Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKNilai reflektansi pada panjang gelombang tertentu pada buah pisang dengan rentang yang besar digunakan untuk mengembangkan sebuah sistem pengujian kadar karotenoid menggunakan teknik hiperspektral imaging. Sistem pengujian ini terdiri dari satu set sistem pengukuran, sumber cahaya berupa lampu halogen, dan kamera hiperspektral yang terhubung dengan Personal Computer PC menggunakan penghubung Camera Link. Sampel terdiri dari tiga tingkat kematangan yaitu mentah, matang, dan sangat matang. Sistem pengujian menggunakan Partial least square regression PLSR model untuk memperoleh hasil kuantitatif. PLSR model pada panjang gelombang penuh digunakan untuk membuat sebuah model yang menghubungkan antara data spektral hiperspektral dan kadar karotenoid berdasarkan metode pengujian spektroskopi. Hasil yang diperoleh pada seluruh sampel memiliki koefisien korelasi prediksi melebihi 0,9 pada seluruh sampel dan nilai RMSE 6,81x10-7 pada pisang raja dan 1,03x10-5 pada pisang ambon. Hasil PLSR menunjukan bahwa sistem pengujian dapat digunakan untuk menguji kadar karotenoid.

---

ABSTRACTFruit reflectance spectra of banana with a wide range of carotenoids content have been studied to develop testing system using hyperspectral imaging technique. The testing system consist of a set of measuring instruments, halogen light source, and hyperspectral camera that connected to PC using Camera Link. A sample set combining three stages of maturity i.e. immature, mature, and very mature. The testing system uses Partial least square regression PLSR models to get its quantitative results. PLSR models on full spectra was used to create a model that computing relationship between HSI spectra and carotenoids contents based on spectroscopy methods. The profile map of carotenoids was distributed by applying the PLS models on pixels within the hyperspectral image, which obtained acceptable results for all sample sets with correlation coefficient of prediction over 0.9 and RMSE value 6,81x10 7 on Musa textilia and 1,03x10 5 on Musa paradisiaca. The results show that the proposed system can be used to testing of carotenoids content."

"ABSTRAKSekarang ini, tingkat kematangan buah pisang Musa sp diklasifikasikan secara manual berdasarkan warna kulitnya. Pada penelitian ini, akan diperkenakan sistem otomatis tingkat kematangan buah pisang menggunakan teknologi hyperspectral. Sistem perangkat keras yang digunakan terdiri dari satu set alat pengukuran, sumber cahaya halogen dan kamera hyperspectral yang terhubung ke PC melalui Camera Link. Perangkat lunak sistem terdiri dari pengukuran hasil reflektansi citra, ekstraksi ciri, dan algoritma klasifikasi. Citra reflektansi permukaan pisang dihitung berdasarkan citra yang didapat, white reference dan dark reference. Feature extraction ekstraksi ciri didapatkan menggunakan principal component analysis pada semua range panjang gelombang hyperspectral. Dengan demikian, tingkat kematangan diklasifikasikan menggunakan artificial neural network menjadi 3 kelas yaitu, mentah, matang dan sangat matang. Sampel yang digunakan ialah 15 pisang ambon Musa acuminate colla dan 15 pisang raja Musa textilla yang masing-masing berisi 5 sampel pada setiap tingkat kematangan. Hasil penelitian ini menunjukan bahwa sistem yang diusulkan dapat mengkalsifikasikan tingkat kematangan buah pisang cukup akurat.

---

ABSTRACTNowadays, the maturity of banana is classified manually based on the surface color of banana. In this study, an automatic system was introduce using hyperspectral technology system. The hardware of system consist of a set of measuring system, light source and hyperspectral camera that connect to PC via Camera Link. The software of system consists of reflectance image profile measurement, feature extraction and classification algorithm. The reflectance image profile of the banana surface was calculated based on current image, white and dark image reference. The feature sets were computed using a principal component analysis on full wavelength range of HIS spectra. Thus, the maturity stage of banana was classified artificial neural network into 3 classes i.e. immature, mature and very mature. The samples used were 15 sampel Musa acuminate collaa and 15 sampel Moses textilla which is consist 5 samples for each aturity stage.The results show that the proposed system can classify the banana maturity stage perfectly. "

"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."

"ABSTRAKUmumnya kadar air buah dapat diukur dengan membandingkan reduksi massa benda dengan metode pengeringan oven. Dalam tulisan ini, sistem prediksi kadar air pisang diperkenalkan dengan teknik pencitraan VNIR Visible Light ndash; Near Infrared . Teknik pencitraan hiperspektral dengan menggunakan citra VNIR merupakan teknologi yang dapat diandalkan dalam pengujian kualitas buah secara non destruktif, cepat dan efisien. Sistem prediksi ini menggunakan PCA dan PLS sebagai model regresi untuk mendapatkan hasil kuantitatif nya. Hasil regresi yang didapatkan dari PCA untuk pisang raja berupa RMSE Root Mean Square Error sebesar 0.65 dan R2 Coerrelation Coefficient sebesar 0.71. Sedangkan hasil dari PLS yaitu RMSE sebesar 0.54 dan R2 sebesar 0.82. Hasil regresi dari PLS relatif lebih baik daripada PCA dan lebih akurat. Untuk mengetahui klasifikasi tingkat kematangannya, sistem prediksi kadar air pisang ini menggunakan SVM.

---

ABSTRACTCommonly, the fruit moisture content could be measured by comparing the mass decrement of object through oven drying method. In this paper, a bananas moisture content prediction system was introduced using Visible Light ndash NIR imaging technique. Hyperspectral imaging technique using VNIR image is a reliable technology in fruit quality testing non destructive, fast and efficien. The prediction system uses PCA and PLS as a regression model to get its quantitative results. Regression results obtained from PCA for Raja bananas in the form of RMSE Root Mean Square Error of 0.65 and R2 Correlation Coefficient of 0.71. While the results of the PLS RMSE of 0.54 and R2 of 0.82. Regression results from PLS are relatively better than PCA and more accurate. To determine the classification of the level of maturity, the moisture content of bananas prediction system uses SVM Support Vector Machine."

"ABSTRAKPencitraan hiperspektral adalah gabungan teknologi pencitraan dan spektroskopi. Teknologi ini merupakan teknologi telah banyak digunakan untuk penilaian kualitas makanan. Informasi spasial dan spektral pada objek yang diamati dapat diperoleh secara bersamaan dengan menggunakan pencitraan hiperspektral. Dalam penelitian ini, pencitraan hiperspektral pada rentang spektral 400-1000 nm digunakan untuk memprediksi kandungan klorofil total dan karotenoid daun bayam hijau dan merah Amaranthus tricolor L. berdasarkan spektral reflektansi. Data spektral di wilayah ROI pada setiap daun diekstraksi dengan merata-rata semua piksel pada ROI. Kandungan klorofil total dan karotenoid diukur dengan spektrofotometer UV-Vis. Partial Least Square Regression PLSR digunakan untuk membuat model prediksi antara kandungan klorofil total dan karotenoid terukur dan spektrum reflektansi. Koefisien korelasi prediksi rp klorofil total dan karotenoid untuk daun bayam hijau pada panjang gelombang 400-1000 nm diperoleh sebesar 0,91 dan 0,80, sedangkan untuk bayam merah diperoleh rp klorofil total sebesar 0,90 dan rp karotenoid sebesar 0,90. Hasil penelitian menunjukkan bahwa pencitraan hiperspektral dapat digunakan sebagai uji tak rusak untuk memprediksi kandungan total klorofil dan karotenoid. Kata kunci: Pencitraan hiperspektral, Klorofil, Karotenoid, Daun Bayam, PLSR.

---

ABSTRACTHyperspectral imaging is a technology that combines imaging and spectroscopy. This technology is a non destructive technology and used for food quality assessment. Spatial and spectral information on the observed object can be obtained simultaneously by using hyperspectral imaging. In this study, hyperspectral imaging in the spectral range of 400 1000 nm was used for total chlorophyll and carotenoid content prediction of green and red Amaranthus tricolor L. leaves based on reflectance profile. Spectral data in the region of interest ROI of each leaf were extracted by averaging all the pixels in the ROI. The determination of total chlorophyll and carotenoid content was measured using spectrophotometer UV Vis. The Partial Least Squares Regression PLSR was used to create a model prediction between the measured total chlorophyll and carotenoid content and the reflectance spectral. For green Amaranthus tricolor L. leaves, the correlation coefficients r in the full wavelength 400 ndash 1000 nm for predicting total chlorophyll and carotenoid are 0.91 and 0.80. For red Amaranthus tricolor L. leaves, the correlation coefficients r in the full wavelength 400 ndash 1000 nm for predicting total chlorophyll and carotenoid are 0.90 and 0.90. The results show that the hyperspectral imaging could be used as a nondestructive test to predict total chlorophyll and carotenoid content. Keyword Hyperspectral imaging, Total chlorophyll, Carotenoid, Amaranthus tricolor L. Leaves, PLSR"

"Citra hiperspektral memiliki jumlah spektral dari suatu objek dengan rentang spektrum yang lebih luas dibandingkan dengan citra RGB. Suatu citra hiperspektral memberikan informasi yang jauh lebih banyak kegunaannya sebagai analisa suatu kasus dibandingkan dengan citra RGB. Salah satu pengaplikasian dengan menggunakan citra hiperspektral yaitu pengukuran suatu kadar tertentu dalam suatu objek. Namun, citra hiperspektral sulit diperoleh dikarenakan memiliki sistem akuisisi yang tidak sederhana. Faktor tersebut dikarenakan pencitraan berbasis citra hiperspektral menggunakan kamera yang mahal, perangkat keras pendukung sistem akuisisi yang kompleks, beserta ukuran citra yang lebih besar dibandingkan dengan citra RGB. Oleh karena itu, penelitian ini melakukan rekonstruksi citra hiperspektral dari citra RGB menggunakan algoritma convolutional neural network dengan arsitektur dense block untuk studi kasus sistem prediksi kadar karotenoid pada daun bisbul. Penelitian ini menghasilkan citra hiperspektral rekonstruksi dari citra RGB yang diperoleh dari proses konversi, beserta citra RGB yang diperoleh dari kamera RGB. Citra hiperspektral yang direkonstruksi pada penelitian ini yaitu berada pada rentang target panjang gelombang 400 nm hingga 1000 nm dengan target jumlah bands sebanyak 112. Algoritma rekonstruksi yang digunakan pada penelitian ini yaitu convolutional neural network dengan arsitektur dense blocks. Pembangunan model rekonstruksi citra pada penelitian ini, yaitu dengan memvariasikan jumlah dense block beserta target rentang dan jumlah panjang gelombang yang akan direkonstruksi. Variasi ini bertujuan untuk mencari model rekonstruksi citra yang optimal untuk merekonstruksi citra hiperspektral dari citra RGB. Lalu, citra hiperspektral rekonstruksi akan digunakan untuk membangun model prediksi kadar karotenoid pada daun bisbul berbasis algoritma machine learning XGBoost, kemudian model prediksi kadar karotenoid berbasis citra hiperspektral rekonstruksi akan dibandingkan dengan model prediksi kadar karotenoid berbasis citra hiperspektral asli. Hasil eksperimen memaparkan bahwa model rekonstruksi citra dengan jumlah dense block sebanyak 30 memiliki performa terbaik, dengan target rentang panjang gelombang 400 nm hingga 1000 nm dan target jumlah bands sebanyak 112. Performa model rekonstruksi citra dengan variasi tersebut memiliki RMSE sebesar 0,0743 dan MRAE sebesar 0,0910. Lalu, performa model prediksi kadar berbasis citra hiperspektral rekonstruksi memiliki RMSE sebesar 0,0565 dan MRAE sebesar 0,0963. Evaluasi kualitatif citra hiperspektral rekonstruksi memiliki pola signatur spektral yang sama dengan citra hiperspektral asli.

---

Hyperspectral image has the spectral number of an object with a wider spectrum range than RGB image. As a some case analysis, a hyperspectral image is far more useful than RGB image. The measurement of contents in an object is one of the applications of the hyperspectral imagery. However, hyperspectral image is difficult to obtain due to a complicated acquisition system. This is down to the fact that hyperspectral imaging requires more expensive cameras, complex system support devices and have a larger size than RGB images. Therefore, this study reconstruct hyperspectral image using RGB images using a convolutional neural network with dense blocks architecture for a case study of a carotenoid content prediction in (Diospyros discolor Willd.) leaves. This research produces a reconstructed hyperspectral image from the RGB image obtained from the conversion process, and an RGB image obtained from the RGB camera. This study’s reconstructed hyperspectral image has a wavelength target from 400 nm to 1000 nm and a number of bands up to 112. This study’s reconstruction algorithm is a convolutional neural network with dense blocks architecture. In this study, an image reconstruction model is built by varying the number of dense block, target range and number of wavelengths to be reconstructed. The purpose of this variation is to find the best image reconstruction model for constructing hyperspectral images from RGB images. The reconstructed hyperspectral images will then be used to build a prediction model of carotenoid levels in (Diospyros discolor Willd.) leaves using the XGBoost machine learning algorithm, and this model will be compared to the original hyperspectral image based on carotenoid content prediction model. The experimental results indicate that the image reconstruction model with a dense block of 30 and a target wavelength range from 400 nm to 1000 nm with band number consist of 112 performs the best. The image reconstruction model performs well with these variations, with an RMSE of 0,0743 and an MRAE of 0,0910. The RMSE and MRAE of the reconstructed hyperspectral image for carotenoid content prediction model are 0,0565 and 0,0963, respectively. The qualitative evaluation of the reconstructed hyperspectral image has the same spectral signatur pattern as the original hyperspectral image."

"Pisang (Musa sp.) merupakan salah satu buah dengan keberagaman yang banyak di Indonesia. Terdapat sekitar 6 sampai 9 subspesies atau varietas pisang Musa acuminata. Pemodelan multi-varieties untuk pengukuran kadar gula total pada suatu buah bertujuan untuk memudahkan proses perhitungan untuk satu kelompok varietas sehingga hanya didapatkan satu model saja yang disebut universal model. Dalam penelitian ini, penulis mencoba membuat universal model untuk pengukuran kadar gula total pada 3 varietas pisang Musa acuminata menggunakan citra hiperspektral berbasis Visible-Near Infrared (VNIR). Universal model utama yang akan digunakan berbasis Convolution Neural Network (CNN). Convolution Neural Networks (CNN) merupakan kumpulan suatu layer (neural) 3 dimensi yang membentuk suatu jaringan (network) yang berfungsi untuk pengolahan data berdimensi tiga melalui proses konvolusi. 3 komponen utama dalam perancangan perangkat keras untuk akuisisi data citra hyperspectral, di antaranya kamera hiperspektral, lampu halogen, dan slider. Pada penelitian ini digunakan 3 jenis buah pisang berbeda, yaitu pisang ambon kuning, pisang cavendish, dan pisang mas. Model universal atau model untuk memprediksi kadar gula total pada pisang cavendish, pisang mas, dan pisang ambon pada penelitian ini didapatkan parameter regresi sebesar 1,1285 untuk RMSEP; 0,2338 untuk RMSEC; 0,8747 untuk RP2; dan 0,9946 untuk RC2. Implementasi deep learning CNN sebagai regresi untuk sistem pengukuran kadar gula total pada varietas pisang Musa acuminata dapat digunakan pada penelitian ini karena didapatkan nilai parameter regresi yang hampir sama dengan parameter hasil regresi pada algoritma PLSR.

---

Banana (Musa sp.) is one of the most diverse fruits in Indonesia. There are about 6 to 9 subspecies or varieties of Musa acuminata banana. Multi-varieties modeling for measuring the total sugar content in a fruit aims to facilitate the calculation process for one varieties group so that only one model is obtained which is called the universal model. In this study, the authors tried to obtain a universal model for measuring total sugar content in 3 Banana Varieties Musa acuminata using hyperspectral imaging based on Visible-Near Infrared (VNIR). The main universal model to be used is based on Convolution Neural Network (CNN). Convolution Neural Networks (CNN) is a set of 3-dimensional (neural) layers that form a network that used for three-dimensional data processing through a convolutional. 3 main hardware components used for hyperspectral image data acquisition, including a hyperspectral camera, halogen lights, and sliders. In this study, three different types of banana were used, there is yellow ambon banana, cavendish banana, and mas banana. Universal model or a model to predict total sugar content in cavendish banana, cas banana, and ambon banana in this study obtained a regression parameter of 1.1285 for RMSEP; 0.2338 for RMSEC; 0.8747 for RP2; and 0,9946 for RC2. The implementation of deep learning CNN as a regression for the total sugar content measurement system in Musa acuminata banana variety can be used in this study due to the regression parameter values are almost the same as the regression parameters in the PLSR algorithm"

"Citra hiperspektral memiliki informasi dalam rentang spektrum yang luas melebihi rentang spektrum yang ada pada citra RGB sebagai citra yang umum digunakan sehari-hari saat ini. Informasi tersebut dapat dimanfaatkan dalam berbagai macam bidang; salah satunya adalah pengukuran kadar tertentu dalam suatu objek. Namun, kamera hiperspektral sebagai alat akuisisi citra memiliki kekurangan yaitu harganya yang mahal, tidak mudah dioperasikan, ukuran hasil citra yang besar, serta memerlukan teknik dan perangkat khusus saat mengakuisisi citra. Hal tersebut berbeda dengan kamera RGB yang memiliki harga yang jauh lebih murah, hasil citra berukuran kecil, serta mudah dioperasikan. Penelitian ini melakukan implementasi sistem rekonstruksi citra hiperspektral dari citra RGB berbasis convolutional neural network ResNet pada sistem prediksi kadar fenolik daun bisbul. Terdapat proses rekonstruksi citra hiperspektral dengan target jumlah bands sebanyak 224 pada rentang panjang gelombang 400 sampai 1000 nm. Penelitian ini menggunakan algoritma model ResNet untuk model rekonstruksi citra, serta algoritma model XGBoost untuk model prediksi kadar. Performa model yang dihasilkan dalam penelitian ini adalah RMSE sebesar 0,1129 dan MRAE sebesar 0,3187 untuk model rekonstruksi citra, serta RMSE sebesar 0,5798 dan MRAE sebesar 0,1431 untuk model prediksi kadar. Citra hiperspektral hasil rekonstruksi mampu menghasilkan pola spectral signature yang serupa dengan citra hiperspektral asli.

---

Hyperspectral images have much information within their large spectrum area; larger than RGB images which are used daily nowadays. The information can be used in many applications; one of them is content measurement of an object. However, hyperspectral cameras as an image acquisition instrument have disadvantages, such as high cost, not easy to operate, large image results, and require additional equipment in its image acquisition. This is different from RGB cameras which have cheaper price, smaller in image size, and easier to operate. This study implemented a hyperspectral image reconstruction system from RGB images based on the ResNet convolutional neural network on the velvet apple leaf’s phenolic content prediction system. This study reconstructs hyperspectral images with a total target of 224 bands in the wavelength range of 400 to 1000 nm. This study uses the ResNet model algorithm for the image reconstruction model, and the XGBoost model algorithm for the content prediction. The performance of the model produced in this study is RMSE of 0.1129 and MRAE of 0.3187 for the image reconstruction model, as well as RMSE of 0.5798 and MRAE of 0.1431 for the content prediction model. The reconstructed hyperspectral image can produce the same spectral signature pattern as the original hyperspectral image."

"Pada saat ini, pengukuran sifat dan karakteristik madu yang menjadi dasar untuk penentuan kualitas madu dilakukan dengan metode berbasis laboratorium yang umumnya memiliki sifat merusak, memerlukan waktu yang lama, satu alat untuk satu pengukuran dan memerlukan penanganan yang khusus. Penelitian ini ditujukan untuk membuat suatu sistem pengukuran berbasis citra hiperspektral yang memiliki sifat tidak merusak, cepat, mudah, dan terintegrasi untuk memprediksi beberapa sifat madu antara lain massa jenis, TSS Total Soluble Solid), konduktivitas listrik, dan pH madu, serta mampu untuk melakukan pengenalan produsen madu. Sistem pengukuran yang dikembangkan menggunakan kamera hiperspektral yang mampu mendeteksi gelombang elektromagnetik pada panjang gelombang 400-1000 nm. Sistem pengolahan citra meliputi pengkoreksi citra, pemilihan area pengukuran, pengekstraksi ciri, pereduksi data, pemodelan pengenalan produsen madu dan pemodelan prediksi sifat madu. Algoritma pereduksi data yang digunakan meliputi PCA (Principal Component Analysis), PLS (Partial Least Square), dan ICA (Independent Componen Analysis). Algoritma pengenalan produsen madu meliputi algoritma DT (Decission Tree), kNN (k Nearest Neighbor), SVM (Support Vector Machine). Algoritma pemodelan prediksi sifat madu meliputi RT (Regression Tree), SVR (Support Vector Regression), dan GPR (Gaussian Process Regression). Sampel madu yang digunakan untuk menguji kinerja sistem yang dikembangkan terdiri atas 140 sampel yang didapatkan dari 3 produsen madu, dimana masing masing produsen mempunyai 9 sumber flora yang berbeda beda. Evaluasi terhadap kinerja sistem dilakukan dengan analisis nilai akurasi pada klasifikasi, serta koefisien determinasi (R2) dan RMSE (Root Mean Square Error) pada regresi. Hasil yang diperoleh menunjukan algoritma PLS-kNN sebagai algoritma terbaik untuk klasifikasi produsen madu dengan tingkat akurasi 79,3%. Algoritma PCA-GPR merupakan algoritma terbaik untuk prediksi nilai massa jenis, TSS, dan konduktivitas listrik dengan nilai R2 sebesar 0,889, 0,801, 0,875 dan RMSE dengan nilai 0,012, 1,738, 0,074. Algoritma terbaik untuk prediksi nilai pH madu adalah PLS-GPR dengan nilai R2 sebesar 0,904 dan RMSE 0,107. Secara umum, sistem yang dikembangkan telah berhasil melakukan pengenalan produsen madu dan memprediksi sifat madu dengan baik.

---

Currently, the measurement of the honey properties which is the basis for determining the quality of honey is carried out by laboratory-based methods which generally have destructive properties, require a long time, one tool for one measurement and require special handling. This research is intended to develop measurement system based on hyperspectral imaging which has non-destructive, fast, easy and integrated properties that are able to measure some of the properties of honey including density, TSS, electric conductivity, and pH. , and are able to recognize the producers of honey.

The measurement system uses a hyperspectral camera over 400-1000 nm wavelength signal. This system use image processing technique including image correction, image segmentation, image extraction, classification algorithm to recognize the producers of honey, and regression algorithm to predict honey properties value. The data reduction algorithm used are PCA (Principal Component Analysis), PLS (Partial Least Square), and ICA (Independent Componen Analysis).

The classification algorithm used are DT (Decission Tree), kNN (k Nearest Neighbor), SVM (Support Vector Machine. The regression algorithm used are RT (Regression Tree), SVR (Support Vector Regression), and GPR (Gaussian Process Regression). The honey samples used to test the performance of the system consisted of 140 samples obtained from 3 honey producers, where each producer had 9 different sources of honey floral origin. Evaluation of the system was done by analyzing the value of accuracy on classification, as well as the coefficient of determination (R2) and RMSE (Root Mean Square Error) in the regression.

The results obtained show the PLS-kNN algorithm as the best algorithm to recognize the honey producers with 79.3% accurac. The PCA-GPR algorithm is the best algorithm for predicting density, TSS, and electrical conductivity with R2 values of 0.889, 0.801, 0.875 and RMSE values of 0.012, 1.738, 0.074. The best algorithm for predicting the pH value of honey was PLS-GPR with R2 value of 0.904 and RMSE 0.107. "

"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."