Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
ABSTRACT
Sistem prediksi berbasis citra VNIR telah teruji kemampuannya untuk memprediksi parameter tertentu pada objek, terlebih pada parameter yang sulit diamati secara visual oleh manusia. Kemampuan tersebut tidak lepas dari jumlah fitur yang besar >100 fitur . Namun, jumlah tersebut memberikan beban komputasi yang lebih. Beban yang diperoleh terkadang tidak sepadan dengan performa akhir dari sistem. Diperlukan pemilihan atas fitur-fitur yang digunakan pada sistem. Studi ini membahas pemanfaatan seleksi fitur pada kasus pengukuran kadar karotenoid daun bayam Amaranthus tricolor L. Pengukuran kadar karotenoid dilakukan dengan metode Sims-Gamon. Citra daun bayam diakuisisi pada panjang gelombang 400-1000nm. Citra melalui proses koreksi, segmentasi, dan ekstraksi sebelum digunakan sebagi input. Sistem prediksi memiliki performa dasar PLSR sebesar 0,584 pada R2 , 0,0169 pada RMSE, dan 1,94 pada RPD untuk daun bayam hijau, serta 0,815 pada R2 , 0,013 pada RMSE, dan 2,44 pada RPD untuk daun bayam merah. Penggunaan Algoritma Genetika berhasil memilih 89 dan 86 fitur untuk daun bayam hijau dan merah. Performa sistem setelah seleksi fitur menjadi 0,878 pada R2 , 0,01 pada RMSE, dan 3,05 pada RPD untuk daun bayam hijau, serta 0,962 pada R2 , 0,00596 pada RMSE, dan 5,44 pada RPD untuk daun bayam merah.

---

ABSTRACT
Prediction system based on VNIR image had been tested at various prediction cases, especially at case which is hard to do inspection by human eyesight. This ability is due to lots of available features 100 features . Unfortunately, that features also give a burden to computational load. However, that load is not always worth the prediction system performance. Number of features to be used is needed to be reduce to a lesser number. In this study, feature selection is used to reduce number of features for predicting carotenoid content at Amaranthus tricolor L. Determination of carotenoid content is done by using Sims Gamon method. Image of amaranth leaf acquire at 400 1000nm. Image of amaranth leaf then processed through correction, segmentation, and extraction before being used as input. Base performance by using PLSR at green amaranth are 0.584 for R2, 0.0169 for RMSE, and 1.94 for RPD. Base performance for red amaranth are 0.815 for R2 , 0.013 for RMSE, and 2.44 for RPD. Genetic Algorithm selected 89 and 86 features for green and red amaranth. After feature selection, performance for green amaranth are 0.878 for R2 , 0.01 for RMSE, and 3.05 for RPD. Performance for red amaranth are 0.962 for R2 , 0.00596 for RMSE, and 5.44 for RPD.

Abstrak :
ABSTRAK
Pada saat ini, buah-buahan dilapiskan lilin untuk mempertahankan kualitas dan memperpanjang usia simpan buah. Pengukuran kualitas buah yang dilapiskan lilin umumnya bersifat destruktif. Pengukuran kualitas buah berlapis lilin menggunakan citra VNIR belum pernah dilakukan, sehingga diperlukan pengkajian lebih lanjut mengenai pengaruh lapisan lilin pada pengukuran kualitas buah berbasis citra VNIR. Dalam penelitian ini, lilin lebah digunakan untuk melapiskan apel malang. Partial Least Square Regression (PLSR) dan Regression Tree (RT) digunakan sebagai algoritma seleksi fitur dan model regresi. Dalam penelitian ini, pemodelan dibentuk menggunakan apel tidak berlapis lilin, apel berlapis lilin, gabungan antara apel tidak berlapis lilin dan apel berlapis lilin. Selanjutnya, dilakukan pengujian apel malang berlapiskan lilin terhadap model prediksi kekerasan apel malang tidak berlapiskan lilin. Sistem prediksi kekerasan memiliki performa terbaik jika menggunakan data pelatihan dan data pengujian berupa apel tidak berlapis lilin saja. Hasil dari model PLSR dan RT menggunakan apel tidak berlapis lilin sebesar 0,97 dan 0,88 pada R2; 3,22 dan 6,65 pada RMSE. Berdasarkan hasil tersebut, lapisan lilin pada permukaan buah dapat memengaruhi hasil pengukuran berbasis citra VNIR.

---

ABSTRACT
These days, wax coating was applied on fruits to maintain its quality and extends the shelf life. The quality measurement of the waxed fruit was destructive in most cases. The quality measurement of the waxed fruit with VNIR image had never been done before, so further study about the effect of wax coating for VNIR image-based fruit quality measurement was needed. In this study, beeswax is used to coated Malang apples. Partial Least Square Regression (PLSR) and Regression Tree (RT) used as feature selection and regression model algorithm.  In this study, a regression model was built using non-waxed Malang apples, waxed Malang apples, a combination of non-waxed Malang apples and waxed Malang apples. Next, the waxed Malang apples was tested to the firmness prediction model of the non-waxed Malang apples. Firmness prediction system of Malang apples obtained the best performance if using training data and test data of non-waxed Malang apples. The results of PLSR and RT model using non-waxed Malang apples were 0.97 and 0.88 for R2, 3.22 and 6.55 for RMSE. Based on these results, wax coating on the surface of the fruit could disrupt the measurement results of VNIR image.

Abstrak :
Sistem prediksi kadar flavonoid pada daun Bisbul (Diospyros discolor Willd.)  berbasis citra VNIR sudah terbukti dapat dilakukan dan mendapatkan hasil yang cukup baik. Hasil tersebut bisa didapat karena data citra VNIR memiliki fitur yang sangat banyak (>200 fitur) sehingga dapat memberikan banyak informasi terkait kandungan flavonoid pada daun Bisbul. Namun, banyaknya jumlah fitur akan menyebabkan proses latihan pada model prediksi cukup lama dan akan memberikan beban yang cukup besar pada proses komputasi. Penelitian ini membahas tentang proses optimasi yang dilakukan kepada model regresi PLSR dengan menggunakan algoritma koloni lebah untuk meningkatkan performa dan mengurangi waktu latihan model prediksi kadar flavonoid pada daun Bisbul. Sistem prediksi menghasilkan performa dasar (PLSR) sebesar 23,6 RMSE, 0,86 pada R2, dan waktu training selama 0,6 detik untuk PLSR dengan jumlah 35 komponen dan 23,07 RMSE, 0,87 pada R2, dan waktu training selama 0,63 detik untuk PLSR dengan jumlah 50 komponen. Peningkatan performa sistem prediksi menggunakan algoritma koloni lebah berhasil dan menghasilkan performa sebesar 22,8 RMSE, 0,87 pada R2, dan waktu training selama 13,6 detik untuk PLSR dengan jumlah 35 komponen dan 22,69 RMSE, 0,88 pada R2, dan waktu training selama 13,7 detik untuk PLSR dengan jumlah 50 komponen.

---

Flavonoid content prediction system in the velvet apple leave based on VNIR image (Diospyros discolor Willd.) has been proven to be able to get good results. Those results could be earned because of VNIR image contains a lot of features (>200 features) that give a lot of information to predicts flavonoid content in velvet apple leave. Unfortunately, those features also causing a long training time and put a considerable burden on the computational process. Feature selection process using random forest algorithm proven to be able to reduce the training time, but it results is still need long time to train the prediction system. This study is aim to build and optimize PLSR prediction system using artificial bee colony algorithm to get a better performace and faster training time than random forest regression. Base performance by using 35 components of PLSR is 23.6 of RMSE, 0.86 of R2, and 0,6 seconds of training time. Base performance by using 50 components of PLSR is 23.07 of RMSE, 0.87 of R2, and 0,63 seconds of training time. After using artificial bee colony algorithm to optimize the PLSR prediction models, the results are  22.8 of RMSE, 0.87 of R2, and 13,6 seconds of training time by using 35 components of PLSR and 22.69 of RMSE, 0.88 of R2, and 13,7 seconds of training time by using 50 components of PLSR.

Abstrak :
Kadar gula merupakan salah satu karakter kualitas buah pisang yang memengaruhi rasa. Berdasarkan kesamaan karakteristik spektral pada varietas pisang ambon, pisang mas, dan pisang cavendish, yang didapat dari hasil akuisisi citra menggunakan kamera hiperspektral VNIR (400 - 1000 nm), telah berhasil dirancang sebuah universal prediction model yang tidak memerlukan perlakuan destruktif untuk memprediksi nilai kadar gula pada 3 varietas pisang Musa acuminata: pisang ambon, pisang mas, dan pisang cavendish. Filter Savitzky - Golay mengurangi noise pada hasil spektral dan juga memperkuat sinyal yang berisi informasi penting. Pada model regresi Random Forest dengan fitur panjang gelombang optimal berjumlah 20 menghasilkan nilai RMSE pelatihan (train) dan RMSE pengujian (test) yang kecil dengan masing-masing sebesar 0,67 dan 1,08 serta nilai koefisien korelasi pelatihan (R2 Train) dan koefisien korelasi pelatihan (R2 Test) yang besar masing-masing sebesar 0,98, dan 0,94. Hal menunjukan penggunaan algoritma Random Forest untuk pembuatan universal prediction model memiliki hasil yang baik. ......Sugar content is one of the quality attribute that affects the taste of bananas. A non-destructive universal prediction model has been successfully designed based on the similarity of the spectral characteristics of the Ambon bananas, Mas bananas and Cavendish bananas, which were obtained from the results of image acquisition using a VNIR hyperspectral camera (400 - 1000 nm) to predict the value of sugar content on 3 banana Musa acuminata varieties: Ambon bananas, Mas bananas and Cavendish bananas. The Savitzky - Golay filter reduces noises in the spectral results and also amplifies the signal that contains some important information. Random Forest regression model with 20 features give a small error value with RMSE Train value is 0.67 and RMSE Test value is 1.08, also give a large correlation coefficient value with R2 Train value is 0.98 and R2 Test value is 0.94, it shows that the use of the Random Forest algorithm for designing the universal prediction model has good results.

Abstrak :
ABSTRAK
Daging ayam hasil pemotongan akan mengalami penurunan kesegaran akibat proses mikrobiologi dan kimiawi yang berdampak pada kualitas daging ayam. Pengukuran kesegaran pada daging ayam biasanya dilakukan melalui uji laboratorium yang membutuhkan waktu lama dan bersifat destruktif. Pada penelitian ini, pengukuran yang dikembangkan untuk memprediksi kesegaran daging ayam adalah sistem pengukuran yang berbasis citra VNIR dengan rentang panjang gelombang 400-1000 nm. Analisis kesegaran daging ayam dilakukan dengan pendekatan uji organoleptik dengan nilai pH. Pemodelan Random Forest (RF) digunakan untuk membangun model prediksi kesegaran daging ayam berdasarkan pendekatan organoleptik. Sistem pengukuran kesegaran dievaluasi dengan nilai akurasi sebesar 85,5%. Algoritma Partial Least Square Regression (PLSR) digunakan untuk membangun model prediksi pada data spektral untuk pengukuran nilai pH. Sistem pengukuran nilai pH pada ayam segar dievaluasi dengan koefisien korelasi (R) = 0,80 dan root mean square error (RMSE) = 0,16. Sistem pengukuran nilai pH pada ayam tidak segar dievaluasi dengan koefisien korelasi (R)=0,84 dan root mean square error (RMSE)=0,18. Hasil yang diperoleh baik secara klasifikasi dan regresi menunjukkan sistem pengukuran ini efektif untuk memprediksi kualitas daging ayam

---

ABSTRACT
Chicken`s meat will experience freshness degradation due to microbiological and chemical processes which affect the of Chicken`s Meat Quality. Measurements of freshness usually destructive and through laboratory tests that it takes a long time. In this study a VNIR imaging system was built with a wavelength range of 400-1000 nm to determine the freshness of broiler chicken meat. The freshness of chicken meat was analyzed by using organoleptic approach with pH contained in the chicken meat. Classification using Random Forest (RF) modeling has been developed to predict the freshness of chicken meat. The freshness of chicken meat with an accuracy of 85.5%. The Partial Least Square Regression (PLSR) algorithm was successfully used to determine the pH. The measurement prediction system for freshness chicken meat with correlation coefficient 0.80 and RMSE 0.16. The measurement prediction system for spoiled chicken meat with correlation coefficient 0.84 and RMSE 0.18. Both classification and regression methods indicate that this measurement system is effective for predicting the quality of chicken meat

Abstrak :
Sistem prediksi kadar fenolik pada daun Bisbul (Diospyros discolor Willd.) berbasis citra hiperspektral visible and near-infrared (VNIR) terbukti mampu dibuat dan mendapatkan hasil dengan nilai yang baik. Kamera hiperspektral dengan rentang panjang gelombang 400-1000 nm digunakan dalam mengakuisisi citra VNIR pada daun Bisbul. Penelitian ini membahas mengenai komparasi dari beberapa model regresi baru dengan penelitian terdahulu yang diharapkan bisa mendapatkan hasil yang lebih baik dalam memprediksi kadar fenolik pada daun Bisbul. Digunakan tiga model regresi dalam membuat sistem prediksi ini yaitu model Partial Least Square Regression (PLSR), Random Forest, dan XGBoost Regressor. Sistem Prediksi menggunakan PLSR menghasilakan sebesar 3,62 (RMSE test), 0,81 (R2 test), nilai akurasi sebesar 91,3%, dan waktu training 0,27 detik. Sistem Prediksi menggunakan Random Forest tanpa menggunakan seleksi fitur menghasilakan sebesar 4,04 (RMSE test), 0,81 (R2 test), nilai akurasi sebesar 90,86%, dan waktu training 17,81 detik. Sistem Prediksi menggunakan Random Forest dengan seleksi fitur menghasilakan sebesar 3,84 (RMSE test), 0,79 (R2 test), nilai akurasi sebesar 91,31%, dan waktu training 19,05 detik. Sistem Prediksi menggunakan XGBoost Regressor dengan menghasilakan sebesar 3,48 (RMSE test), 0,83 (R2 test), nilai akurasi sebesar 91,1%, dan waktu training 24,9 detik. Performa terbaik dihasilkan oleh model XGBoost Regressor dengan sedikit perbedaan dengan PLSR. Model XGBoost Regressor berhasil meningkatkan performa sebesar 14% pada RMSE dan 2% pada R2 berbanding dengan PLSR. ......Phenolic levels prediction system on Bisbul leaves (Diospyros discolor Willld.) Based on visible and near-infrared (VNIR) hyperspectral images proved to be able to be made and get results with good values. Hyperspectral camera with a wavelength range of 400-1000 nm is used in acquiring VNIR images on Bisbul leaves. This study discusses the comparison of several new regression models with previous studies that are expected to get better results in predicting phenolic levels in Bisbul leaves. Three regression models are used in making this prediction system, namely the Partial Least Square Regression (PLSR), Random Forest, and XGBoost Regressor models. The prediction system using PLSR produces 3.62 (RMSE test), 0.81 (R2 test), an accuracy of 91.3%, and a training time of 0.27 seconds. The prediction system uses Random Forest without using the selection feature with results of 4.04 (RMSE test), 0.81 (R2 test), an accuracy of 90.86%, and a training time of 17.81 seconds. The prediction system using Random Forest with feature selection resulted in 3.84 (RMSE test), 0.79 (R2 test), an accuracy of 91.31%, and a training time of 19.05 seconds. The prediction system using the XGBoost Regressor produces 3.48 (RMSE test), 0.83 (R2 test), an accuracy of 91.1%, and training time of 24.9 seconds. The best performance is produced by XGBoost Regressor with a slight difference from PLSR. The XGBoost Regressor model managed to improve performance by 14% on RMSE and 2% on R2 compared to PLSR.