Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
ABSTRAK Sistem prediksi berbasis citra VNIR mampu untuk memprediksi parameter tertentu pada suatu objek. Parameter seperti kadar fenolik dari daun bisbul dapat diprediksi dengan sistem prediksi berbasis citra VNIR. Citra VNIR daun bisbul diakuisisi menggunakan kamera hiperspektral dengan rentang 400 hingga 1000 nm. Model regresi yang digunakan pada sistem prediksi ini meliputi Support Vector Regression (SVR), Partial Least Square Regression (PLSR), serta Decision Tree Regression (DTR). Dari ketiga model tersebut didapatkan nilai error yang menunjukkan performa sistem prediksi yang dibuat. Error berupa koefisien determinasi (R2) dan Root Mean Square Error (RMSE). Nilai koefisien determinasi (R2) sebesar 0,95 (SVR); 0,91 (PLSR); dan 0,90 (DTR). Serta untuk RMSE sebesar 2,66 (SVR). 3,60 (PLSR), dan 3,90 (DTR). Berdasarkan hasil koefisien korelasi dari ketiga model tersebut, dapat disampaikan bahwa kadar fenolik dari daun bisbul dapat diprediksi dengan menggunakan model SVR untuk performa yang baik dan menggunakan parameter fungsi kernel polinomial orde 3. Nilai prediksi kadar fenolik rata-rata dari ketiga model sebesar 32,72 GAE(µg/mg) untuk DTR; 32,46 GAE(µg/mg) untuk PLSR; dan 32,27 GAE(µg/mg) untuk SVR.

---

ABSTRACT Prediction systems based on VNIR images are able to predict certain parameters on an object. Parameters such as the phenolic content of Diospyros discolor Willd leaf can be predicted by this system. VNIR images of Diospyros discolor Willd leaf acquired using a hyperspectral camera with a range of 400 to 1000 nm. The regression model to predict the content used Support Vector Regression (SVR), Partial Least Square Regression (PLSR), and Decision Tree Regression (DTR). Based on three models, an error value is obtained that indicates the performance of the predictive system. The error value such as coefficient correlation (R) and Root Mean Square Error (RMSE). The value of R from the models are 0,95 (SVR); 0,91 (PLSR), and 0,90 (DTR). The value of RMSE from the models are 2,66 (SVR). 3,60 (PLSR), and 3,90 (DTR). Value of predicted total phenolic content from the models are 32,72 GAE(µg/mg) for DTR; 32,46 GAE(µg/mg) for PLSR; dan 32,27 GAE(µg/mg) for SVR. Based on the coefficient correlation, phenolic content can be predicted using SVR model for best result with kernel function polynomial 3 order.

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 :
ABSTRAK
Kadar air dan kadar garam merupakan beberapa parameter yang digunakan untuk memprediksi tingkat kualitas teripang pasir kering (Holothuria scabra) atau yang dikenal Bêche-de-mer. Namun, pengukuran kadar air dan garam umumnya bersifat destruktif dan dilakukan secara manual melalui uji laboratorium sehingga memakan waktu yang lama. Dalam penelitian ini, sistem pengukuran yang dikembangkan untuk memprediksi kualitas teripang pasir kering adalah sistem pengukuran yang berbasis citra Visible Near-Infrared (V-NIR) yang mampu mengukur kadar air dan garam secara non-destruktif. Algoritma partial least squares regression (PLSR) digunakan untuk membangun model prediksi pada data spektral. Sistem pengukuran untuk kadar air dan garam di evaluasi dengan koefisien korelasi untuk data pelatihan sebesar 0,99 dan 0,99 secara berurutan. Sedangkan untuk root mean square error dari kadar air dan garam adalah 0,92 dan 0,11. Hasil penelitian ini menunjukkan bahwa sistem ini dapat diusulkan sebagai sistem pengukuran kadar air dan garam secara non-destruktif untuk menguji kualitas pada teripang pasir kering (Holothuria scabra) dan dapat diimplementasikan sebagai sistem penyortiran di dunia industri

---

ABSTRACT
Water content and salt Content are parameters used to predict the quality level of dried sea cucumber (Holothuria scabra) or known by Beche-de-mer. However, Measurements of moisture content and salt content are generally conductive and carried out manually through laboratory tests so that it takes a long time. In this study, a measurement system developed to predict the quality of dried sea cucumber is a valid system for Visible-Near Infrared (V-NIR) images based on the spectral reflectance characteristics of the moisture content and salt content to predict non-destructively the values ​​of the moisture and salt content. The partial least squares regression (PLSR) algorithm is used to build prediction models on spectral data. Predictive system models are used to obtain moisture and salt values. The predicted results are compared with the results of measurements of data references obtained using the laboratory test. The measurement prediction system for moisture and salt content has a correlation coefficient for test data 0,99 and 0,99 respectively. While for the root mean square error of the water and salt levels are 0,92 and 0,11. The results of this study indicate that this system can be proposed as a non-destructive system of measuring moisture and salt content to test the quality of dried sea cucumbers (Holothuria scabra) and is suitable for implementation in sorting systems in the industrial world

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.