Hasil Pencarian  ::  Simpan CSV :: Kembali

"Analisis dilakukan dengan metode superimposed peta yangdidukunq dengan uji statistik.KesimpulanMakin basah hygromenes Mohr makin tinggi produktivitas teh, namun pada tinqkat hygromenes Mohr sangat basah di lereng datar dan landai produktivitas teh menurun.Produktivitas teh sangat tinggi terdapat pada hygromenes Mohr sangat basah di lerenq terjal dan hygromenes basah dilereng datar dan landai"

"ABSTRAKSistem 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.

---

ABSTRACTAbstract 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."

"ABSTRAKKadar gula total merupakan salah satu parameter internal untuk kualitas buah. Pada penelitian ini diperkenalkan sistem pengukuran kadar gula total tanpa merusak buah menggunakan hyperspectral imaging dalam rentang panjang gelombang V-NIR 400-1000 nm . Komponen utama pada sistem hyperspectral imaging adalah lampu halogen dan kamera hiperspektral. Hyperspectral imaging bekerja dengan memanfaatkan data reflektansi dari permukaan buah pisang dan menggunakan Partial Least Square Regression PLSR dan Support Vector Machine SVM untuk analisis spektral dan spasial yang menghasilkan model yang dapat memprediksi nilai kadar gula total dan klasifikasi tingkat kematangan pada buah pisang. Nilai kadar gula total pada buah pisang sebagai data pembanding diuji menggunakan refraktometer. Pada penelitian ini digunakan 15 pisang raja dan 15 pisang ambon yang terdiri dari 5 pisang mentah, 5 pisang matang dan 5 pisang terlalu matang. Dari PLSR dan SVM model didapatkan nilai RMSE 0,4091 , koefisien korelasi R2 sebesar 0,997 dan kesalahan klasifikasi 0 untuk pisang raja dan didapatkan nilai RMSE 0,4802 , koefisien korelasi R2 sebesar 0,996 dan kesalahan klasifikasi 0 untuk pisang ambon. Hasil penelitian menunjukkan bahwa sistem hyperspectral imaging dapat digunakan sebagai instrumen untuk pengukuran kadar gula total pada buah pisang.

---

ABSTRACTSugar content is one of the internal parameters for fruit quality. In this study, a non destruction measurement system for sugar content is introduced using hyperspectral imaging in the V NIR spectral range 400 1000 nm . The main components of the hyperspectral imaging system are halogen lamps and hyperspectral cameras. Hyperspectral imaging works by utilizing reflectance data from banana surfaces and using Partial Least Square Regression PLSR and Support Vector Machine SVM for spectral and spatial analysis that create a model that can predict total sugar content and banana maturity stage classification. The value of sugar content in banana was tested using refractometer as comparison data. In this study used 15 raja bananas and 15 ambon bananas consisting of 5 raw bananas, 5 ripe bananas and 5 overripe bananas. PLSR and SVM model provided RMSE of 0,4091 , correlation coefficient R2 of 0,997 and classification error of 0 for raja bananas and provided RMSE of 0,4802 , correlation coefficient R2 of 0,996 and classification error of 0 for ambon bananas. The results showed that the hyperspectral imaging system can be used as an instrument for measuring total sugar content in bananas."

"Pada lingkungan laboratorium sangatlah riskan untuk terjadi sebuah bencana atau kecelakaan yang tidak diinginkan, apalagi dengan laboratorium yang sangat membutuhkan panas atau temperatur yang pas, contohnya lab kimia dan fisika, khususnya pada lab kimia pada saat memanaskan cairan pada tabung reaksi atau semacamnya, dan jika terjadi overheat maka akan berakibat sangat fatal. Oleh karena itu, dibutuhkan suatu sistem yang dapat mencegah hal itu terjadi. Dengan menggunakan sistem berbasis Internet of Things (IoT), monitoring pada laboratorium akan sangat membantu karena sistemnya dapat memonitor secara real-time dan terus menerus. Sistem IoT yang digunakan dalam perancangan smart monitoring system ini adalah berbasis Long Rang (LoRa) yang sangat cocok untuk melakukan suatu kegiatan monitoring karena menggunakan daya yang kecil dan jarak yang cukup jauh. Perangkat yang digunakan pada sistem ini adalah modul Arduino Uno untuk setiap node serta gateway karena penulis menganggap lebih mudah digunakan karena serta pinnya yang cukup banyak untuk menampung colok-colokan kabel untuk sensor dan koneksi lainnya serta mudah didapatkan dan ditambahkan komponen ESP8266 untuk bisa mengakses ke jaringan internet. Sistem jaringan yang digunakan perangkat menggunakan komunikasi LoRa agar bisa dipantau secara remote. Node akan mengambil data dari sensor suhu, kelembaban (humidity), dan smoke detector lalu mentransmisikan nya ke gateway menggunakan protokol LoRa. Gateway akan meneruskan informasi ke web https://thingspeak.com menggunakan HTTP agar bisa disimpan didalam server serta bisa diakses oleh pengguna dengan tampilan dashboard. Kemudian mengekspor data dari web ThingSpeak untuk diolah oleh machine learning dan terlihat grafik perbedaan antara normal data dan anomali data menggunakan algoritma Isolation Forest. Berdasarkan eksperimen, sistem ini dinilai akan berhasil untuk lolos pengujian dan dapat diimplementasikan dengan baik pada lingkungan laboratorium untuk monitoring sesuatu kejadian agar terhindar dari hal-hal yang tidak diharapkan, di sini nanti dimasukkan hasil kuantitas dari hasil eksperimen.

---

In a laboratory environment, it is extremely dangerous for an unanticipated disaster or accident to happen, especially in labs that require the proper heat or temperature, like chemistry and physics labs. In the chemistry lab when heating liquids in test tubes or the like, overheating can be extremely fatal. We thus require a mechanism that can stop this from happening. Monitoring in the lab will be greatly aided by the adoption of an Internet of Things (IoT) based system since the system can monitor continuously and in real-time. This smart monitoring system's IoT system is based on Long Rang (LoRa), which is ideal for carrying out monitoring tasks since it needs less power and can be located relatively far away. The Arduino Uno module is used as each node and gateway in this system because the author believes it to be simpler to operate due to the numerous pins that can accommodate cable plugs for sensors and other connections as well as the ease of obtaining and adding the ESP8266 component to enable network access. Internet. The device's network infrastructure makes use of LoRa connectivity to enable remote monitoring. The node will use the LoRa protocol to transfer data to the gateway from the temperature, humidity, and smoke detector sensors. For data to be saved on the server and accessible by users with a dashboard view, the gateway will forward information to the https://thingspeak.com site utilizing HTTP. Then, export data from the ThingSpeak site for machine learning to analyze and use the Isolation Forest technique to graph the distinction between regular data and data abnormalities. Based on the design, this system is thought to have passed the test successfully and can be correctly deployed in a lab environment for monitoring an event to avoid unanticipated outcomes. Based on the experiment, this system is considered to be successful in passing the test and can be implemented properly in a laboratory environment for monitoring an event to avoid unexpected things, here later the quantity results from the experimental results will be included."