Prediksi Kandungan Lignin pada Dedak Padi Bercampur Sekam Menggunakan Tekstur Statistik dan KNN | Estimation of Lignin Content in Rice Bran Mixed with Husk using Statistical Textures and KNN

Английский. Adulteration in rice bran happens quite high due to the expensive price of rice bran. Mixing the rice bran with husk could decrease the rice bran quality because the content of crude fiber and lignin cointained in husk are anti-nutrients. Lignin content can be estimated by the texture of rice bran mixed with husk image. This study aimed to analyze the texture of rice bran mixed with husk image using run length feature extraction method with k-nearest neighbour (KNN) classification. The images of rice bran mixed with husk were taken using Dino Capture digital microscope with magnification 200 times. The images were generated with the spatial resolution  of 640×480 pixels in a bitmap format. Those images were converted from RGB into grayscale in preprocessing phase, then the result of grayscale images were enhanced using histogram equalization as image enhancement method. The training and testing was determined using 5-fold cross validation with 3 repetition. The result of KNN classification with 7 features showed  the highest accuracy of 74.55%.

индонезийский. Pemalsuan dedak padi terjadi cukup tinggi karena harga dedak padi yang mahal. Kualitas dedak padi yang bercampur sekam dapat menurun karena kandungan serat kasar dan lignin bersifat anti-nutrisi. Kandungan lignin dapat diestimasi dengan tekstur citra dedak padi yang bercampur sekam. Penelitian ini bertujuan untuk melakukan analisis tekstur pada citra dedak padi yang bercampur sekam menggunakan metode ekstraksi ciri run length dengan klasifikasi k-nearest neighbour (KNN). Citra dedak padi yang bercampur sekam diakuisisi dengan mikroskop digital Dino Capture dengan perbesaran sebesar 200 kali. Citra yang dihasilkan berukuran 640×480 piksel dengan format bitmap. Praproses dilakukan dengan mengubah citra RGB ke dalam grayscale, kemudian dilakukan image enhancement menggunakan histogram equalization. Data uji dan data latih ditentukan menggunakan 5-fold cross validation dengan 3 ulangan. Hasil KNN dengan 7 fitur run length menghasilkan akurasi terbaik sebesar 74.55% pada sudut 135° dan k = 5.