02804     2200313   4500001002100000005001500021035002000036007000300056008004100059020002200100082001100122084001700133100003200150245005500182250001400237300002900251240000600280520203400286600002102320740003002341264002402371336002102395337001602416338001802432246000602450856000602456990001402462990001402476INLIS00000000000007420210407011840  a0010-0421000071ta210407                g          0 ind    a973-979-1116-11-4  a664.54  a664.54 NAN t0 aNanan NurdjannahePengarang1 aTEKNOLOGI PENGOLAHAN PALA :b- /cNanan Nurdjannah  aCetakan I  a57 :bilus ;c17 X 24 cm  a-  aPemisahan biji pala berdasarkan kelas mutu saat ini belum dilakukan pada tingkat petani hal ini menyebabkan harga biji pala ditingkat petani menjadi rendah. Ditingkat pedagang pemisahan dilakukan secara manual biji pala dipisahkan antara biji utuh dengan biji rusak atau pecah. Proses pemisahan tersebut memiliki kelemahan tidak dapat dilakukan secara terus menerus, kelelahan fisik, dan tingkat subyektifitas tinggi. Pengembangan metode klasifikasi secara non-destruktif diperlukan sehingga diperoleh mutu biji pala sesuai standar mutu yang baik. Penelitian ini bertujuan untuk menyusun program pengolahan citra dan jaringan saraf tiruan untuk identifikasi mutu fisik biji pala (Myristica fragrans houtt). Metode penelitian dilakukan melalui tahap pengujian sifat fisik biji pala menggunakan teknologi pengolahan citra. Parameter sifat fisik hasil pengolahan citra selanjutnya dipilih parameter yang berpengaruh membedakan mutu dengan analisa diskriminan. Hasil analisa diskriminan digunakan sebagai faktor masukan jaringan saraf tiruan. Pengujian sifat fisik dilakukan secara nondestruktif meliputi warna yang terdiri dari RGB, Lab, HSV; bentuk terdiri dari area, perimeter, roundness, compactness; tekstur terdiri dari contrast, correlation, energy, homogenity, entropy. Faktor keluaran adalah kelas mutu biji pala yang terdiri dari mutu ABCD, mutu Rimpel dan mutu BWP (Broken Wormy Punky). Parameter mean saturated, area, correlation dan entropy dari hasil analisa diskriminan menunjukan parameter yang paling berpengaruh membedakan mutu pala. Parameter terpilih hasil analisa diskriminan digunakan sebagai input jaringan saraf tiruan. Arsitektur jaringan saraf terdiri 3 lapisan dengan 1 lapisan masukan terdiri 4 sel saraf, 1 lapisan tersembunyi terdiri 8 sel saraf dan 1 lapisan keluaran terdiri atas 1 sel saraf, fungsi aktivasi sigmoid biner, nilai konstanta laju pembelajaran 0.001. Berdasarkan hasil pengujian jaringan saraf dapat melakukan identifikasi dengan ketepatan hasil 100% dari 30 jumlah sampel yang diujikan. 4aNanan Nurdjannah  aTEKNOLOGI PENGOLAHAN PALA  aBogor :bKDT,c2007  2rdacontentateks  2rdamediaa-  2rdacarriera-  a-  a-  a82/H/2013  a83/H/2013