<![CDATA[Pengujian kualitas beras melalui pendekatan recognition pengolahan citra digital bertujuan untukmenghasilkan model pengujian yang mampu mengenali komponen mutu beras yang meliputi butir patah, butir menir,derajat sosoh, dan butir kuning serta mengetahui tingkat keberhasilannya. Pengujian diawali dengan melakukan blobdetection pada citra beras berjarak 18 cm dari kamera. Hasil pengambilan citra digunakan sebagai sampel pengujianpanjang butir menggunakan metode SUSAN, dan pengujian tekstur butir menggunakan model neurofuzzy.Model pengujian panjang meliputi transformasi grayscale, pembatasan thresholding sebesar 25 piksel,pendeteksian SUSAN, pengukuran panjang berdasarkan kedudukan antar titik SUSAN, perhitungan rata-rata 20 butirterpanjang, penentuan batas ukuran butir patah, dan menir sebesar 61%, dan 29%. Keberhasilan pengujian panjangbutir sebesar 94.22 % dari keseluruhan sampel. Sedangkan model pengujian tekstur butir meliputi ekstraksi citramenggunakan metode GLCM, pembagian data sampel 60% data training dan 40% data testing, pemecahan 15parameter ke dalam 11 cluster, penentuan sebanyak 5 kelas target output (premium baik, premium buruk, mediumbaik, medium buruk, and ekonomis) pada 11 basis aturan, dan menghasilkan ANFIS dengan 176 jaringan linear, dan330 jaringan nonlinear. Keberhasilan pengujian dalam mengenali tekstur bukan premium baik menghasilkan nilaisensitivitas, spesifisitas, dan akurasi secara berurutan sebesar 51,962 %, 40,151 %, dan 45,345 % pada data trainingserta 48,387 %, 38,376 %, dan 42,640 % pada data testing.Kata kunci: Beras, Citra, SUSAN, Backpropagation, Neurofuzzy]]>
