Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
ABSTRAK
Sistem prediksi kedalaman memar dan distribusi kandungan SSC pada jambu berdasarkan waktu penyimpanan dengan menggunakan sistem citra Vis-NIR pada panjang gelombang 400-1000 nm dapat dikembangkan menjadi sistem non-destruktif. Sehingga informasi tambahan yang di dapat tidak hanya dapat membedakan daerah memar namun juga memberikan informasi kedalaman memar dan kandungan SSC pada daerah memar. Sistem yang diusulkan dievaluasi dengan menggunakan 160 sampel jambu dibagi dalam dua kelompok set data, yaitu set data training n = 140 dan set data testing n = 20 . Proses memar pada jambu dilakukan secara manual dengan dijatuhkan bola besi dari ketinggian 200 dan 500 mm dan kemudian sampel dianalisis dengan rentang waktu 0,3,4,5, dan 6 hari setelah dimemarkan. Sistem citra Vis-NIR yang digunakan terdiri dari satu set perangkat, diantaranya workbench, slider, dua sumber cahaya halogen 150W dan kamera citra Vis-NIR yang terhubung ke PC melalui Camera Link. Perangkat lunak sistem terdiri dari pengukuran profil gambar reflektansi, ekstraksi fitur, pemilihan fitur pada data spektral dan spasial, model prediksi kandungan SSC, dan model prediksi kedalaman memar. Model Partial Least Square Regression PLSR digunakan untuk mengembangkan model prediksi pada data spektral semua panjang gelombang. Model PLSR digunakan untuk mendapatkan prediksi nilai kandungan SSC dan kedalaman memar. Hasil yang diprediksi dibandingkan dengan hasil pengukuran uji lab kandungan SSC yang diperoleh dengan menggunakan refraktometer dan kedalaman memar yang diperoleh dengan menggunakan sifat measurement instrumental. Dari hasil kinerja model prediksi didapatkan nilai RMSE pada data testing 0,06 dan koefisien korelasi dari data testing 0,99.Kata kunci : Memar; PLSR; citra Vis-NIR.

---

ABSTRACT
Abstract The prediction system of bruising depth in guava based on storage operation using Visual NIR image in the ranges 400 ndash 1000 nm ranges, which could be developed a nondestructive system to predicted the bruise depth of guava. The additional information gained not only the position of the bruised area but also provides depth bruising information. And then, the objective of the research was to develop a nondestructive method for predicting the profile mapping of soluble solid content on bruises guava. The soluble solids content SSC as the parameter fruits was determined and correlated with the bruises area.The proposed system was evaluated using 160 samples of guava were divided in two groups. All of the samples are prepared for the training n 140 and testing n 20 set data. Bruises were manually induced and samples were analyzed 0, 3rd, 4th, 5th and 6th days after bruising. Individual guavas were then subjected to impact test by a steel ball at one of the levels height of impact test, i.e.,200mm and 500mm. The system used consists of a set such as workbench, controllable slider, two halogen light sources and a Visual NIR imaging camera that is connected to PC via Camera Link. The software of system consists of reflectance image profile measurement, feature extraction, feature selection on spectral and spatial data, soluble solids content prediction model, and bruise depth prediction model. The partial least squares regression PLSR models was used to develop prediction models on full wavelengths spectral data. The prediction model is used to get value prediction of soluble solids content and bruising depth. The predicted results compared with the reference measurement result of soluble solids content which obtained using a refractometer and bruising depth which obtained using an optical properties. The full spectral data and parameter fruits were analyzed using the Partial Least Square PLS to obtained prediction model of bruising depth and SSC of bruises guava. The peformance of prediction model provided value of the root mean square error of testing set of 0.06 and the correlation coefficient of a testing set of 0.99. The results of our work indicate that there is a feasibility of implementing hyperspectral imaging technique on the nondestructive bruise depth prediction of guava and suitable in an industrial sorting system for fruit quality, which would be useful for postharvest handling of fruit. Keywords kelebaman bruising , non destructive, Profitability, hyperspectral image Vis NIR.

Abstrak :

Klasifikasi berbagai jenis teripang dari berbagai asal daerah adalah tugas yang sulit dikarenakan banyak teripang yang berasal dari berbagai daerah namun memiliki jenis yang sangat mirip dalam segi bentuk dan warna. Umumnya untuk membedakan teripang dilakukan dengan pada ahlinya sehingga  memelurkan waktu yang lama. Penelitian ini ditunjukan untuk membuat suau sistem pengukuran berbasis citra hiperspektral yang memiliki sifat tidak merusak dan tidak membutuhkan waktu yang lama. Dengan sistem pengukuran yang dikembangkan menggunakan kamera hiperspektral yang mampu mendeteksi gelombang elekromagnetik pada panjang 400-1000nm. Sistem pengolahan citra meliputi koreksi citra, pemilihan area pengukuran pada sampel objek. Pengekstraksi ciri yang digunakan adalah metode averaging, dan PCA digunakan untuk reduksi data, serta pemodelan pengenalan habitat teripang dengan algoritma yang digunakan adalah SVM (Support Vector Machine), Random Forest, dan Deep Learning. Evaluasi terhadap kinerja sistem dilakukan dengan nilai akurasi pada klasifikasi. Akurasi rata-rata error terbaik diperoleh menggunakan algoritma klasifikasi Deep Learning saat proses training  0.28 % dan proses testing 0.81 % Secara umum menunukan bahwa sistem yang telah dibangun membrikan kinerja klasifikasi yang tepat.

 

---

The classification of various types of sea cucumbers from various regional origins is a difficult task because many sea cucumbers come from various regions but have very similar types in terms of shape and color. Generally to distinguish sea cucumbers carried out by laboratory-based methods which generally have destructive properties, and spell a long time. This study was shown to make a measurement system based on hyperspectral images that have non-destructive properties and do not require a long time. With a measurement system developed using a hyperspectral camera capable of detecting electromagnetic waves at a length of 400-1000nm. Image processing system includes image correction, selection of measurement areas in object samples. Character extraction, data reduction, and modeling the introduction of sea cucumber habitat with the algorithms used are SVM (Support Vector Machine), Random Forest, and Deep Learning. Evaluation of system performance is carried out with the value of accuracy in classification. The best average error accuracy is obtained using the Deep Learning classification algorithm during training process 0.28% and the testing process 0.81% for the testing process. In general, the system has been built giving the best classification performance.

 

Abstrak :
Beras merupakan bahan pangan pokok bagi masyarakat Indonesia. Biasanya masyarakat Indonesia memilih beras berdasarkan varietas karena masing-masing varietas memiliki karakteristik cita rasa, tekstur, dan aroma yang berbeda-beda. Pada aspek kesehatan, masyarakat dapat memilih beras berdasarkan teknik budi daya, yaitu organik atau anorganik. Namun, pada saat ini belum ada instrumen yang mampu mengidentifikasi varietas dan teknik budi daya beras. Penelitian ini dirancang untuk membuat sistem pengenalan varietas dan teknik budi daya beras berbasis citra hiperspektral dengan rentang panjang gelombang 400 – 1000 nm. Sistem dirancang menggunakan multi-output multi-class dengan arsitektur AlexNet. Dalam proses pembangunan sistem, citra yang masuk ke dalam sistem disegmentasi menjadi bagian kecil yang disebut sebagai region of interest (ROI). Penelitian ini melakukan eksperimen variasi ukuran ROI sebesar 32x32, 36x36, dan 40x40. Hasil akurasi pengujian yang cukup baik diperoleh dari model multi-output dengan ukuran ROI 40x40. Hasil akurasi pengujian yang diperoleh adalah sebesar 95,14% untuk output varietas dan 96,43% untuk output teknik budi daya. Melalui eksperimen ini, sistem multi-output multi-class berbasis citra hiperspektral terbukti mampu mengidentifikasi varietas dan teknik budi daya beras sekaligus.

---

Rice is a staple food for Indonesian people. Usually, they choose rice based on varieties because each variety has different characteristics of taste, texture, and aroma. In health aspect, they can choose rice based on cultivation techniques such as organic or conventional. However, at this time there is no instrument that can identify variety and cultivation technique of rice. This research is designed to create a recognition system of both variety and cultivation technique based on hyperspectral image with a wavelength range of 400 – 1000 nm. The system is designed using multi-output multi-class with AlexNet architecture. In the system development process, the images that enter the system are segmented into small parts called region of interest (ROI). This study conducted an experiment with ROI variation size of 32x32, 36x36, and 40x40. A good test results are obtained from ROI size of 40x40. The test accuracy results are 95.14% for variety ouput and 96.43% for cultivation technique output. Through this experiment, a multi-output multi-class system based on hyperspectral image was proven to be able to identify variety and cultivation technique of rice at the same time.

Abstrak :
ABSTRACT
Visualisasi 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.

---

ABSTRACT
Venation 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.

Abstrak :
Pencitraan hiperspektral dapat diaplikasikan pada berbagai bidang. Salah satunya adalah pengukuran kadar suatu zat yang terkandung dalam suatu objek. Namun, pencitraan berbasis kamera hipespektral mempunyai kelemahan, yaitu mahal, besar, memerlukan perangkat keras tambahan yang kompleks, dan ukuran data citranya yang besar. Sebaliknya citra RGB memiliki perangkat yang jauh lebih sederhana, harga kamera yang lebih murah, dan ukuran data yang lebih kecil. Oleh karena itu, penelitian ini mengusulkan sistem prediksi kadar flavonoid dalam daun Bisbul (Diospyros discolor Willd.) menggunakan citra RGB yang direkonstruksi menjadi citra hiperspektral. Arsitektur model rekonstruksi yang diusulkan pada penelitian ini adalah U-ResNet, penggabungan arsitektur U-Net dengan Res-Net. Penelitian ini mencari arsiktektur rekonstruksi dan ukuran target yang optimal untuk melakukan rekonstruksi citra hiperspektral dan prediksi kadar. Setelah didapatkan arsitektur yang optimal, prediksi kadar flavonoid dilakukan menggunakan algoritma XGBoost dengan memvariasikan ukuran input sesuai hasil rekonstruksi. Hasil penelitian menunjukkan jumlah band sebanyak 224 dan rentang panjang gelombang 400-1000nm merupakan target rekontruksi yang optimal untuk sistem prediksi kadar flavonoid berbasis citra RGB. Sistem yang disarankan memiliki performa rekonstruksi RMSE sebesar 0,0961 dan MRAE sebesar 0,1955, serta performa prediksi kadar RMSE sebesar 29,818 dan MRAE sebesar 0,1080. Kesimpulannya, pengukuran kadar flavonoid dapat dilakukan menggunakan citra hiperspektral hasil rekonstruksi untuk menggantikan kamera hiperspektral. ......Hyperspectral imaging can be applied in various fields. One of them is the content measurement of a substance contained in an object. However, hyperspectral camera-based imaging has disadvantages, namely expensive, large, requires complex additional hardware, and large image data size. In contrast, RGB images have much simpler tools, cheaper cameras, and smaller data sizes. Therefore, this study proposes a prediction system for flavonoid content in Bisbul (Diospyros discolor Willd.) leaves using an RGB image reconstructed into a hyperspectral image. The architecture of the reconstruction model proposed in this research is U-ResNet, combining U-Net architecture with Res-Net. This research is looking for optimal reconstruction architecture and target size for hyperspectral image reconstruction and flavonoid content prediction. After obtaining the optimal architecture, the prediction of flavonoid content was carried out using the XGBoost algorithm by varying the input size according to the reconstruction results. The results showed that reconstruction target with 224 bands within of 400-1000nm wavelength range was the optimal reconstruction target for the RGB image-based flavonoid content prediction system. The recommended system has an RMSE reconstruction performance of 0.0961 and an MRAE of 0.1955, and an RMSE content prediction performance of 29.818 and an MRAE of 0.180. In conclusion, measurement of flavonoid content can be carried out using reconstructed hyperspectral images to replace hyperspectral cameras.