Hasil Pencarian  ::  Simpan CSV :: Kembali

"Pola konsumsi pangan masyarakat Indonesia saat ini telah beralih dari sekedar pemenuhan kebutuhan dasar menjadi pola konsumsi makanan sehat yang disebut sebagai pangan fungsional. Beras berpigmen masuk kedalam jenis makanan fungsional karena mengandung banyak antioksidan yang berasal dari antosianin. Namun beras berpigmen dinilai mudah apek jika disimpan terlalu lama. Teknologi iradiasi dapat digunakan untuk mengawetkan makanan secara aman dan efektif sehingga dapat memperpanjang umur simpannya. Penyinaran radiasi gamma dengan dosis tertentu dapat menyebabkan terjadinya perubahan komposisi nutrisi yang terkandung dalam beras. Sehingga perlu dilakukan pengukuran kandungan nutrisi beras berpigmen pasca iradiasi untuk menjamin kesesuaian gizi pada beras tersebut.  Penelitian ini dilakukan untuk membangun sistem multi-output yang mampu memprediksi kadar total antosianin dan kadar air pada beras berpigmen teriradiasi berbasis pencitraan hiperspektral. Evaluasi model dilakukan dengan menghitung nilai root mean square error (RMSE) dan koefisien determinasi R2 dari model multi-output dan membandingkan performanya dengan model single-output. Hasilnya didapatkan bahwa model multi-output Spectral Xception mampu melakukan prediksi yang sangat baik dengan performa pengujian kadar total antosianin menghasilkan nilai RMSE sebesar 0,9105 dan R2 sebesar 0,9963, serta pengujian kadar air bernilai RMSE sebesar 0,2529 dan R2 sebesar 0,9784. Selain itu, model multi-output secara umum lebih efisien dibandingkan single-output karena proses pelatihannya 48% lebih cepat. Pada penelitian ini juga dilakukan evaluasi performa model multi-output Spectral Xception saat menggunakan dataset yang berbeda.

---

Food consumption pattern of the Indonesian people has shifted from merely fulfilling basic needs to becoming a healthy food consumption which is referred to functional food. Pigmented rice can be categorized as a type of functional food because it contains antioxidants derived from anthocyanins. However, pigmented rice is considered to be easily stale when stored for too long. Irradiation technology can be used to safely and effectively preserve food to extend its shelf life. Utilization of gamma radiation irradiation with certain doses can cause changes in the composition of the nutrients contained therein. So it is necessary to measure the nutritional content of post-irradiation pigmented rice to ensure the nutritional suitability of the rice. This research was conducted to develop a multi-output system to predict total anthocyanin content and water content in irradiated pigmented rice based on hyperspectral imaging. Model evaluation has been carried out by calculating the root mean square error (RMSE) value and the coefficient of determination R2 of the multi-output model and comparing its performance with the single-output model. The results showed that the multi-output spectral xception model was able to make very good predictions with test performance at total anthocyanin content RMSE values of 0.9105 and R2 0.9963, as well as testing for water content RMSE values of 0.2529 and R2 0.9784. In addition, the multi-output model is generally more efficient than the single-output model because the training process is 48% faster. This research also evaluates the performance of the multi-output spectral exception model when using different datasets."

"Sebagai negara yang memproduksi dan mengkonsumsi beras dalam jumlah besar, instrumen untuk mengidentifikasi kualitas mutu dan varietas cukup dibutuhkan di Indonesia. Varietas dan kualitas dari suatu beras sangat mempengaruhi harga jual beras tersebut. Sulitnya proses identifikasi varietas dan kualitas dapat menimbulkan kecurangan dalam proses jual beli. Salah satu metode yang cukup modern untuk melakukan identifikasi adalah menggunakan pencitraan hiperspektral yang digabungkan dengan pembelajaran mesin. Pada penelitian ini dibuat sebuah sistem klasifikasi multi-output untuk mengidentifikasi varietas dan kualitas beras secara bersamaan. Sistem ini menerima citra hiperspektral dengan 224 band pada rentang 400-1000 nm. Bagian tengah citra akan disegmentasi dan dijadikan input model klasifikasi. Keluaran dari model ini berupa hasil prediksi varietas dan kualitas mutu dari sampel beras tersebut. Sistem dibuat untuk mengklasifikasikan 8 varietas beras, yaitu pandan wangi, IR64, IR42, rojolele, menthik wangi, menthik susu, C4 dan ciherang serta 2 buah kualitas yaitu premium dan medium. Model klasifikasi dibuat dengan menggunakan 3 buah arsitektur yang berbeda. Sistem dengan arsitektur InceptionV3 menghasilkan akurasi validasi sebesar 97.57% dan 91.30%. Sistem dengan arsitektur Xception menghasilkan akurasi validasi sebesar 95.83% dan 86.74%. Sistem dengan arsitektur HybridSN menghasilkan akurasi validasi terbaik yaitu sebesar 99.39% dan 97.09%. Berdasarkan hasil akurasi tersebut terlihat bahwa sistem klasifikasi multi-output CNN dapat bekerja dengan cukup baik.

---

As a country that produces and consumes large amounts of rice, instruments to identify quality and varieties are quite needed in Indonesia. The variety and quality of a rice greatly affects the selling price of the rice. The difficulty of the process to identifying varieties and qualities can lead to fraud in the buying and selling process. One fairly modern method of performing identification is to use hyperspectral imaging combined with machine learning. In this study, a multi-output classification system was created to identify the variety and quality of rice simultaneously. The system receives hyperspectral image with 224 bands in the range of 400- 1000 nm. The middle part of the image will be segmented and inputted into the classification model. The output of this model is in the form of predictions of varieties and quality of the rice sample. The system was made to classify 8 varieties of rice, namely pandan wangi, IR64, IR42, rojolele, menthik wangi, menthik susu, C4, ciherang and 2 class of quality, namely premium and medium. The system was made using 3 different architectures. Systems with the InceptionV3 produce validation accuracy of 97.57% and 91.30%. Systems with the Xception resulted in validation accuracy of 95.83% and 86.74%. Systems with HybridSN architecture produce the best validation accuracy of 99.39% and 97.09%. From the results of such accuracy, it can be seen that the multi-output classification system can work quite well."