariyo Wati 2. Okta Prima Indahsari 3. M. Wawan Sujarwo

JEMBER 2016

(bisa diberi logo instansi)

PEMUTUAN JERUK MANIS (Citrus sinensis (L.) Osbeck) MENGGUNAKAN PENGOLAHAN CITRA DIGITAL BERBASIS JARINGAN SYARAF TIRUAN

(Jika individu) Oleh Nur Aini Hariyo Wati (Jika grup) Disusun oleh 1. Nur Aini Hariyo Wati 2. Okta Prima Indahsari 3. M. Wawan Sujarwo

JEMBER 2016 i

ABSTRACT (jika dalam Bahasa Inggris)

Sweet Orange (Citrus sinensis (L.) Osbeck) Grading Using Digital Image Processing Based On Artificial Neural Network (jika individu) Nur Aini Hariyo Wati E-mail: [email protected] (jika grup ketua kelompok diberi tanda bintang dan dicantumkan emailnya) Nur Aini Hariyo Wati*, Okta Prima Indahsari, M. Wawan Sujarwo 1)

E-mail: [email protected]

Research of sweet orange grading using image processing with logical equation model have been done and resulting overall accuracy of 85%. Based on this results, it needs further research of sweet orange grading using artificial neural network (ANN) to replace logical equation model in order to improve accuracy. The sampel used in this research was the image of sweet orange from Fikri’s research (2015). 260 pieces samples of sweet orange image divided into four quality classes, namely super, A, B, and reject. The image of sweet oranges processed using image processing program to obtain seven image quality variables, namely area, height, diameter, perimeter, r index, g index, and the defect area. Image quality variables which correspond with the quality criteria of the fruit will be used as input for the ANN trainng with backpropagation method. Six variations used for training ANN variation with two data normalization methods and the number of hidden layer nodes. ANN training performed using 200 pieces training data. ANN weights from training used on the feedforward propagation to predict the quality class of 60 pieces of testing data. Best ANN variation determined based on the validation results. Best ANN variations algorithm then integrated in a sweet orange image processing program so that the program would guess the quality class of sweet oranges automatically. All image quality variables used for the ANN inputs. Sweet orange grading program has an accuracy of 95.04%. The results showed that the program built with ANN has a higher degree of accuracy. Keywords: sweet backpropagation.

orange,

grading,

ii

artificial

neural

network,

ABSTRAK (jika dalam Bahasa Indonesia)

Pemutuan Jeruk Manis (Citrus sinensis (L.) Osbeck) Menggunakan Pengolahan Citra Digital Berbasis Jaringan Syaraf Tiruan (jika individu) Nur Aini Hariyo Wati E-mail: [email protected] (jika grup ketua kelompok diberi tanda bintang dan dicantumkan emailnya) Nur Aini Hariyo Wati*, Okta Prima Indahsari, M. Wawan Sujarwo 1)E-mail: [email protected]

iii

DAFTAR ISI

Halaman HALAMAN JUDUL .................................................................................

i

ABSTRAK .................................................................................................

ii

DAFTAR ISI .............................................................................................

iii

DAFTAR TABEL ......................................................................................

iv

DAFTAR GAMBAR ................................................................................

v

DAFTAR LAMPIRAN .............................................................................

vi

BAB 1. PENDAHULUAN ........................................................................

1

BAB 2. TINJAUAN PUSTAKA ..............................................................

3

2.1 Kriteria Mutu Jeruk Manis ..................................................

4

2.2 Pengenalan Pola....................................................................

4

2.3 Pengolahan Citra ..................................................................

4

2.4 Jaringan Syaraf Tiruan.........................................................

4

2.5 Backpropagation ...................................................................

5

BAB 3. METODE PENELITIAN .............................................................

6

3.1 Alat dan Bahan Penelitian ..................................................

6

3.2.1 Alat .............................................................................

6

3.2.2 Bahan ..........................................................................

6

3.2 Tahapan Penelitian ..............................................................

7

BAB 4. HASIL DAN PEMBAHASAN ...................................................

8

4.1 Program Pengolahan Citra Jeruk Manis ...........................

8

4.2 Analisis Statistik Variabel Mutu Citra .............................

8

4.3 Penentuan Variasi JST Terbaik .........................................

11

iv

4.4 Perbandingan Tingkat Akurasi Antara Persamaan Logika dengan JST ............................................................................

12

BAB 5. KESIMPULAN .............................................................................

15

DAFTAR PUSTAKA ...............................................................................

16

LAMPIRAN ..............................................................................................

17

v

DAFTAR TABEL

Halaman 2.1 Penggolongan mutu jeruk berdasarkan SNI ....................................

3

4.1 Variasi JST ............................................................................................

11

4.2 Hasil propagasi maju data testing ......................................................

11

4.3 Confusion matrix hasil validasi program pemutuan jeruk manis dengan persamaan logika ...................................................................

13

4.4 Confusion matrix hasil validasi program pemutuan jeruk manis dengan JST ...........................................................................................

vi

13

DAFTAR GAMBAR

Halaman 3.1 Diagram alir penelitian .......................................................................

7

4.1 Boxplot variabel mutu citra ................................................................

9

4.2 Boxplot variabel mutu citra green (g) .................................................

10

4.3 Tampilan program pengolahan citra jeruk manis .............................

12

vii

DAFTAR LAMPIRAN

(jika ada)

viii

1

BAB 1. PENDAHULUAN

Jeruk manis (Citrus sinensis (L.) Osbeck) merupakan salah satu jenis jeruk yang memiliki kandungan vitamin C tinggi yaitu 49,08 mg per 100 gram jeruk. Sentra utama jeruk manis terluas di Indonesia berada di Kabupaten Malang yang menghasilkan 17.500 ton jeruk dengan luas tanam 800 ha (Ashari, 2014). Potensi ekonomi jeruk nasional patut diperhitungkan sebagai salah satu sumber pendapatan dilihat dari produktivitasnya tahun 2014 cukup tinggi 33,97 ton/ha. Namun, volume impor jeruk dalam kondisi segar pada tahun 2014 sebanyak 20.483,56 ton jauh

lebih

tinggi

dibandingkan

jumlah

ekspornya

1.315,48

ton

(Kementerian Pertanian, Tanpa Tahun). Jeruk impor kini tidak hanya ditemui di pasar swalayan, tetapi sudah banyak dijajakan di toko-toko pinggir jalan. Hal ini mengindikasikan produsen dalam negeri belum bisa memenuhi kebutuhan segmen pasar yang menginginkan kualitas jeruk tertentu. Salah satu cara memperkuat daya saing jeruk di pasar domestik dan global adalah dengan memenuhi standar ketetapan mutu permintaan pasar. Pemutuan jeruk manis yang banyak ditemui di Indonesia menggunakan visual manusia dengan memperhatikan bentuk, warna, dan ukuran buah secara manual. Pemutuan secara manual menghasilkan produk yang beragam, sehingga jeruk nasional kurang diminati pasar. Hal ini dikarenakan keterbatasan indera manusia, seperti faktor kelelahan yang menyebabkan berkurangnya fokus dan perbedaan persepsi mutu jeruk manis karena unsur subyektifitas.

2

Menurut Soedibyo (2006:2), pengolahan citra menggunakan sistem visual berdasarkan sensor elektro-optika mempunyai kemampuan yang lebih peka, tepat, dan obyektif daripada kemampuan visual manusia. Pengolahan citra mampu menyediakan sifat-sifat citra secara kuantitatif (variabel mutu citra) yang dibutuhkan sebagai input pengenalan pola. Penelitian pemutuan jeruk manis menggunakan pengolahan citra dengan persamaan logika telah dilakukan dan menghasilkan akurasi total program pemutuan sebesar 85% (Fikri, 2015:49). Berdasarkan hasil penelitian tersebut, penulis mencoba melakukan penelitian lanjutan pemutuan jeruk manis menggunakan pengolahan citra dengan metode yang berbeda untuk meningkatkan akurasi program. Metode yang akan digunakan untuk menggantikan persamaan logika adalah jaringan syaraf tiruan. Jaringan syaraf tiruan (JST) adalah sebuah konsep yang meniru cara kerja jaringan syaraf pada otak manusia dan dapat dilatih untuk mempelajari sesuatu.

Algoritma

backpropagation

pembelajaran

karena

yang

telah banyak

akan

digunakan

adalah

digunakan dalam penelitian

pengenalan pola dan memberikan hasil yang cukup baik, sehingga dengan metode ini diharapkan hasil sortasi seragam dan tingkat kesalahan

rendah.

Backpropagation

memiliki

keunggulan

dapat

memberikan respon yang benar terhadap pola masukan yang serupa (tapi tidak sama) dengan pola yang digunakan selama pelatihan (Siang, 2005:97).

3

BAB 2. TINJAUAN PUSTAKA

2.1 Kriteria Mutu Jeruk Manis Menurut Badan Standardisasi Nasional (2009), kriteria mutu jeruk manis mengacu pada SNI jeruk keprok. Berikut ini standar mutu jeruk keprok berdasarkan SNI 3165:2009 disajikan pada Tabel 2.1. Tabel 2.1 Penggolongan mutu jeruk berdasarkan SNI Kelas Super

Kelas A 1). Jeruk keprok bermutu baik mencerminkan ciri varietas/tipe komersial dengan kerusakan kecil yang diperbolehkan, yaitu sedikit penyimpangan pada bentuk, warna kulit, kulit terkait dengan pembentukan buah, dan bekas luka/cacat pada kulit.

Jeruk keprok bermutu paling baik (super) mencerminkan ciri varietas atau tipe komersial, bebas dari kerusakan kecuali 2). Total area yang kerusakan sangat kecil. mengalami penyimpangan dan cacat maksimum 10 % total luas permukaan buah dan penyimpangan tersebut tidak boleh mempengaruhi mutu daging buah.

Kelas B 1). Jeruk keprok bermutu baik mencerminkan ciri varietas/tipe komersial dengan kerusakan kecil yang diperbolehkan, yaitu sedikit penyimpangan pada bentuk, warna kulit, kulit terkait dengan pembentukan buah, dan bekas luka/cacat pada kulit. 2). Total area yang mengalami penyimpangan dan cacat maksimum 15 % total luas permukaan buah dan penyimpangan tersebut tidak boleh mempengaruhi mutu daging buah.

4

2.2 Pengenalan Pola Pengenalan pola (pattern recognition) merupakan suatu proses yang bertujuan mengklasifikasikan kelompok pola berdasarkan ciri-ciri yang dimiliki pola tersebut. Telah banyak dikembangkan teknik statistik dan sintaksis untuk klasifikasi pola dalam sistem visual untuk pengenalan obyek. Bentuk obyek yang sangat kompleks dapat dibandingkan

dengan

pola-pola

dasar

dalam

citra,

sehingga

penggolongan obyek dapat dilakukan dengan mudah (Ahmad, 2005:5).

2.3 Pengolahan Citra Pengolahan citra bagian dari mesin visual, karena untuk menghasilkan keluaran selain citra, informasi dari citra yang tertangkap kamera perlu diolah dan dipertajam pada bagian tertentu. Teknik pengolahan citra biasanya digunakan untuk melakukan tranformasi dari satu citra ke citra lain, perbaikan informasi dilakukan oleh manusia melalui penyusunan program (Ahmad, 2005:3-4). Pada pengolahan citra ada proses segmentasi citra, yaitu pemisahan citra menjadi beberapa daerah berdasarkan sifat-sifat tertentu dari citra yang dapat dijadikan pembeda. Pemisahan dilakukan berdasarkan perbedaan intensitas warna pada masing-masing daerah (Ahmad, 2005:83-85).

2.4 Jaringan Syaraf Tiruan Jaringan syaraf tiruan merupakan salah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak manusia. Jaringan syaraf tiruan terdiri dari beberapa

neuron

yang

saling

berhubungan.

Neuron

akan

5

mentransformasikan informasi yang diterima menuju neuron lain. Informasi disimpan pada suatu nilai tertentu dalam bentuk bobot. Input akan dikirim ke neuron dengan bobot kedatangan tertentu dan diproses oleh suatu fungsi perambatan yang akan menjumlahkan nilai-nilai semua bobot yang datang. Hasil penjumlahan akan dibandingkan dengan suatu nilai ambang melalui fungsi aktivasi setiap neuron (Kusumadewi dan Hartati, 2006:60-61).

2.5 Backpropagation Algoritma

backpropagation

menggunakan

error

output

untuk

mengubah nilai bobotnya dalam arah mundur (backward). Backpropagation melatih jaringan untuk mendapatkan keseimbangan kemampuan jaringan dalam mengenali pola yang digunakan selama pelatihan. Pelatihan backpropagation terdiri dari 3 fase. Fase pertama adalah fase maju, terjadi perhitungan

mulai

dari

layar

masukan

hingga

layar

keluaran

menggunakan fungsi aktivasi yang ditentukan. Fase kedua adalah fase mundur, selisih antara keluaran jaringan dengan target yang diinginkan merupakan kesalahan yang terjadi. Kesalahan tersebut dipropagasikan mundur, dimulai dari garis yang berhubungan langsung dengan unit-unit di layar keluaran. Fase ketiga adalah modifikasi bobot untuk menurunkan kesalahan yang terjadi (Siang, 2005:97-100).

6

BAB 3. METODOLOGI

1.1 Alat dan Bahan Penelitian 3.1.1 Alat Peralatan yang digunakan dalam penelitian ini terdiri dari: a.

Perangkat komputer untuk mengolah data citra dan membuat program.

b.

Program SharpDevelop 4.2 sebagai perangkat lunak pembuatan program pengolahan citra.

c.

Program Paint.net sebagai perangkat lunak analisis nilai RGB dan H citra.

d.

Program Mathlab versi R2007b dari The Math Works. Inc sebagai perangkat lunak pembuatan algoritma JST.

e.

Program Excel dari Microsoft Corp untuk perangkat lunak analisis statistik dan JST.

3.1.2 Bahan Bahan dalam penelitian ini adalah data hasil pengambilan citra jeruk manis pacitan yang diperoleh dari penelitian Fikri (2015). Jeruk manis pacitan yang digunakan adalah varietas Sukkari yang diperoleh dari perkebunan Desa Junrejo, Kecamatn Junrejo, Kota Batu. Sampel citra jeruk manis segar yang digunakan sebanyak 260 buah yang terdiri dari kualitas mutu kelas super, kelas A, kelas B, dan reject. Masing-masing kelas mutu terdiri dari 50 buah (data training) serta untuk validasi masingmasing mutu 15 buah (data testing).

7

1.2 Tahapan Penelitian Diagram alir prosedur penelitian ditampilkan pada Gambar 3.1. Penelitian dimulai dari persiapan data citra jeruk manis hingga proses validasi hasil pemutuan program pengolahan citra. Mulai Persiapan Data Penentuan Variabel Mutu Citra Pembuatan Program Pengolahan Citra dan Ekstraksi Variabel Mutu Citra Analisis Statistik terhadap Variabel Mutu Citra Pembuatan Grafik Boxplot Penentuan Variabel Mutu Citra yang akan Digunakan Sebagai Input JST Penentuan Variasi Arsitektur Jaringan Syaraf Tiruan Training Semua Variasi JST Menggunakan Data Training

Tidak

MSE < Target

Ya

Simulasi Data Testing dengan Propagasi Maju Pemilihan Arsitektur Terbaik Integrasi Model JST dengan Program Pengolahan Citra Validasi Tidak

Akurasi Memenuhi Ya

Selesai

Gambar 3.1 Diagram alir penelitian

8

BAB 4. HASIL DAN PEMBAHASAN

4.1 Program Pengolahan Citra Jeruk Manis Citra jeruk manis yang akan diolah memiliki resolusi 1024 x 768 piksel dengan format file BMP (bitmap) 24 bit. Format bitmap mempunyai kelebihan menyimpan data kode citra secara digital dengan lengkap tanpa kompresi, sehingga data asli akan banyak dipertahankan. Program pengolahan citra jeruk manis dibuat untuk menganalisis karakteristik citra masing-masing mutu jeruk manis dengan hasil berupa nilai-nilai variabel mutu citra. Prosedur mengolah citra menggunakan program ini dimulai dengan membuka file citra yang disimpan dalam hardisk menggunakan tombol “Buka File”. Selanjutnya dengan menekan tombol “Olah”, maka program secara otomatis mengekstraksi nilai variabel mutu citra area, tinggi, diameter, perimeter, area cacat, indeks warna merah, dan indeks warna hijau. Data hasil analisis citra dari program ini akan disimpan secara otomatis dalam bentuk file text.

4.2 Analisis Statistik Variabel Mutu Citra Hasil ekstraksi citra pada tiap variabel mutu citra berdasarkan variabel statistik pada data sebanyak 200 sampel jeruk manis ditampilkan pada grafik boxplot 4.1 dan 4.2 berikut ini.

9

(a)

(b)

(c)

(d)

(e)

(f)

(a) area; (b) Tinggi; (c) Diameter; (d) Perimeter (e) Area cacat; (f) red (r) Gambar 4.1 Boxplot variabel mutu citra

10

Gambar 4.2 Boxplot variabel mutu citra green (g) Berdasarkan grafik boxplot p, sebaran nilai variabel mutu area, tinggi, diameter, perimeter, dan area cacat menunjukkan adanya data yang saling tumpang tindih. Namun, data sebaran nilai keempat variabel mutu tersebut (area, tinggi, diameter, perimeter) memiliki kecenderungan semakin menurun dari kelas mutu super, A, B, dan reject. Hal ini sesuai dengan kriteria mutu buah, semakin tinggi kelas mutu buah maka ukuran buah semakin besar. Variabel mutu area cacat sesuai dengan kriteria mutu buah dimana kelas mutu reject merupakan buah yang memiliki area cacat lebih besar dari kelas mutu B. Sebaran nilai indeks warna merah pada kelas mutu reject lebih tinggi daripada ketiga kelas mutu tersebut sedangkan indeks warna hijau cenderung menurun. Hal ini dikarenakan pada kelas mutu reject kulit buah cenderung berwarna hijau kekuningan dibandingkan ketiga kelas mutu di atasnya. Hal ini sesuai dengan konsep model warna RGB dimana warna kuning adalah kombinasi antara warna merah dan hijau. Semakin kuning warna kulit buah, maka semakin tinggi nilai warna R dan nilai warna G akan menurun. Berdasarkan penjabaran tersebut, maka semua variabel mutu citra dapat digunakan sebagai input JST untuk membedakan kelas mutu buah.

11

4.3 Penentuan Variasi JST Terbaik dan Integrasi Program Pengolahan Citra dengan JST Jumlah variabel mutu yang dapat digunakan sebagai input JST menentukan jumlah node input yang akan dibuat pada struktur JST. Pelatihan JST menggunakan nilai laju pembelajaran 0,2 dan momentum 0,8 pada enam variasi yang dibuat. Penentuan kriteria penghentian iterasi berdasarkan hasil trial and error yang dilakukan. Jaringan menunjukkan kekonvergenan pada MSE 0,14 dari berbagai variasi arsitektur dan metode normalisasi input, sehingga kinerja tujuan ditentukan pada MSE 0,14. Tabel 4.1 menampilkan keenam variasi JST. Tabel 4.1 Variasi JST Variasi J1 J2 J3 J4 J5 J6

Metode Normalisasi Minmax z-score Minmax z-score Minmax z-score

Jumlah node tersembunyi 10 10 15 15 20 20

Tabel 4.2 Hasil propagasi maju data testing Variasi JST J1 Persentase(%) J2 Persentase(%) J3 Persentase(%) J4 Persentase(%) J5 Persentase(%) J6 Persentase(%)

Berdasarkan

Super 15 100 15 100 15 100 15 100 15 100 15 100

Tabel

Kesesuaian Target A B Reject 14 10 15 93,33 66,67 100 14 12 15 93,33 80,00 100 14 13 15 93,33 86,67 100 13 13 15 86,67 86,67 100 14 11 15 93,33 73,33 100 13 12 15 86,67 80,00 100

4.2

diketahui

hasil

Jumlah 54 95,00 56 93,33 57 95,00 56 93,33 55 91,67 55 91,67

propagasi

terbaik

ditunjukkan pada variasi J3. Proses integrasi dilakukan dengan cara memasukkan fungsi propagasi maju menggunakan bobot-bobot hasil

12

pelatihan variasi J3 pada program pengolahan citra, sehingga program dapat secara otomatis menduga kelas mutu berdasarkan nilai variabel mutu citra. Tampilan program pemutuan jeruk manis ditampilkan pada Gambar 4.2 berikut ini.

Gambar 4.3 Tampilan program pengolahan citra jeruk manis

4.4 Perbandingan Validasi Program Pemutuan Jeruk Manis antara Persamaan Logika dengan JST Hasil perbandingan tingkat akurasi program pemutuan yang dibangun menggunakan persamaan logika dengan JST secara sepintas dapat diketahui melalui akurasi total pada confusion matrix. Untuk mengetahui secara detail dapat menganalisis tabel confusion matrix pada Tabel 4.3 dan 4.4.

13

Tabel 4.3 Confusion matrix hasil validasi program pemutuan jeruk manis dengan persamaan logika

Akurasi total = 85% Sumber: Fikri (2015).

Tabel 4.4 Confusion matrix hasil validasi program pemutuan jeruk manis dengan JST

Akurasi total = 95,04% Sumber : Data Primer (2016).

Berdasarkan Tabel 4.9 dan 4.10, diketahui bahwa program pengolahan citra yang dibangun dengan model JST memiliki tingkat akurasi yang lebih tinggi daripada persamaan logika. Hal ini juga ditunjukkan pada variabel mutu citra yang digunakan. Menurut Fikri (2015:43), dari ketujuh variabel mutu citra yang dianalisis untuk menentukan kelas mutu jeruk manis hanya empat variabel yang dapat digunakan sebagai kombinasi pembuatan persamaan logika untuk memisahkan kelas mutu super, A, B, dan reject. Keempat variabel tersebut adalah area, area cacat, indeks warna merah (r), dan indeks warna hijau (g). Berbeda dengan JST, pada model

14

JST ketujuh variabel mutu citra dapat digunakan sebagai input JST untuk memisahkan kelas mutu super, A, B, dan reject. Keunggulan JST dalam melakukan pengenalan pola ini didukung dengan adanya proses penyesuaian nilai bobot. Sama dengan neuron pada otak manusia yang berfungsi menyimpan dan mengirimkan informasi sehingga mampu mengenali sesuatu, nilai bobot pada setiap layer

memiliki

informasi

yang

digunakan

untuk

menyelesaikan

persamaan matematis JST untuk menghasilkan output yang akan diduga sebagai target atau bukan. Berbeda dengan persamaan logika yang penentuan rentang nilainya dilakukan dengan melihat perbedaan karakteristik masing-masing mutu, sehingga jika ada variabel-variabel yang mengalami tumpang tindih akan sulit dilakukan pemisahan.

15

BAB 5. KESIMPULAN

Berdasarkan pembahasan dapat diambil beberapa kesimpulan sebagai berikut. 1. Proses pemutuan jeruk manis dapat dilakukan menggunakan pengolahan citra digital dengan variabel area, tinggi, diameter, perimeter, area cacat, r, dan g. 2. Semua variabel mutu citra dapat digunakan sebagai input JST berdasarkan analisis dengan grafik boxplot yang menunjukkan sebaran data sesuai dengan kriteria mutu jeruk manis. 3. Hasil validasi JST menunjukkan bahwa program pemutuan jeruk manis memiliki tingkat akurasi total 95,04%. 4. Program

pemutuan

jeruk

manis

yang

dibangun

dengan

menggunakan JST terbukti memiliki tingkat akurasi program yang lebih tinggi dibandingkan dengan persamaan logika karena adanya proses penyesuaian nilai bobot yang menyebabkan JST mampu menduga data sejenis namun tidak sama.

16

DAFTAR PUSTAKA

Ashari, H. 2014. Potensi Jeruk Manis Pacitan untuk Jus Murni yang Disukai Semua Umur. Balai Penelitian Tanaman Jeruk dan Buah Subtropika. Diperoleh dari: http://balitjestro.litbang.pertanian.go.id/potensi-jeruk-manis-pacitanuntuk-jus-murni-yang-disukai-semua-umur/. Badan Standardisasi Nasional. 2009. “Jeruk Keprok” SNI 3165. Bogor: Badan Standardisasi Nasional (BSN). Fausett, L. 1994. Fundamentals of Neural Network Architectures, Algorithms, and Applications. New Jersey: Prentice-Hall, Inc. Fikri, A. K. 2015. Pemutuan Buah Jeruk Manis (Citrus sinensis (L) Osbeck) dengan Menggunakan Pengolahan Citra (Image Processing). Jember: Universitas Jember. Kementerian Pertanian. Tanpa Tahun. Pusat Data dan Sistem Informasi Pertanian: Basis Data Ekspor-Impor Komoditi Pertanian. Diperoleh dari: http://database.pertanian.go.id/eksim2012/index_ori.php. Kusumadewi S. 2004. Membangun Jaringan Syaraf Tiruan Menggunakan MATHLAB & EXCEL LINK. Yogyakarta: Graha Ilmu. Kusumadewi, S dan Hartati, S. 2006. NEURO FUZZY: Integrasi Sistem Fuzzy & Jaringan Syaraf. Yogyakarta: Graha Ilmu. Siang, J. J. 2005. Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan Matlab. Yogyakarta: Andi. Soedibyo, D. W. 2006. Pemutuan Edamame (Glycine Max (L.) Merr.) dengan Menggunakan Pengolahan Citra (Image Processing). Bogor: Institut Pertanian Bogor (IPB).