Hasil Pencarian  ::  Simpan CSV :: Kembali

"

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.

"

"ABSTRAKSekarang ini, tingkat kematangan buah pisang Musa sp diklasifikasikan secara manual berdasarkan warna kulitnya. Pada penelitian ini, akan diperkenakan sistem otomatis tingkat kematangan buah pisang menggunakan teknologi hyperspectral. Sistem perangkat keras yang digunakan terdiri dari satu set alat pengukuran, sumber cahaya halogen dan kamera hyperspectral yang terhubung ke PC melalui Camera Link. Perangkat lunak sistem terdiri dari pengukuran hasil reflektansi citra, ekstraksi ciri, dan algoritma klasifikasi. Citra reflektansi permukaan pisang dihitung berdasarkan citra yang didapat, white reference dan dark reference. Feature extraction ekstraksi ciri didapatkan menggunakan principal component analysis pada semua range panjang gelombang hyperspectral. Dengan demikian, tingkat kematangan diklasifikasikan menggunakan artificial neural network menjadi 3 kelas yaitu, mentah, matang dan sangat matang. Sampel yang digunakan ialah 15 pisang ambon Musa acuminate colla dan 15 pisang raja Musa textilla yang masing-masing berisi 5 sampel pada setiap tingkat kematangan. Hasil penelitian ini menunjukan bahwa sistem yang diusulkan dapat mengkalsifikasikan tingkat kematangan buah pisang cukup akurat.

---

ABSTRACTNowadays, the maturity of banana is classified manually based on the surface color of banana. In this study, an automatic system was introduce using hyperspectral technology system. The hardware of system consist of a set of measuring system, light source and hyperspectral camera that connect to PC via Camera Link. The software of system consists of reflectance image profile measurement, feature extraction and classification algorithm. The reflectance image profile of the banana surface was calculated based on current image, white and dark image reference. The feature sets were computed using a principal component analysis on full wavelength range of HIS spectra. Thus, the maturity stage of banana was classified artificial neural network into 3 classes i.e. immature, mature and very mature. The samples used were 15 sampel Musa acuminate collaa and 15 sampel Moses textilla which is consist 5 samples for each aturity stage.The results show that the proposed system can classify the banana maturity stage perfectly. "

"Penelitian ini dilakukan untuk menguji kelayakan penerapan teknik pencitraan hiperspektral di wilayah variabel 400-1000 nm untuk mengetahui kandungan formalin. Sistem pencitraan hiperspektral terdiri dari kamera hiperspektral, slider, motor slider, dua sumber lampu halogen dan komputer yang digunakan untuk proses akuisisi data dan pengolahan data. Citra hiperspektral merupakan sebuah hypercube yang berisi informasi spasial dan spektral. ROI digunakan untuk memilih area sampel yang homogen. Data ROI diekstraksi dengan merata-ratakan data spasialnya, sehingga hanya diperoleh data spektral. Metode principle component analysis PCA digunakan untuk mereduksi dimensi data data spektral dan memilih fitur yang akan digunakan sebagai masukan dalam klasifikasi. Linear discriminant analysis LDA digunakan sebagai model untuk mengklasifikasikan kelas yang berbeda, yaitu formalin dan nonformalin. Model PCA regresi digunakan untuk menguji akurasi nilai prediksi terhadap nilai pengujian laboratorium. Dari hasil percobaan pada pengamatan hari pertama, kedua dan ketiga menunjukkan keefektifan model LDA dalam memisahkan sampel tahu berformalin dan tahu tanpa formalin dengan akurasi diatas 86,81 , 93,06 , dan 100 . Serta dari hasi regresi linier pada pengamatan hari pertama, kedua dan ketiga diperoleh koefisien korelasi R2 sebesar 0,98, 0,99 dan 0,99 serta nilai RMSE sebesar 1,83, 1,40 dan 1,27. Hasil ini menunjukkan bahwa pencitraan hiperspektral merupakan pendekatan yang menjanjikan untuk memprediksi kandungan formalin yang dengan cepat dan akurat.

---

This study was carried out to examine the feasibility of applying hiperspektral imaging technique in the spectral region 400 1000 nm for classification formaldehyde tofu. The system hardware of hiperspektral imaging consists of hiperspektral camera with spectral region 400 1000 nm, workbench, motor slider, two halogen lamp source and personal computer used for the data acquisition process and data processing. Hyperspectral image is a hypercube that contains of spatial and spectral information. ROI is used to select a homogeneous sample area. ROI data is extracted by averaging its spatial data, so that only spectral data are obtained. The principle component analysis PCA method is used to reduce dimensions of the data and select the features to be used as input in the classification. The linear discriminant analysis LDA is used as a model to classify to distinct classes, that is formaldehyde tofu and without formaldehyde tofu. PCA Regression model is used to test the accuracy prediction values against the value of laboratory testing. Result from the experiment on the first, second and third day observations showed the effectiveness of the LDA model in separating the informal sample of formalin and tofu without formalin with an accuracy above 86.81 , 93.06 , and 100 . As well as from the results of linear regression on first, second and third observations obtained correlation coefficient R2 of 0.98, 0.99 and 0.99 and RMSE of 1.83, 1.40 and 1.27. These results suggest that hyperspectral imaging is a promising approach to predicting rapidly and accurately formaldehyde content."

"Negara Indonesia merupakan salah satu negara di dunia, khususnya di benua Asia yang menjadikan beras sebagai bahan pangan pokok. Hal tersebut membuat permintaan akan bahan pangan tersebut menjadi tinggi, dan membuat banyak orang menanam padi di berbagai wilayah di Indonesia. Namun hal tersebut tidak membuat semua beras hasil panen dari berbagai wilayah menjadi bernilai sama di pasaran. Sehingga beras-beras yang ada tersebut kemudian dibedakan berdasarkan wilayah tanamnya. Mengidentifikasi jenis beras membutuhkan analisis DNA yang menggunakan PCR yang tentunya menghabiskan banyak waktu. Penelitian ini dibuat dengan tujuan membuat suatu sistem identifikasi serta menganalisis pengaruh wilayah tanam terhadap harga beras yang beredar di pasaran. Memanfaatkan pencitraan hiperspektral serta melakukan pemodelan klasifikasi dalam lima jenis beras yang berasal dari wilayah tanam berbeda yaitu Bandung, Indramayu, Subang, Karawang, dan Palembang. Kemudian dua skema variasi pada pemodelan klasifikasi, yaitu PCA – SVM dan CNN. Membandingkan kedua skema tersebut didapatkan akurasi rata – rata untuk pemodelan klasifikasi PCA-SVM sebesar 86.45% dan 97% untuk pemodelan klasifikasi CNN.

---

Indonesia as one of nations in the world specifically in Asian continent that consumed rice as their main diet. The phenomena led rice as a high demanding food in the country and made many people in the country did paddy harvesting in many regions.   However, this did not make all the rice harvested from various regions had the same value in the market.  Then people differentiated rice from where it harvested. Identifying types of rice requires DNA analysis using PCR which is time consuming. This research was made with the aim of creating an identification system and analyzing the influence of the planting area on the price of rice on the market. Utilizing hyperspectral imaging and classification algorithm in five types of rice originating from different planting areas namely Bandung, Indramayu, Subang, Karawang, and Palembang. Then the two variation schemes in classification modeling, namely PCA - SVM and CNN. Along with comparing the two schemes of classification models, the average accuracy obtained for PCA-SVM classification model is 86.45% and 97% for CNN classification model."

"Citra berkabut disebabkan oleh partikel mikro di udara yang menyerap atau memantulkan gelombang elektromagnetik. Hasil citra yang didapat akan buram atau kehilangan informasi secara detail. Penelitian ini bertujuan untuk menganalisis pengaruh kabut terhadap citra hyperspectral termasuk wavelength dependence, perubahan hue, dan ekstraksi informasi warna. Selain itu, penelitian ini akan membandingkan hasil dehazing pada citra spektral berkabut dengan citra spektral yang ditransformasi menjadi citra RGB. Hasil penelitian menunjukkan bahwa pengaruh kabut pada citra spektral adalah wavelength dependent. Selanjutnya perubahan kabut hampir sama sekali tidak signifikan perubahan pada hue tetapi perubahan terlihat dengan jelas pada intensitas citra. Visualisasi warna citra hyperspectral perlu dilakukan koreksi terhadap jarak wavelength untuk menghasilkan citra RGB yang baik. Selain itu, hasil dehazing pada citra hyperspectral lalu divisualisasi warna dengan metode CLTR berhasil memulihkan warna pada citra dibandingkan dehazing terhadap citra RGB.

---

Hazy images are caused by microparticles in the air absorbing or reflecting electromagnetic waves. The resulting image will be blurry or lose detailed information. This study analyzes the effect of fog on the hyperspectral image, including wavelength-dependence, hue changes and color information extraction. This study will also compare the results of dehazing on a hazy hyperspectral image with a spectral image transformed into an RGB image. The results showed that the effect of fog on the spectral image is wavelength dependence. Furthermore, the change in fog is almost completely insignificant for the shift in hue. Still, the difference is clearly visible in the intensity of the image. Hyperspectral image color visualization needs to be corrected to the distance wavelength to produce an excellent RGB image. Besides, the results of dehazing on a hyperspectral image and then visualized by the CLTR method succeeded in restoring the color in the image compared to dehazing against an RGB image."

"ABSTRACTVisualisasi pertulangan daun telah banyak dilakukan menggunakan citra RGB dan metode pengolahan yang digunakan adalah pemrosesan morfologi. Hasil dari metode tersebut dapat menampilkan pola pertulangan daun atau venasi dengan baik, namun sangat terbatas pada resolusi kamera yang digunakan serta keterbatasan informasi spektral citra daunyan dihasilkan. Pada penelitian kali visualisasi venasi berhasil dilakukan dengan citra hyperspectral dengan panjang gelombang 400-1000nm. Sistem visualisasi pada penelitian kali ini menerima input citra hyperspectral dan menghasilkan output berupa citra venasi. Proses automasi mendapatkan citra venasi menggunakan model klasifikasi. Model klasifikasi dibuat berdasarkan infomasi panjang gelombang dari vena dan bagian helaian daun. Tujuan model klasifikasi ini adalah memprediksi bagian vena pada citra hyperspectral Algoritma klasifikasi yang digunakan pada penelitian ini adalah Support Vector Machine SVM , Multi Layer Perceptron Classifier MLPC , serta Decision Tree DT . Hasil akurasi dari model mencapai 97 pada model SVM, 95 pada model MLPC, dan 81 pada model DT. Model SVM dan MLPC selanjutnya digunakan untuk memprediksi citra hyperspectral untuk menghasilkan citra venasi daun bayam merah. Hasil akhir, berupa citra venasi menggunakan model SVM lebih baik karena mampu memvisualisasikan bagian vena primer dan vena sekunder dibandingkan citra venasi dengan model MLPC.

---

ABSTRACTVenation visualization broadly have been done by RGB images using morphological image processing. The result of that method can visualizing leaf venation properly, but it depends on camera resolution and limited spectral information. In this research, we developing venation visualization system using hyperspectral image on band 400 1000nm. Our system visualizing red amaranth leaf venation as a output and hyperspectral image for input. To automated identifying venation region, we built classification model to predict based on spectral information. Classification model take every hyperspectral image pixel to predict leaf vein. In this work, we made 3 classification model namely SVM Support Vector Machine , MLPC Multi Layer Perceptron Classifier , and DT Decision Tree . Our model trained by 5 fold cross validation. Average accuracy score for SVM model up to 97 , 95 for MLPC and 81 on DT. Regard this accuracy result, SVM and MLPC model used for constructed venation image and DT model fall on overfitting state. The final result, SVM perform better than MLPC by visualizing primary vein and secondary vein."

"Teknologi hyperspectral adalah pengembangan yang terbaru sistem remote sensing lebih canggih yang memungkinkan pengukuran radiasi dalam lebih banyak lagi interval spektral dibanding sistem-sistem sebelumnya. Kenyataan bahwa ruang berdimensi tinggi sebenarnya sebagian besarnya adalah kosong dan diasumsikan bahwa banyak sekali data yang redundant. Dengan demikian, walaupun dimensi data dari citra hiperspektral lebih besar, tetapi belum tentu menghasilkan klasiftkasi pengenalan pola yang lebih akurat.Untuk mengatasi maka perlu diadakan reduksi [ dimensi data dari citra hiperspektral.IPCT adalah metode reduksi data yang seringkali digunakan para peneliti dalam menganalisis data hyperspectral dengan basil cukup memuaskan. Untuk objek yang relatif kecil dibandingkan dengan latar belakangnya, PCT kerapkali gagal mengenali objek tersebut. Projection Pursuit dipropose untuk menyelesaikan permasalahan ini.PP menggunakan matriks sphering dan data translasi invariant dalam transformasinya, dimana hanya data-data yang dianggap "interesting" yang akan ditransformasikan. Optimasi pemilihan data tereduksi berdasarkan nilai maksimum projection indeks yang dihasilkan. Penelitian ini menggunakan skewness dan kurtosis sebagai Projection Indeksnya. Berdasarkan basil klasiftkasi untuk objek air, jalan, pohon, rumput, daD rumah, reduksi data dengan PP memberikan basil yang lebih baik dari PCT. Dalam penelitian ini nilai akurasi klasifikasi PP adalah diatas 80% sedangkan .akurasi klasifikasi PCT masih terdapat nilai dibawah 50%."

"ABSTRAK Penyakit kresek daun adalah penyakit yang disebabkan oleh bakteri Xanthomonas campestris pv. Oryzae. Penyakit kresek daun ini sering menyerang tanaman padi. Apabila terserang penyakit kresek daun, apalagi dalam usia tanam yang masih muda akan menyebabkan kematian. Kerugian akibat penyakit kresek daun dapat mencapai 60%. Monitoring untuk mengurangi dampak serangan penyakit kresek daun dilakukan dengan memetakan sebaran padi terdampak kresek daun di Kabupaten Karawang. Pemetaan dilakukan dengan teknologi penginderaan jauh dengan citra multispektral landsat menggunakan metode LSU (Linear Spectral Unmixing) dan pemetaan dengan data luas serangan yang diperoleh dari hasil pengamatan lapangan menggunakan hyperspectral. Pemetaan yang dilakukan adalah untuk melihat pola sebaran setiap bulan pada setiap kecamatan pada kurun waktu 10 tahun yaitu tahun 2005-2014. Analisa dan pemetaan faktor iklim yang merupakan faktor fisik seperti suhu udara, kelembaban udara dan curah hujan dilakukan untuk melihat seberapa besar pengaruh ketiga faktor fisik ini terhadap luas serangan penyakit kresek daun di Kabupaten Karawang.ABSTRACT Bacterial leaf blight was a disease caused by the bacterium Xanthomonas campestris pv. Oryzae. This disease often attacked the rice plant and could cause the death, especially at the young age. The loss due to this bacterial leaf blight could reach up to 60%. We made spatial distribution of bacterial leaf blight for monitoring and reducing its impacts to the rice plant in Kabupaten Karawang. Mapping processed by technology of remote sensing with landsat image multispectral data using Linear Spectral Unmixing (LSU) method also mapping the attacked area obtained from fields observation using hyperspectral, in having the pattern distribution every months on eachs sub-district during 2005-2014 (10 years). We investigated also the climate influence as the physical factors, such as temperature, humidity and rainfall to affect on these three parameters to the bacterial leaf blight disease in Kabupaten Karawang."

"ABSTRAKUmumnya kadar air buah dapat diukur dengan membandingkan reduksi massa benda dengan metode pengeringan oven. Dalam tulisan ini, sistem prediksi kadar air pisang diperkenalkan dengan teknik pencitraan VNIR Visible Light ndash; Near Infrared . Teknik pencitraan hiperspektral dengan menggunakan citra VNIR merupakan teknologi yang dapat diandalkan dalam pengujian kualitas buah secara non destruktif, cepat dan efisien. Sistem prediksi ini menggunakan PCA dan PLS sebagai model regresi untuk mendapatkan hasil kuantitatif nya. Hasil regresi yang didapatkan dari PCA untuk pisang raja berupa RMSE Root Mean Square Error sebesar 0.65 dan R2 Coerrelation Coefficient sebesar 0.71. Sedangkan hasil dari PLS yaitu RMSE sebesar 0.54 dan R2 sebesar 0.82. Hasil regresi dari PLS relatif lebih baik daripada PCA dan lebih akurat. Untuk mengetahui klasifikasi tingkat kematangannya, sistem prediksi kadar air pisang ini menggunakan SVM.

---

ABSTRACTCommonly, the fruit moisture content could be measured by comparing the mass decrement of object through oven drying method. In this paper, a bananas moisture content prediction system was introduced using Visible Light ndash NIR imaging technique. Hyperspectral imaging technique using VNIR image is a reliable technology in fruit quality testing non destructive, fast and efficien. The prediction system uses PCA and PLS as a regression model to get its quantitative results. Regression results obtained from PCA for Raja bananas in the form of RMSE Root Mean Square Error of 0.65 and R2 Correlation Coefficient of 0.71. While the results of the PLS RMSE of 0.54 and R2 of 0.82. Regression results from PLS are relatively better than PCA and more accurate. To determine the classification of the level of maturity, the moisture content of bananas prediction system uses SVM Support Vector Machine."