Hasil Pencarian  ::  Simpan CSV :: Kembali

"Kopi telah menjadi komoditas ekspor non migas yang memberikan kontribusi terhadap devisa negara dalam jumlah yang tidak sedikit. Nilai ekspor kopi sendiri pada kancah internasional bergantung kepada 2 faktor utama, yaitu jenis atau varietas biji kopi dan tingkat kelayakan atau kualitas dari biji kopi. Upaya untuk mengklasifikasikan kedua faktor tersebut masih cenderung dilakukan secara manual oleh para petani kopi. Atas pertimbangan inilah, penulis hendak menggunakan metode lain, yakni penggunaan model CNN (Convolutional Neural Network) dengan basis masukan berupa citra normal (spektrum RGB) dan citra multispektral (spektrum OCN). Selain itu, penulis juga hendak membandingkan performa dari 2 arsitektur model CNN yang berbeda, yakni ResNet18 terhadap SqueezeNet. Input dari kedua arsitektur ini berupa kombinasi dari citra normal, citra multispektral, atau citra yang telah diregistrasikan (1 citra dengan 6 channel berbeda). Hasil akurasi tertinggi dicapai oleh arsitektur ResNet18 dengan input citra normal (RGB) yang memberikan akurasi sebesar 89% untuk klasifikasi varietas biji kopi hijau, serta 97% untuk klasifikasi tingkatan kualitas biji kopi. Meski demikian, arsitektur ini mampu untuk melakukan klasifikasi multi-output secara bersamaan walaupun terdapat sedikit pengurangan pada tingkat akurasi yang didapatkan.

---

Coffee has become one of the non-oil and gas export commodity, providing numerous amount of Indonesia’s foreign income. Within the international market, the export value of coffee beans rely on 2 aspects, its variety and its quality. The attempts to classify coffee beans are done manually by the farmers. Therefore, the writer attempts to design a new method, using convolutional neural networks with normal (RGB spectrum image) and multispectral images (OCN spectrum image) as its inputs. The writer also wishes to analyze and compare 2 different CNN architectures performance in this case; ResNet18 towards SqueezeNet. Considering the combination of the inputs; normal images, multispectral images, or the registered images (images with 6 different channels). The highest accuracy acquired from the ResNet18 CNN model architecture using normal images (RGB) is as following: 86% for green coffee beans varieties classification, and 96% for green coffee beans. These architectures are also capable of performing multi-class output classification despite the trade-off in accuracy gained."

"Indonesia memproduksi lebih dari 700 ribu ton biji kopi, menjadikannya negara keempat terbesar penghasil kopi di dunia. Di dalam biji kopi sendiri, terkandung berbagai zat kimia yang bermanfaat bagi kesehatan seperti kafein, chlorogenic  acid (CA), dan trigonelline. Kadar masing-masing zat kimia ini bergantung pada varietas biji kopi serta tingkat penyangraiannya. Sebuah metode terbaru untuk meninjau sifat dari suatu biji kopi secara efisien dan non-destruktif adalah menggunakan Convolutional Neural Network (CNN), yaitu metode pembelajaran mesin (Machine learning) yang meninjau citra dari target yang diberikan. Jenis citra yang diberikan pada suatu model CNN dapat berupa citra multispektral yang terdiri dari banyak panjang gelombang. Citra semacam ini memiliki lebih banyak informasi karena jumlah pita gelombang yang lebih banyak, serta terdapat panjang gelombang yang tidak kasat mata. Penelitian ini bertujuan untuk merancang dan membangun sistem klasifikasi varietas dan tingkat penyangraian biji kopi berbasis citra multispektral dengan menggunakan pemodelan Convolutional Neural Network dengan input citra multispektral dan output majemuk. Citra multispektral yang dipakai menggunakan terdiri atas citra RGB (Red, Green, Blue), dan OCN (Orange, Cyan, NIR). Hasil akurasi pengujian tertinggi dicapai menggunakan arsitektur SqueezeNet, input citra RGB sajam dengan akurasi 95,49% untuk klasifikasi varietas, dan 99,02% untuk tingkat penyangraian. Melalui penelitian ini, perancangan sistem multi output berbasis citra multispektral mampu mengklasifikasikan tingkat penyangraian dan varietas secara bersamaan.

---

Indonesia produces more than 700 thousand tons of coffee beans, making it the fourth largest coffee producing country in the world. Coffee beans themselves contain various chemicals that are beneficial for health, such as caffeine, chlorogenic acid (CA), and trigonelline. The levels of each of these chemicals depend on the coffee bean variety and the level of roasting. A new method for reviewing the properties of a coffee bean efficiently and non-destructively is using a Convolutional Neural Network (CNN), which is a machine learning method that reviews the image of a given target. The type of image given to a CNN model can be a multispectral image consisting of many wavelengths. This kind of image has more information because there are more wave bands, and there are wavelengths that are not visible to the eye. This research aims to design and build a classification system of varieties and roasting levels of multispectral image-based coffee beans using Convolutional Neural Network modeling with multispectral image input and compound output. The multispectral images used consist of RGB (Red, Green, Blue), and OCN (Orange, Cyan, NIR) images. The highest test accuracy results were achieved using SqueezeNet architecture, input RGB sharp image with 95.49% accuracy for variety classification, and 99.02% for roasting rate. Through this research, the design of a multispectral image-based multi-output system is able to classify roasting level and variety simultaneously."

"Identifikasi jenis material atap bangunan sangat dilakukan untuk bermacam pemanfaatan dari pemodelan cuaca mikro hingga analisis resiko bencana. Penelitian identifikasi jenis material atap bangunan telah dilakukan dengan menggunakan data hiperspektral, data lapangan, laboratorium serta data satelit penginderaan jauh masih memerlukan peningkatan akurasi. Penelitian ini bertujuan untuk mengembangkan metode spektroskopi reflektansi menggunakan kombinasi kanal spektral pada fusi data satelit penginderaan jauh resolusi resolusi spasial sangat tinggi (50 cm) dengan menerapkan koreksi spekular, masking vegetasi serta machine learning Random Forest untuk meningkatkan akurasi identifikasi jenis material atap bangunan. Metode yang dikembangkan menghasilkan akurasi untuk material aluminium, asbes, keramik, beton, genteng pasir besi dengan akurasi total 97.48% dengan nilai Kappa 0,958. Fusi data Pleiades dan Landsat-8 dilakukan untuk memperoleh data SWIR dengan panjang gelombang 2107–2294 nm dan resolusi spasial 50 cm untuk analisis spektral, sehingga identifikasi jenis material atap bangunan asbes dapat diidentifikasi dengan akurasi 95%. Koreksi spekular dan masking vegetasi meningkatkan akurasi identifikasi jenis material atap bangunan 8-12% sebagai perbaikan koreksi radiometrik dalam pengolahan data resolusi sangat tinggi.

---

Identification of the type of building roof material is widely used for various application from micro weather modeling to disaster risk analysis. Research on the identification of the type of building roof material has been carried out using hyperspectral data, field data, laboratories and remote sensing satellite data still requires increased accuracy. This study aims to develop method spectroscopy reflectance using a spectral channel combination on remote sensing satellite data fusion with very high spatial resolution (50 cm) by applying specular correction, vegetation masking and Random Forest machine learning to improve the accuracy of identifying the type of building roof material. The developed method produces accuracy for aluminum, asbestos, ceramic, concrete, iron sand tiles with a total accuracy of 97.48% with a Kappa value of 0.958. Pleiades and Landsat-8 data fusion was carried out to obtain SWIR data with a wavelength of 2107–2294 nm and a spatial resolution of 50 cm for spectral analysis, so that the identification of the type of asbestos roof material can be identified with an accuracy of 95%. Specular correction and vegetation masking increase the accuracy of identifying the type of building roof material by 8-12% as an improvement in radiometric correction in very high spatial resolution (50 cm) data processing."

"Glaukoma adalah salah satu penyebab kebutaan terbanyak kedua di dunia yang disebabkan oleh tekanan yang meninggi pada bola mata. Dalam proses mendiagnosa glaukoma, dibutuhkan waktu yang lama dikarenakan tidak ada perubahan secara signifikan pada citra fundus. Pada penelitian ini, penulis menggunakan Convolutional Neural Network (CNN) untuk mengekstraksi fitur dan metode klasifikasi Deep Belief Network (DBN) dalam mengklasifikasi glaukoma pada data citra fundus. Hasil pada model CNN-DBN dibandingkan dengan metode ekstraksi fitur CNN dan klasifikasi Support Vector Machine (SVM) yang dinamakan model CNN-SVM. Arsitektur CNN yang digunakan pada penelitian ini adalah ResNet-50. Dataset yang digunakan dalam penelitian ini diperoleh dari 2 online database, yaitu cvblab dan kroy1809. Pada proses ekstraksi fitur, model dilatih dari fully connected layer pada ResNet-50. Kemudian, vektor fitur dari fully connected layer diklasifikasi menggunakan metode klasifikasi DBN dan SVM. Berdasarkan hasil simulasi, CNN-DBN memiliki hasil akurasi, precision, dan recall terbaik dibandingkan dengan metode CNN-SVM dan CNN dengan akurasi 96.46%, precision 95.86%, dan recall 98.05% pada pembagian dataset training dan testing 70:30.

---

Glaucoma is the second most common factor of blindness in the world caused by the increasing pressure on the eyeball. It takes a long time to diagnose glaucoma due no significant change in the fundus image. In this study, the author used the Convolutional Neural Network (CNN) to extract the features and the Deep Belief Network (DBN) classification method to classify glaucoma in fundus images. The results on the CNN-DBN model will be compared with to the CNN feature extaction method and the Support Vector Machine (SVM) classification method, named the CNN-SVM model. The CNN architecture used in this study is ResNet-50. The dataset used in this study are from 2 online database, cvblab and kroy1809. In the feature extraction process, the model is trained using the CNN method with the ResNet-50 architecture. Afterward, the feature vectors of the fully connected layer are classified using the DBN and SVM classification methods. Based on the simulation results, CNN-DBN has the best results than CNN-SVM and CNN method with the accuracy of 90%, precision of 95%, and recall of 92% with splitting data training and testing of 70:30."

"

Adulterasi beras adalah tindakan pencampuran beras kualitas tinggi dengan kualitas rendah dengan tujuan keuntungan ekonomi. Pada penelitian ini membuat sistem identifikasi adulterasi beras yang memiliki penyusun utama adalah Pandan Wangi dengan beras pencampurnya antara lain adalah IR64 Premium, IR64 Medium 1, IR64 Medium 2, IR64 Medium 3, dan Beras Kualitas Rendah. Pada pembuatan sistem identifikasi menggunakan citra hiperspektral dengan model klasifikasi support vector machine dan convolutional neural network. Model klasifikasi support vector machine dikombinasikan dengan principal component analysis sedangkan pada model klasifikasi convolutional neural network terdiri atas dua arsitektur yaitu autoencoder dan proposed convolutional neural network. Model yang digunakan adalah proposed convolutional neural network yang memiliki hasil paling tinggi diantara yang lainnya dengan hasil akurasi klasifikasi pada beras adulterasi Pandan Wangi dan IR64 Premium sebesar 90%, beras adulterasi Pandan Wangi dan IR64 Medium 1 sebesar 93%, beras adulterasi Pandan Wangi dan IR64 Medium 2 sebesar 97%, beras adulterasi Pandan Wangi dan IR64 Medium 3 sebesar 97%, dan beras adulterasi Pandan Wangi dan Beras Kualitas Rendah sebesar 100%. Dari hasil akurasi klasifikasi tersebut dapat disimpulkan bahwa sistem identifikasi beras adulterasi Pandan Wangi bekerja dengan optimal.

---

Rice adulteration is an act to mix high quality of rice with low quality rice for beneficial economic purposes. In this study, the rice adulteration testing system which has the main constituent is Pandan Wangi with its mixing rice, among others, IR64 Premium, IR64 Medium 1, IR64 Medium 2, IR64 Medium 3, and Low Quality Rice. In making the assessment system using hyperspectral images with classification models support vector machines and convolutional neural networks. The classification model supports vector machines combined with principal component analysis whereas the convolutional neural network classification model consists of two architectures, namely autoencoder and a proposed convolutional neural network. The model used is the proposed convolutional neural network which has the highest results related to the assessment results on Pandan Wangi and IR64 Premium adulteration at 90%, Pandan Wangi and IR64 Medium 1 adulteration at 93%, Pandan Wangi and IR64 Medium 2 at 97%, Pandan Wangi and IR64 Medium 3 at 97%,  Pandan Wangi and Rice Quality low-rice adulteration by 100%. From the results of verification of this classification it can be concluded that the Pandan Wangi adulteration rice system worked optimally.

"

"Pisang (Musa sp.) merupakan salah satu buah dengan keberagaman yang banyak di Indonesia. Terdapat sekitar 6 sampai 9 subspesies atau varietas pisang Musa acuminata. Pemodelan multi-varieties untuk pengukuran kadar gula total pada suatu buah bertujuan untuk memudahkan proses perhitungan untuk satu kelompok varietas sehingga hanya didapatkan satu model saja yang disebut universal model. Dalam penelitian ini, penulis mencoba membuat universal model untuk pengukuran kadar gula total pada 3 varietas pisang Musa acuminata menggunakan citra hiperspektral berbasis Visible-Near Infrared (VNIR). Universal model utama yang akan digunakan berbasis Convolution Neural Network (CNN). Convolution Neural Networks (CNN) merupakan kumpulan suatu layer (neural) 3 dimensi yang membentuk suatu jaringan (network) yang berfungsi untuk pengolahan data berdimensi tiga melalui proses konvolusi. 3 komponen utama dalam perancangan perangkat keras untuk akuisisi data citra hyperspectral, di antaranya kamera hiperspektral, lampu halogen, dan slider. Pada penelitian ini digunakan 3 jenis buah pisang berbeda, yaitu pisang ambon kuning, pisang cavendish, dan pisang mas. Model universal atau model untuk memprediksi kadar gula total pada pisang cavendish, pisang mas, dan pisang ambon pada penelitian ini didapatkan parameter regresi sebesar 1,1285 untuk RMSEP; 0,2338 untuk RMSEC; 0,8747 untuk RP2; dan 0,9946 untuk RC2. Implementasi deep learning CNN sebagai regresi untuk sistem pengukuran kadar gula total pada varietas pisang Musa acuminata dapat digunakan pada penelitian ini karena didapatkan nilai parameter regresi yang hampir sama dengan parameter hasil regresi pada algoritma PLSR.

---

Banana (Musa sp.) is one of the most diverse fruits in Indonesia. There are about 6 to 9 subspecies or varieties of Musa acuminata banana. Multi-varieties modeling for measuring the total sugar content in a fruit aims to facilitate the calculation process for one varieties group so that only one model is obtained which is called the universal model. In this study, the authors tried to obtain a universal model for measuring total sugar content in 3 Banana Varieties Musa acuminata using hyperspectral imaging based on Visible-Near Infrared (VNIR). The main universal model to be used is based on Convolution Neural Network (CNN). Convolution Neural Networks (CNN) is a set of 3-dimensional (neural) layers that form a network that used for three-dimensional data processing through a convolutional. 3 main hardware components used for hyperspectral image data acquisition, including a hyperspectral camera, halogen lights, and sliders. In this study, three different types of banana were used, there is yellow ambon banana, cavendish banana, and mas banana. Universal model or a model to predict total sugar content in cavendish banana, cas banana, and ambon banana in this study obtained a regression parameter of 1.1285 for RMSEP; 0.2338 for RMSEC; 0.8747 for RP2; and 0,9946 for RC2. The implementation of deep learning CNN as a regression for the total sugar content measurement system in Musa acuminata banana variety can be used in this study due to the regression parameter values are almost the same as the regression parameters in the PLSR algorithm"

"Proses menyangrai kopi untuk memperoleh mutu produk biji kopi yang konsisten dan sesuai dengan preferensi pasar terbilang cukup kompleks dan membutuhkan keahlian operator yang memiliki pengalaman bertahun-tahun. Penelitian ini bertujuan untuk menghadirkan pemodelan perhitungan kompleksitas sistem manufaktur proses sangrai kopi sebagai salah satu jenis alat ukur sebuah proses untuk menilai proses yang ada serta mengestimasi biaya awal di tahapan desain sebelum meningkat pada proses otomatisasi proses sangrai. Peneliti mengadaptasi dan mengembangkan pemodelan perhitungan kompleksitas yang diusung oleh W. H. El-Maraghy ke dalam ruang lingkup sangrai kopi, khususnya biji kopi Arabika Gayo dan Robusta Bengkulu. Proses sangrai pada penelitian ini dilakukan dengan temperatur pre-heating 160 derajat Celcius dan waktu penyangraian selama 16 menit. Berdasarkan penelitian ini didapatkan hasil, bahwa aspek penting yang paling mempengaruhi kompleksitas sangrai biji kopi berdasarkan tingkatan sangrai adalah warna sangrai, massa, dan dimensi yang dihasilkan dari profil sangrai biji kopi. Selain itu, variasi RPM akan memengaruhi temperatur turning point dan titik akhir temperatur biji. Indeks kompleksitas tertinggi didapatkan pada biji kopi Robusta Bengkulu dengan RPM 90 dan memiliki tingkatan sangrai dark, yaitu sebesar 8,29.

---

The process of roasting coffee to obtain consistent coffee bean product quality and in accordance with market preferences is quite complex and requires the expertise of operators who have years of experience. This study aims to present a model for calculating the complexity of the coffee roasting process manufacturing system as a type of measurement tool for a process to assess the existing process and estimate the initial costs at the design stage before increasing in the process of automation of the roasting process. The researcher adapted and developed the complexity calculation model proposed by W. H. El-Maraghy ​​ to the scope of coffee roasting, especially Gayo Arabica and Bengkulu Robusta coffee beans. Based on this research, the results show that the most important aspects that influence the complexity of roasting coffee beans based on roast level are roast color, mass, and dimensions resulting from the roast profile of coffee beans. In addition, variations in RPM will affect the temperature of the turning point and end point temperature of the beans. The highest complexity index was found in Bengkulu Robusta coffee beans with an RPM of 90 and a dark roast level of 8.29."

"Proses menyangrai kopi untuk memperoleh mutu produk biji kopi yang konsisten dan sesuai dengan preferensi pasar terbilang cukup kompleks dan membutuhkan keahlian operator yang memiliki pengalaman bertahun-tahun. Penelitian ini bertujuan untuk menghadirkan pemodelan perhitungan kompleksitas sistem manufaktur proses sangrai kopi sebagai salah satu jenis alat ukur sebuah proses untuk menilai proses yang ada. Pemodelan ini nantinya berfungsi untuk mengestimasi biaya awal di tahapan desain sebelum meningkat pada otomatisasi proses sangrai. Peneliti mengadaptasi dan mengembangkan pemodelan perhitungan kompleksitas yang diusung oleh W. H. El Maraghy ke dalam ruang lingkup sangrai kopi, khususnya biji kopi Arabika Gayo dan Robusta Temanggung. Proses sangrai pada penelitian ini dilakukan dengan temperatur pre-heating 160°C dan waktu penyangraian selama 16 menit. Berdasarkan penelitian ini didapatkan hasil, bahwa aspek penting yang paling mempengaruhi kompleksitas sangrai biji kopi berdasarkan tingkatan sangrai adalah warna sangrai, massa, dan dimensi yang dihasilkan dari profil sangrai biji kopi. Selain itu, variasi RPM akan memengaruhi temperatur turning point dan titik akhir temperatur biji. Indeks kompleksitas tertinggi didapatkan pada biji kopi Robusta Temanggung dengan RPM 90 dan memiliki tingkatan sangrai dark, yaitu sebesar 9,96.

---

The process of roasting coffee to obtain consistent coffee bean product quality under-market preferences is quite complex and requires the expertise of operators. This study aims to present a model for calculating the complexity of the coffee roasting process as a measurement tool to assess existing processes. This modeling will later function to estimate the initial costs at the design stage before moving on to the automation of the roasting process. The researcher adapted and developed the complexity calculation model carried out by W. H. El Maraghy to the scope of coffee roasting, especially Arabica Gayo and Robusta Temanggung coffee beans. The roasting process in this study was carried out with a pre-heating temperature of 160°C and a roasting time of 16 minutes. Based on this research, the results show that the most important aspects that influence the complexity of roasting coffee beans are roast color, mass, and dimensions resulting from the roasted coffee bean profile. In addition, variations in RPM will affect the temperature of the turning point and end point temperature of the beans. The highest complexity index was found in Temanggung Robusta coffee beans with an RPM of 90 and a dark roast level of 9.96."

"Dalam menentukan spesifikasi ruang untuk menciptakan kafe dengan kualitas akustik yang baik, tentu membutuhkan penyelesaian akustik yang berbeda dengan ruangan lainnya, karena memiliki program dan fungsi ruang yang cukup beragam. Ruangan pada kafe yang didatangi berbagai pengunjung., cukup sering menciptakan permasalahan akustik tertentu, karena adanya perbedaan yang cukup signifikan dalam penggunaan ruangnya. Skripsi ini merupakan evaluasi akustik, pada bangunan komunal kafe, yang menggunakan Bermuda Coffee and Eatery sebagai objek studi kasusnya. Evaluasi yang dilakukan berada pada beberapa fase, yang diantaranya adalah pengunjung < 50 %, pengunjung > 70 %, dan pengunjung > 70 % ditambah hujan. Evaluasi akustik dilakukan berdasarkan teori akustik ruang dalam, serta tinjauan lapangan yang berupa perhitungan intensitas bunyi dan Reverberation Time. Hasil evaluasi memperlihatkan bahwa RT objek studi kasus sudah cukup tepat dengan fungsinya, namun geometri dan material yang berada pada bidang di dalam kafe, menciptakan intensitas bunyi yang cukup tinggi pada kafe. Dengan hal ini, objek studi kasus dinilai untuk dapat diperbaiki, untuk memfasilitasi ruang yang lebih rendah bising.

---

In determining the space specifications to create a cafe with good acoustic qualities, there is a need to require acoustic solutions that differ from other rooms, due to its various programs and functions. Cafe spaces which are visited by various visitors, quite often creates certain acoustic problems, due to the significant difference in space usage. This paper is an acoustic evaluation towards a communal cafe that uses Bermuda Coffee and Eatery as the object of the study case. The evaluation is carried out through several phases, which includes visitors <50%, visitors >70%, and visitors >70% with rainfall. The acoustic evaluation is carried out based on the acoustic theory of indoor space, as well as field reviews that includes sound intensity calculations and Reverberation Time. Evaluation results show that the RT of the case study is quite appropriate based on its function, but the geometry and materials in the area inside the cafe create a fairly high sound intensity. With this, the case study is concluded to be repairable in order to facilitate a lower noise level for the space."

"Citra hiperspektral memiliki informasi dalam rentang spektrum yang luas melebihi rentang spektrum yang ada pada citra RGB sebagai citra yang umum digunakan sehari-hari saat ini. Informasi tersebut dapat dimanfaatkan dalam berbagai macam bidang; salah satunya adalah pengukuran kadar tertentu dalam suatu objek. Namun, kamera hiperspektral sebagai alat akuisisi citra memiliki kekurangan yaitu harganya yang mahal, tidak mudah dioperasikan, ukuran hasil citra yang besar, serta memerlukan teknik dan perangkat khusus saat mengakuisisi citra. Hal tersebut berbeda dengan kamera RGB yang memiliki harga yang jauh lebih murah, hasil citra berukuran kecil, serta mudah dioperasikan. Penelitian ini melakukan implementasi sistem rekonstruksi citra hiperspektral dari citra RGB berbasis convolutional neural network ResNet pada sistem prediksi kadar fenolik daun bisbul. Terdapat proses rekonstruksi citra hiperspektral dengan target jumlah bands sebanyak 224 pada rentang panjang gelombang 400 sampai 1000 nm. Penelitian ini menggunakan algoritma model ResNet untuk model rekonstruksi citra, serta algoritma model XGBoost untuk model prediksi kadar. Performa model yang dihasilkan dalam penelitian ini adalah RMSE sebesar 0,1129 dan MRAE sebesar 0,3187 untuk model rekonstruksi citra, serta RMSE sebesar 0,5798 dan MRAE sebesar 0,1431 untuk model prediksi kadar. Citra hiperspektral hasil rekonstruksi mampu menghasilkan pola spectral signature yang serupa dengan citra hiperspektral asli.

---

Hyperspectral images have much information within their large spectrum area; larger than RGB images which are used daily nowadays. The information can be used in many applications; one of them is content measurement of an object. However, hyperspectral cameras as an image acquisition instrument have disadvantages, such as high cost, not easy to operate, large image results, and require additional equipment in its image acquisition. This is different from RGB cameras which have cheaper price, smaller in image size, and easier to operate. This study implemented a hyperspectral image reconstruction system from RGB images based on the ResNet convolutional neural network on the velvet apple leaf’s phenolic content prediction system. This study reconstructs hyperspectral images with a total target of 224 bands in the wavelength range of 400 to 1000 nm. This study uses the ResNet model algorithm for the image reconstruction model, and the XGBoost model algorithm for the content prediction. The performance of the model produced in this study is RMSE of 0.1129 and MRAE of 0.3187 for the image reconstruction model, as well as RMSE of 0.5798 and MRAE of 0.1431 for the content prediction model. The reconstructed hyperspectral image can produce the same spectral signature pattern as the original hyperspectral image."