Articles

Found 19 Documents
Search

Rancang Bangun Document Management System Universitas “45” Bekasi Sumadyo, Malikus; Whidhiasih, Retno Nugroho
PIKSEL (Penelitian Ilmu Komputer Sistem Embedded dan Logic) Vol 1, No 1 (2013): PIKSEL (Penelitian Ilmu Komputer Sistem Embedded dan Logic
Publisher : PIKSEL (Penelitian Ilmu Komputer Sistem Embedded dan Logic)

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Sistem Manajemen Dokumen atau Document Management System (DMS) adalah sistem pengelolaan dokumen secara elektronik yang diterapkan pada suatu organisasi yang besar. DMS dapat mengurangi resiko kehilangan dokumen dan besarnya biaya penyimpanan. DMS mempunyai berbagai kelebihan sehingga dokumen akan mudah dikelola, mudah dicari letaknya, dapat dicetak kembali dan berbagai manfaat lainnya yang dapat mendukung proses bisnis suatu perusahaan ataupun institusi pendidikan  yang membutuhkan pelayanan dokumen secara cepat dan akurat meskipun jumlah dokumen yang dikelola sangat banyak. Siklus hidup DMS dimulai dari proses digitalisasi dokumen, penerimaan dokumen, pengolahan dokumen yang mencakup duplikasi, distribusi, indexing, penyimpanan dan pemeliharaan sampai pada jadual retensi dan pemusnahan dokumen. DMS yang dibangun diimplementasikan pada Universitas Islam “45” Bekasi. Admin yang berada di pusat (Rektorat) mengelola data seluruh fakultas, dibantu oleh manajer (admin fakultas) untuk menverifikasi data di setiap fakultas. User (pengguna, dosen maupun karyawan) dapat menginput dan mengelola data akademik serta data individu, sehingga data yang terkelola dengan baik tersebut menghasilkan knowledge yang dapat mendukung penentu kebijakan dalam pengambilan keputusan di tingkat program studi, fakultas maupun universitas. Secara khusus DMS tersebut mendukung evaluasi program studi dan pengurusan kepangkatan fungsional dosen.  DMS Unisma dikembangkan menggunakan bahasa pemrograman PHP dan database MySQL dengan tujuan agar dapat diakses melalui jaringan intranet yang sudah terpasang di seluruh fakultas.   Kata kunci : DMS, Document Management System, knowledge, sistem berbasis web, dokumen elektronik Document Management Systems DMS is an electronic document management system to be applied to a great organization like the Islamic University 45 (Unisma) Bekasi which requires service of documents quickly and accurately even though the number of documents that are managed very much. The main feature of this system is the storage and retrieval of documents, for which the system is built with a database structure in such a way in order to optimally serve the data needs of the faculty and staff. Central Admin (rector office) manage data across faculties, aided by the Manager (admin faculty) to verify the data in each faculty. User (lecture and staff) can enter and manage personal academic data each individual, so that the results can help any academic activity in the study program, the faculty and the university as a self- evaluation study program or the maintenance of lecture functional rank. Unisma DMS was developed using the PHP programming language and MySQL database in order to be accessible via the intranet network already installed in all faculties.  Keyword : DMS, Document Management System, SDLC, Web base system
KLASIFIKASI BUAH BELIMBING BERDASARKAN CITRA RED-GREEN-BLUE MENGGUNAKAN KNN DAN LDA Whidhiasih, Retno Nugroho; Wahanani, Nursinta Adi; Supriyanto, Supriyanto
PIKSEL (Penelitian Ilmu Komputer Sistem Embedded dan Logic) Vol 1, No 1 (2013): PIKSEL (Penelitian Ilmu Komputer Sistem Embedded dan Logic
Publisher : PIKSEL (Penelitian Ilmu Komputer Sistem Embedded dan Logic)

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Tulisan ini dilakukan untuk membandingkan metode klasifikasi K-nearest neigbourhood (KNN) dan Linear Discriminant Analysis (LDA) dengan variabel R-G dan R-G-B dari citra buah belimbing untuk memprediksi tingkat kemanisan buah belimbing. Pengenalan digunakan untuk mengelompokkan buah belimbing menjadi tiga kelas yaitu kelas manis, sedang dan asam.  Pada tahapan pra proses dilakukan reduksi citra dengan menggunakan analisis komponen utama 2 dimensi (2D-PCA). Percobaan dilakukan dengan menggunakan 3 fold cross validation. Hasil yang didapatkan dari penelitian ini menyatakan bahwa Klasifikasi ini dapat digunakan untuk mengklasifikasi belimbing kelas asam dengan tepat sedangkan kelas lainnya ketepatannya tidak mencapai 100%. Metode KNN dengan variabel RG menghasilkan akurasi sebesar 80 %, sedang KNN dengan variabel RGB menghasilkan akurasi sebesar 91 %. Teknik LDA linier maupun LDA dengan ukuran jarak mahalanobis menghasilkan akurasi sebesar 91 %.   Kata kunci : KNN, LDA, RG, RGB, Klasifikasi Belimbing This paper  want to compare classification method between k-nearest neighbor (KNN) and linier discriminant analysis (LDA) from starfruit image for sweetness prediction of starfruit. Recognition is used to classify starfruit in sweet, medium and sour class. Classification is done with R-G and R-G-B predictor feature with 3 fold cross validation. Image reduction is then conducted in the Pre-process step by using 2D principal componen analysis. Result of this research denotes this classifier can classify sour starfruit class precisely while sweet and medium classes are less precise. Accuracy of KNN method with RG variable is 81%, while KNN, LDA linier and LDA with mahalanobis distance with RGB variable is 91%. Keyword:  KNN, LDA, RG, RGB, starfruit classification
EVALUASI DAN OPTIMASI LOKASI PENDIRIAN SENTRA PENGISIAN BAHAN BAKAR UTAMA (SPBU) DI KABUPATEN BEKASI MENGGUNAKAN METODE ALGORITMA GENETIK Handayanto, Rahmadya Trias; Srie Gunarti, Anita Setyowati; whidhiasih, Retno Nugroho
PIKSEL (Penelitian Ilmu Komputer Sistem Embedded dan Logic) Vol 1, No 2 (2013): PIKSEL (Penelitian Ilmu Komputer Sistem Embedded dan Logic)
Publisher : PIKSEL (Penelitian Ilmu Komputer Sistem Embedded dan Logic)

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Gas Stations are important objects for transportation. Therefore, the location must be optimum regarding to economic, environment, and safety aspects. Genetic Algorithms are used to help calculating for optimum location of gas stations. For easiness we integrated Geographic Information Systems (GIS) with genetic algorithms for Bekasi District. According to GIS rule, we use two kinds of data: vector data and raster data. Road of map and location of object that must far away from gas station as vector data and map as raster data. Conversion from local coordinate to global coordinate is used in order to be integrated with google map application. Testing result showed that optimum gas station location are far enough from vital locations that must far away from gas stations.Keywords: Geographic Information System, Genetic Algorithms, Optimization Gas Stations are important objects for transportation. Therefore, the location must be optimum regarding to economic, environment, and safety aspects. Genetic Algorithms are used to help calculating for optimum location of gas stations. For easiness we integrated Geographic Information Systems (GIS) with genetic algorithms for Bekasi District. According to GIS rule, we use two kinds of data: vector data and raster data. Road of map and location of object that must far away from gas station as vector data and map as raster data. Conversion from local coordinate to global coordinate is used in order to be integrated with google map application. Testing result showed that optimum gas station location are far enough from vital locations that must far away from gas stations.Keywords: Geographic Information System, Genetic Algorithms, Optimization
KLASIFIKASI BUAH BELIMBING MANIS DAN TIDAK MANIS BERDASARKAN CITRA RED GREEN BLUE MENGGUNAKAN FUZZY NEURAL NETWORK Whidhiasih, Retno Nugroho
PIKSEL (Penelitian Ilmu Komputer Sistem Embedded dan Logic) Vol 1, No 2 (2013): PIKSEL (Penelitian Ilmu Komputer Sistem Embedded dan Logic)
Publisher : PIKSEL (Penelitian Ilmu Komputer Sistem Embedded dan Logic)

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Classical classification problems that can not be solved using the NN can be done using the FNN. The difference lies in the use of learning targets, which uses a degree of membership in the output. This study aims to create a classification of star fruit to sweet and not sweet categories with non destructive method using fuzzy neural network. Red green and blue components of the image of the star fruit is used as an input parameter. FNN 3-15-2 accuration obtained is 88.89% by using 15 neurons in the hidden layer, MSE 9.13e-09 at epoch 16th.Keyword : classification, fuzzy neural network, starfruit, non-destructive grading, pattern recognition. Permasalahan klasifikasi klasik yang tidak dapat diselesaikan menggunakan NN dapat dilakukan menggunakan FNN. Perbedaannya terletak pada target pembelajaran yang digunakan, yaitu menggunakan derajat keanggotaan pada output. Penelitian ini bertujuan untuk membuat klasifikasi buah belimbing manis dan tidak manis secara non destruktif menggunakan fuzzy neural network. Komponen red green dan blue dari citra buah belimbing digunakan sebagai parameter masukan. Ketepatan yang didapatkan menggunakan FNN 3-15-2 pada penelitian ini sebesar 88,89% dengan 15 neuron pada lapisan tersembunyi, MSE sebesar 9.13e-09 pada epoch ke 16.Keyword : identifikasi, fuzzy neural network, belimbing, identifikasi non destruktif 
Klasifikasi Kematangan Buah Manggis Ekspor dan Lokal Berdasarkan Warna dan Tekstur Menggunakan Fuzzy Neural Network Whidhiasih, Retno Nugroho; Guritman, Sugi; Suprio, Prapto Tri
Jurnal Ilmu Komputer dan Agri-Informatika Vol 1, No 2 (2012)
Publisher : Departemen Ilmu Komputer IPB

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Fuzzy neural network (FNN) memiliki kemampuan untuk melakukan klasifikasi terhadap suatu pola yang berada di dalam dua kelas yang tidak dapat diklasifikasi menggunakan model klasifikasi klasik neural network (NN). Penelitian ini bertujuan mengembangkan model klasifikasi buah manggis segar secara non-destruktif dengan menggunakan FNN. FNN yang dipakai menggunakan derajat keanggotaan pada neuron output sebagai target pembelajaran. Parameter input yang digunakan adalah komponen warna hasil dari pengolahan citra yang mempunyai pengaruh terhadap tahap kematangan buah manggis dan tekstur. Hasil pemodelan FNN menjadi 2 kelas target klasifikasi (ekspor dan lokal) mendapatkan model terbaik dengan fitur penduga indeks warna merah, hijau, biru, value, a*, u*, v*, dan entropi dengan 5 neuron pada lapisan tersembunyi. Perbandingan persentase akurasi model FNN dan NN ialah 90:90, dengan perbandingan kemampuan pengenalan terhadap kelas ekspor dan lokal ialah 92:100 dan 89:75.Kata kunci: fuzzy neural network, klasifikasi, manggis, non-destructive grading, pengenalan pola
Identifikasi Mutu Telur Ayam Berdasarkan Kebersihan Kerabang Menggunakan Jaringan Syaraf Tiruan Maimunah, Maimunah; Whidhiasih, Retno Nugroho
INFORMATICS FOR EDUCATORS AND PROFESSIONALS Vol 2 No 1 (2017): INFORMATICS FOR EDUCATORS AND PROFESSIONALS (Desember 2017)
Publisher : Penelitian dan Pengabdian Masyarakat Universitas Bina Insani

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (319.915 KB)

Abstract

Abstrak: Telur ayam memiliki protein yang bermutu tinggi sehingga banyak dijadikan sebagai bahan olahan makanan. Namun tidak semua telur memiliki mutu atau kualitas dan kesegaran yang baik. Berdasarkan SNI 3926:2008 mutu telur terbagi menjadi tiga yaitu mutu I,mutu II dan mutu III. Identifikasi telur digunakan untuk menentukan mutu telur ayam  yang meliputi mutu internal dan mutu eksternal. Salah satu aspek mutu eksternal telur  ayam  ditinjau dari kebersihan kerabang telur yaitu ada tidaknya kotoran yang menempel pada kerabang telur ayam. Telur yang bersih mempunyai tekstur  kerabang telur yang berbeda dengan telur yang kotor.  Dalam penelitian ini dilakukan identifikasi mutu telur ayam ras berdasarkan kebersihan kerabang telur ayam ras menggunakan jaringan syaraf tiruan. Tekstur citra telur diekstrak menggunakan ciri statistik orde dua meliputi angular second moment, contrast, correlation variance, inverse different moment, entropy. Nilai hasil ekstraksi selanjutnya digunakan untuk pelatihan dengan data latih sebanyak 25 telur mutu I, 25 telur mutu II dan 25 telur mutu III. Hasil penelitian diperoleh akurasi 93,33% yang menyatakan bahwa jaringan syaraf tiruan dapat melakukan identifikasi mutu telur berdasarkan kebersihan kerabang telur dengan  baik.   Kata kunci: klasifikasi,tekstur kerabang telur,akurasi,   Abstract: Chicken eggs have a high-quality protein so there are many kinds of food using it as processed food ingredients. But not all eggs have a quality or good quality and freshness. Based on SNI 3926: 2008 the quality of eggs is divided into three namely quality I, quality II and quality III. Egg identification is used to determine the quality of chicken eggs that include internal quality and external quality. One aspect of the external quality of chicken eggs in terms of cleanliness of eggshell is the presence or absence of dirt on the chicken eggshell. A clean egg has a different eggshell texture with a dirty egg. In this study, the identification of the quality of chicken eggs based on the hygiene of chicken eggs using the artificial neural network. The texture of egg image extracted using second order statistics include second moment angular, contrast, correlation variance, inverse different moment, entropy. The value of the extraction results is then used for training with the training data of 25 eggs of quality I, 25 eggs of quality II and 25 eggs of quality III. The result of this research is 93,33% accuracy which states that artificial neural network can identify egg quality based on egg hygiene well.   Keywords: classification, eggshell texture, accuracy
IMPLEMENTASI NEURAL NETWORK BACKPROPAGATION UNTUK IDENTIFIKASI TINGKAT MANIS BUAH BELIMBING BERDASARKAN CITRA RGB Whidhiasih, Retno Nugroho
PIKSEL : Penelitian Ilmu Komputer Sistem Embedded and Logic Vol 2 No 1 (2014): Maret 2014
Publisher : Universitas Islam 45 Bekasi

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (201.327 KB)

Abstract

ABSTRACT   Star fruit classification is needed to maintain quality and improve competitiveness. Star fruit-based sweetness can be done destructively and non-destructively. Nondestructive can be done by measuring the correlation value of red, green, blue (RGB) star fruit image with Total Dissolved Solids (TPT) contained in starfruit. This study aims to develop an artificial intelligence system model to classify star fruit non-destructively based on the red-green-blue component using Neural Network (NN). The input parameter used is the red-green-blue component of the star fruit image which has been correlated to the TPT. The amount of sample data used is 99 pieces, which is 33 sweet starfruit image, 33 medium starfruit image and 33 image starfruit acid. A total of 81 data were used as training data and 18 data were used as test data. To obtain the best introductory results experiments were conducted using 6 variations of the number of neurons in the hidden layer. The classification into acid, medium and sweet fruit classes in this study obtained the best NN model using red, green and blue input parameters with 2 neurons in the hidden layer. The NN backpropatation 3-2-1 model provides an accuracy of 66.67% with 2 neurons in the hidden layer, MSE of 4.73e-06 on epoch 1.   Keyword : classification, neural network, starfruit, non-destructive grading, pattern recognition.     ABSTRAK   Pemutuan buah belimbing sangat diperlukan untuk mempertahankan mutu dan meningkatkan daya saing. Pemutuan buah belimbing berdasarkan rasa dapat dilakukan secara destruktif dan nondestruktif. Nondestruktif dapat dilakukan dengan mengukur korelasi nilai red, green, blue (RGB) citra buah belimbing dengan Total Padatan Terlarut (TPT) yang terdapat pada belimbing. Penelitian ini bertujuan untuk mengembangkan model sistem kecerdasan buatan untuk mengklasifikasi buah belimbing secara non-destruktif berdasarkan komponen red-green-blue  menggunakan Neural Network (NN).  Parameter input yang digunakan adalah komponen red-green-blue dari citra buah belimbing yang telah dikorelasikan terhadapTPT. Jumlah sampel data yang digunakan adalah 99 buah, yaitu 33 citra belimbing manis, 33 citra belimbing sedang dan 33 citra belimbing asam. Sejumlah 81 data digunakan sebagai data pelatihan dan 18 data digunakan sebagai data pengujian. Untuk mendapatkan hasil pengenalan terbaik dilakukan percobaan-percobaan menggunakan 6 variasi jumlah neuron pada lapisan tersembunyi. Klasifikasi menjadi kelas buah asam, sedang dan manis dalam penelitian ini mendapatkan model NN terbaik menggunakan  parameter input red, green dan blue dengan 2 neuron pada lapisan tersembunyi. Model NN backpropatation 3-2-1 ini memberikan akurasi sebesar 66.67% dengan 2 neuron pada lapisan tersembunyi, MSE sebesar 4.73e-06 pada epoch ke 1.   Keyword : klasifikasi, belimbing, neural network, citra digital, pemutuan non-destruktif
IDENTIFIKASI TINGKAT MANIS BUAH BELIMBING BERDASARKAN CITRA RED GREEN BLUE MENGGUNAKAN FUZZY NEURAL NETWORK Whidhiasih, Retno Nugroho
PIKSEL : Penelitian Ilmu Komputer Sistem Embedded and Logic Vol 3 No 2 (2015): September 2015
Publisher : Universitas Islam 45 Bekasi

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (188.126 KB)

Abstract

ABSTRACT   Fuzzy Neural Network (FNN) has a capability to classify a pattern within two different classes which a classical Neural Network (NN) is failed to do so. The fuzzy pattern classification use membership degree on output of neuron as learning target. This research aim is to develop an artificial intelligence system model for non-destructive classification of starfruit using Fuzzy Neural Network. The input parameter is the estimator parameter of starfruit sweet level of red, green and blue index color obtained from image processing. The best result of starfruit sweet level identification using FNN with three classification class target (sour, medium and sweet) is achieved with 25 neurons in hidden layer and 14th epoch with 100% accuracy.   Keyword : classification, fuzzy neural network, starfruit, non-destructive grading, pattern recognition.     ABSTRAK   Fuzzy Neural Network (FNN) memiliki kemampuan untuk mengklasifikasikan pola dalam dua kelas yang tidak bisa dilakukan oleh Neural Network (NN). FNN merupakan klasifikasi fuzzy yang mengubah target dari pembelajaran menjadi derajat keanggotaan. Tujuan penelitian ini adalah untuk mengembangkan model sistem kecerdasan buatan untuk klasifikasi non-destruktif dari belimbing menggunakan Fuzzy Neural Network. Parameter input yang digunakan adalah indeks warna red, green dan blue yang diperoleh dari pengolahan citra. Hasil terbaik dari identifikasi belimbing tingkat manis buah belimbing menggunakan FNN ke dalam tiga target kelas klasifikasi, yaitu asam, sedang dan manis dicapai dengan 25 neuron pada lapisan tersembunyi pada epoch ke 14 dengan akurasi 100%.   Keyword : identifikasi, fuzzy neural network, belimbing, identifikasi non destruktif
IDENTIFIKASI RASA BUAH MANGGA GEDONG GINCU CIREBON BERDASARKAN CITRA RED-GREEN-BLUE MENGGUNAKAN JARINGAN SYARAF TIRUAN Yuliana, Upi; Whidhiasih, Retno Nugroho; Maimunah, Maimunah
PIKSEL : Penelitian Ilmu Komputer Sistem Embedded and Logic Vol 4 No 2 (2016): September 2016
Publisher : Universitas Islam 45 Bekasi

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (466.998 KB)

Abstract

ABSTRACT   This study aims to identify the image of Gedong Gincu mango based RGB image using Backpropagation ANN. Data used are 90 images of Gedong Gincu Mango. Then the image of Gedong Gincu Mango were split into two groups of data which unkwon to each other, the training data and data testing. Data training is 75  consist of 25 acid class data, 25 medium class data and the remaining is 25 sweet data. Data testing is 15 which consist of 5 acid class data, 5 medium class data and 5 sweet class data. In this study, the parameters used are the learning rate of 0.1, with a number of epoch as many as 2500, the value of MSE (error) is 0.0001 and with variations in the number of hidden layers that will be tested as much as 2, 5, 10, 15, 20, and 25 neurons. With these parameters will be able to identify a class of Gedong Gincu mango with a success rate of 66.6% in 2500 with a variation epoch, neuron number is 2, the value of MSE (error) of 0,269 and at the 35th second.   Keyword : Identification,Neural Network, Gedong Gincu Mango   ABSTRAK   Penelitian ini bertujuan untuk mengidentifikasi citra buah mangga gedong gincu berdasarkan citra RGB menggunakan JST Backpropagation. Data yang digunakan berjumlah 90 citra buah mangga gedong gincu. Lalu citra buah mangga gedong gincu tersebut dibagi menjadi dua kelompok data yang saling asing, yaitu data training dan data testing. Data training berjumlah 75 data yang terdiri dari 25 data kelas asam, 25 data kelas sedang dan 25 data kelas manis. Data testing berjumlah 15 data yang terdiri dari 5 data kelas asam, 5 data kelas sedang dan 5 data kelas manis. Pada penelitian ini parameter yang digunakan yaitu dengan laju pembelajaran sebesar 0.1, dengan jumlah epoch sebanyak 2500, nilai MSE (error) sebesar 0.0001 dan dengan variasi jumlah lapisan tersembunyi yang akan dicobakan sebanyak 2, 5, 10, 15, 20, dan 25 neuron. Dengan parameter tersebut mampu mengidentifikasi kelas buah mangga gedong gincu dengan tingkat keberhasilan sebesar 66,6% pada epoch 2500 dengan variasi jumlah neuron 2, nilai MSE(error) sebesar 0.269 dan pada detik ke 35.   Keywords: Identifikasi, Jaringan Syaraf Tiruan, Mangga Gedong Gincu
Identifikasi Beras Berdasarkan Warna Menggunakan Adaptive Neuro Fuzzy Inference System Alfianto, Muhammad Gilang; Whidhiasih, Retno Nugroho; Maimunah, Maimunah
PIKSEL : Penelitian Ilmu Komputer Sistem Embedded and Logic Vol 5 No 2 (2017): September 2017
Publisher : Universitas Islam 45 Bekasi

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (610.66 KB) | DOI: 10.33558/piksel.v5i2.267

Abstract

ABSTRACT   Rice is the main food ingredient for Indonesian people. Through the National Standardization Agency, The Government has established a general requirement of rice, that is good quality rice which has a white color of whitewashed and low-quality rice which has a yellowish color (SNI 6128: 2015). To determine the different color of good quality rice and the low-quality one it often happens of wrong identification caused by different perception on the color. This problem can be solved by creating the system to identify good quality rice of IR64 and the low-quality one. The data used are primary data, in the form of good quality rice with grain image of 50 and the low-quality one is 50. The observation data used for trial is La * b * and Sa * b * using Adaptive Neuro-Fuzzy Inference Systems ( ANFIS). The observation variable Sa * b * produce higher identification compared to La*b*, with accuracy value is  90%.   Keyword : rice, quality,color,classification   ABSTRAK   Beras merupakan bahan pangan utama masyarakat Indonesia. Pemerintah melalui badan Standarisasi Nasional telah menetapkan syarat umum beras, yaitu beras berkualitas baik yang mempunyai warna putih mengapur dan beras berkualitas  rusak yang mempunyai warna kekuningan (SNI 6128:2015). Untuk menentukan perbedaan warna beras berkualitas baik dan rusak seringkali terjadi kesalahan identifikasi yang dikarenakan perbedaan persepsi warna. Hal tersebut dapat diatasi dengan membuat sistem untuk mengidentifikasi butir beras IR 64 yang berkualitas baik dan rusak. Data yang digunakan adalah data primer, yang berupa gambar butir beras berkualitas baik sebanyak 50 dan butir beras beras berkualitas rusak sebanyak 50. Variabel penduga yang dicobakan adalah La*b* dan Sa*b* dengan menggunakan metode Adaptive Neuro Fuzzy Inference Systems (ANFIS). Variabel penduga Sa*b* menghasilkan identifikasi yang lebih tinggi dibandingakan La*b* dengan nilai akurasi sebesar 90%.   Kata kunci : beras, kualitas,warna,klasifikasi