"
Klorofil merupakan sekelompok pigmen amfifilik berwarna hijau yang memainkan peran
penting dalam proses fotosintesis. Ekstraksi dari klorofil secara tradisional kebanyakan akan
melibatkan teknik yang destruktif dan dapat mendegradasi molekul klorofil sehingga akan
mengurangi properti dari fungsionalitas senyawa. Dengan kemajuan teknologi, teknik untuk
ekstraksi klorofil dapat dilakukan dengan metode non-destruktif. Penelitian ini
memanfaatkan perkembangan teknologi tersebut dengan mencoba untuk
mengaplikasikannya untuk memprediksi kandungan klorofil berdasarkan varietas daun
menggunakan citra multispectral pada model ML dengan arsitektur CNN (Convolutional
Neural Network). Penelitian ini dilakukan dengan mencari sampel dari varietas daun untuk
mendapatkan populasi data, sampel-sampel tersebut akan diambil citranya dan diproses
sehingga tercipta suatu dataset yang dapat digunakan. Dataset-dataset ini selanjutnya akan
diberi beberapa perlakuan berbeda dan akan dicabangkan dengan augmentasi yang akan
menjadi varian dataset. Model dari arsitektur CNN yang digunakan berupa AlexNet dan
ResNet-18 yang dilatih untuk mendapatkan model regresi. Analisa dari hasil akan dilakukan
dengan mencari hasil akhir metrik R2 dan RMSE yang akan dibandingkan untuk uji
performa pada tiap dataset dengan model yang digunakan. Berdasarkan model yang telah
dilatih, dataset dengan performa terbaik berupa dataset 6 Channel dengan nilai pada model
AlexNet dengan parameter RMSE sebesar 8.02 pada label latih dan 8.76 pada label validasi,
dengan nilai R2 sebesar 0.84 pada label latih dan 0.79 pada label validasi. Sedangkan pada
model ResNet, dataset 6 Channel masih memiliki nilai performa terbaik pada kedua metrik
parameter. Namun, pada model ResNet, seluruh dataset mengalami penurunan performa
yang jauh dibanding model AlexNet, hal ini dapat disebabkan oleh sampel dataset yang
diambil maupun perlakuan dari dataset yang digunakan pada model ini.
Chlorophyll is a group of green amphiphilic pigments that play an important role in theprocess of photosynthesis. Extraction of chlorophyll traditionally mostly involves
destructive techniques and can degrade the chlorophyll molecules, thereby reducing the
functional properties of the compounds. With the advancement of technology, techniques
for chlorophyll extraction can be done with non-destructive methods. This research utilizes
these technological developments by trying to apply them to predict chlorophyll content
based on leaf varieties using multispectral images in the ML model with CNN
(Convolutional Neural Network) architecture. This research is carried out by finding
samples of leaf varieties to obtain population data, these samples will be taken and processed
to create a dataset that can be used. These datasets will then be given several different
treatments and will be branched out with augmentation which will become variant datasets.
The models of the CNN architecture used in the form of AlexNet and ResNet-18 are trained
to obtain a regression model. Analysis of the results will be done by finding the final results
of the R2 and RMSE metrics which will be compared for performance testing on each dataset
with the model used. Based on the models that have been trained, the dataset with the best
performance is the 6 Channel dataset with a value on the AlexNet model with RMSE
parameters of 8.02 on the training label and 8.76 on the validation label, with an R2 value
of 0.84 on the training label and 0.79 on the validation label. While in the ResNet model,
the 6 Channel dataset still has the best performance value on both parameter metrics.
However, in the ResNet model, all datasets experience a significant decrease in performance
compared to the AlexNet model, this can be caused by the dataset samples taken or the
treatment of the datasets used in this model.
"
Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2024
