Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKDaging 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

---

ABSTRACTChicken`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"

"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. "

"Tingkat kebutuhan daging di dalam negeri terus mengalami peningkatan dari tahun ke tahun. Menurut laporan Badan Pusat Statistik (BPS), pada tahun 2021 rata-rata konsumsi daging ayam di Indonesia mencapai 0,14 kilogram (kg) per kapita per minggu, rekor tertinggi dalam satu dekade terakhir. Tingginya tingkat kebutuhan membuka praktek penjualan ayam bangkai sehingga mempengaruhi tingkat kepercayaan konsumen. Maraknya penjualan daging ayam bangkai membuat perlunya suatu sistem pengujian kualitas daging ayam. Penelitian ini bertujuan untuk membangun sistem multi-output yang dapat mengidentifikasi kualitas daging ayam berdasarkan citra visual near infrared (VNIR) dan spektral VGG. Sampel daging ayam yang telah divariasi, diakuisisi oleh kamera hiperspektral dengan metode line scanning, dan secara paralel dilakukan pengukuran nilai pH. Kemudian citra dilakukan koreksi dan segmentasi sebelum dibangunnya dataset hypercube dimensi dimensi. Klasifikasi berbasis CNN dari arsitektur AlexNet, GoogleNet, dan VGG16 diuji untuk menemukan arsitektur optimal dalam pemodelan multi-output. Berdasarkan penelitian yang telah dilakukan, diperoleh ukuran ROI terbaik untuk model multi-output yakni  24 x 24 x 112 dengan hasil pengujian nilai akurasi pengujian 0,87 untuk kelas varietas dan 0,97 untuk kelas status daging ayam, sementara untuk prediksi kadar pH dengan nilai RMSE pengujian 0,081 dan koefisien determinasi (R²) pengujian 0,812.

---

The demand for meat in the domestic market increases year by year. According to the report from the Badan Pusat Statistik (BPS), in the 2021 the average consumption of chicken meat in Indonesia reached 0.14 kilograms (kg) per capita per week, the highest record in the past decade. Unfortunately, the high demand in the market creates the possibility of carrion chicken carcasses selling, which affects consumer confidence. The prevalence of selling chicken carcasses necessitates a system for testing the quality of chicken meat. This research aims to develop a multi-output system that can identify the quality of carcass chicken based on near-infrared visual (VNIR) and VGG spectral images. The variation of carcass chicken samples are acquired using a hyperspectral camera with a line scanning method, and parallelly taken the value of pH. The images are then corrected and segmented before constructing a hypercube dataset with multiple dimensions. CNN-based classification from AlexNet, GoogleNet, and VGG16 architectures is tested to find the optimal architecture for multi-output modeling. Based on the research, the best ROI (Region of Interest) size for the multi-output model is 24 x 24 x 112. The testing results show an accuracy of 0.87 for the variety class and 0.97 for the status class of carcass chicken. Additionally, for pH prediction, the testing results yield an RMSE (Root Mean Squared Error) value of 0.081 and a coefficient of determination (R²) value of 0.812.

 

"

"Penelitian ini dilakukan untuk menguji kelayakan penerapan teknik pencitraan hiperspektral di wilayah variabel 400-1000 nm untuk mengetahui kandungan formalin. Sistem pencitraan hiperspektral terdiri dari kamera hiperspektral, slider, motor slider, dua sumber lampu halogen dan komputer yang digunakan untuk proses akuisisi data dan pengolahan data. Citra hiperspektral merupakan sebuah hypercube yang berisi informasi spasial dan spektral. ROI digunakan untuk memilih area sampel yang homogen. Data ROI diekstraksi dengan merata-ratakan data spasialnya, sehingga hanya diperoleh data spektral. Metode principle component analysis PCA digunakan untuk mereduksi dimensi data data spektral dan memilih fitur yang akan digunakan sebagai masukan dalam klasifikasi. Linear discriminant analysis LDA digunakan sebagai model untuk mengklasifikasikan kelas yang berbeda, yaitu formalin dan nonformalin. Model PCA regresi digunakan untuk menguji akurasi nilai prediksi terhadap nilai pengujian laboratorium. Dari hasil percobaan pada pengamatan hari pertama, kedua dan ketiga menunjukkan keefektifan model LDA dalam memisahkan sampel tahu berformalin dan tahu tanpa formalin dengan akurasi diatas 86,81 , 93,06 , dan 100 . Serta dari hasi regresi linier pada pengamatan hari pertama, kedua dan ketiga diperoleh koefisien korelasi R2 sebesar 0,98, 0,99 dan 0,99 serta nilai RMSE sebesar 1,83, 1,40 dan 1,27. Hasil ini menunjukkan bahwa pencitraan hiperspektral merupakan pendekatan yang menjanjikan untuk memprediksi kandungan formalin yang dengan cepat dan akurat.

---

This study was carried out to examine the feasibility of applying hiperspektral imaging technique in the spectral region 400 1000 nm for classification formaldehyde tofu. The system hardware of hiperspektral imaging consists of hiperspektral camera with spectral region 400 1000 nm, workbench, motor slider, two halogen lamp source and personal computer used for the data acquisition process and data processing. Hyperspectral image is a hypercube that contains of spatial and spectral information. ROI is used to select a homogeneous sample area. ROI data is extracted by averaging its spatial data, so that only spectral data are obtained. The principle component analysis PCA method is used to reduce dimensions of the data and select the features to be used as input in the classification. The linear discriminant analysis LDA is used as a model to classify to distinct classes, that is formaldehyde tofu and without formaldehyde tofu. PCA Regression model is used to test the accuracy prediction values against the value of laboratory testing. Result from the experiment on the first, second and third day observations showed the effectiveness of the LDA model in separating the informal sample of formalin and tofu without formalin with an accuracy above 86.81 , 93.06 , and 100 . As well as from the results of linear regression on first, second and third observations obtained correlation coefficient R2 of 0.98, 0.99 and 0.99 and RMSE of 1.83, 1.40 and 1.27. These results suggest that hyperspectral imaging is a promising approach to predicting rapidly and accurately formaldehyde content."

"ABSTRACTPemanfaatan air terozonasi dalam upaya mempertahankan kualitas daging ayam telah dievaluasi berdasarkan parameter fisik, kimia, dan mikrobiologisnya. Penelitian ini memiliki tujuan untuk mengevaluasi keefektivan kinerja metode air terozonasi dilihat dari pengaruh waktu kontak ozon dan penggantian air terozonasi. Untuk menjawab tujuan penelitian ini, dilakukan variasi waktu kontak ozon yaitu 40, 80, dan 120 menit dan penggantian air terozonasi yaitu setiap 40 dan 60 menit serta tanpa penggantian. Parameter kelayakan daging ayam yang dievaluasi adalah jumlah bakteri Escherichia coli, total mesofil aerobik TBMA, kadar protein, pH dan kadar air. Pada hari ketujuh penyimpanan pada waktu kontak 120 menit ozon mampu mendisinfeksi bakteri Escherichia coli dan TBMA sebanyak 1.700 dan 9,4 108 CFU/g, sementara pada penggantian air terozonasi setiap 40 menit sebanyak 1.700 dan 1,1 109 CFU/g lebih banyak dari blanko. Sedangkan kadar protein, kadar air, dan pH pada variasi waktu kontak serta penggantian air masing-masing sebesar 17,45 ; 79,85 ; 4,95 dan 15,70 ; 80,61 ; 4,91.

---

ABSTRACTThe application of ozonated water to maintain the quality of chicken meat had been evaluated based on its physical, chemical, and microbiological parameters. The objectives of this study were to evaluate the effectiveness of the performance of the ozonated water in terms of the influence of ozone contact time and the replacement of the ozonated water. To acknowleadge the objectives of this study, the variation of ozone contact time were done 40, 80, and 120 minutes and the replacement of ozonated water were done every 40 and 60 minutes and without replacement. The evaluated parameters were Escherichia coli, total mesophylic aerobic TBMA, pH, protein and water content. On the seventh day storage at 120 minutes of ozone contact time, it was able to disinfect Escherichia coli and TBMA as much as 1.700 and 9,4 108 CFU g, while on the replacement water every 40 minutes 1,700 and 1,1 109 CFU g more than blank. While the levels of protein, moisture content, and pH on the variation of contact time and replacement of water respectively of 17,45 ; 79,85 ; 4,95 and 15,70 ; 80,61 ; 4,91."

"ABSTRAKBelimbing manis merupakan buah yang memiliki kualitas rasa dan tekstur yangoptimal jika berada pada tingkat kematangan yang tepat. Pada penelitian ini,sebuah pencitraan hiperspektral telah dirancang untuk memprediksi nilai solublesolids content (SSC) dan firmness serta memprediksi tingkat kematangan buahbelimbing yang diklasifikasikan dalam tiga kelas yaitu mentah, matang dan terlalumatang. Pengklasifikasian ini akan dilakukan berdasarkan informasi spasial,informasi spektral dan kombinasi informasi spektral dan spasial dari citrahiperspektral dengan wilayah panjang gelombang 400-1000 nm. Tahapan-tahapanpengolahan citra yang dilakukan adalah akuisisi citra, koreksi citra, segmentasi,ekstraksi dan seleksi fitur, pemodelan kuantitatif menggunakan algoritma principalcomponent regression (PCR) dan partial least square regression (PLSR) sertapemodelan kualitatif menggunakan algoritma support vector machines (SVM).Pengujian kinerja model kualitatif untuk memprediksi tingkat kematangan dapatdilihat berdasarkan nilai error klasifikasi dan pengujian kinerja model kuantitatifuntuk memprediksi nilai SSC dan firmness dapat dilihat dari nilai koefisien korelasidan root mean square error. Model kualitatif terbaik diperoleh dengan errorklasifikasi 6,5%. Model kuantitatif untuk memprediksi SSC diperoleh denganmengimplementasikan PLSR dengan nilai koefisien korelasi dan RMSE sebesar0,98 dan 0,42. Model kuantitatif untuk memprediksi firmness diperoleh denganmengimplementasikan PLSR dengan nilai koefisien korelasi dan RMSE sebesarserta 0,94 dan 4,72.

---

ABSTRACTStarfruit is a fruit that has a quality of taste and texture optimal if it is at the rightlevel of ripeness. In this study, a hyperspectral imaging has been designed to predictthe soluble solids content (SSC) and firmness values and to predict the starfruitripenesslevels classified in three classe unripe, ripe and overripe. This classificationwill be based on spatial information, spectral information and a combination ofspectral and spatial information from hyperspectral image with the region of thewaveleght 400-1000 nm. Steps of image processing are image acquisition, imagecorrection, segmentation, feature extraction and selection, quantitative modelingusing principal component regression (PCR) and partial least square regression(PLSR) algorithms and qualitative modeling using support vector machines (SVM)algorithm . Qualitative model performance test to predict ripeness level can be seenbased on classification error value and quantitative model performance test topredict the value of SSC and firmness can be seen from the correlation coefficientand root mean square error. The best qualitative model is obtained with aclassification error of 6.5%. The quantitative model for predicting SSC wasobtained by implementing PLSR with correlation coefficient and RMSE of 0.98and 0.42. Quantitative models for predicting firmness are obtained by implementingPLSR with correlation coefficient and RMSE of 0.94 and 4.72."

"

Adulterasi beras adalah tindakan pencampuran beras kualitas tinggi dengan kualitas rendah dengan tujuan keuntungan ekonomi. Pada penelitian ini membuat sistem identifikasi adulterasi beras yang memiliki penyusun utama adalah Pandan Wangi dengan beras pencampurnya antara lain adalah IR64 Premium, IR64 Medium 1, IR64 Medium 2, IR64 Medium 3, dan Beras Kualitas Rendah. Pada pembuatan sistem identifikasi menggunakan citra hiperspektral dengan model klasifikasi support vector machine dan convolutional neural network. Model klasifikasi support vector machine dikombinasikan dengan principal component analysis sedangkan pada model klasifikasi convolutional neural network terdiri atas dua arsitektur yaitu autoencoder dan proposed convolutional neural network. Model yang digunakan adalah proposed convolutional neural network yang memiliki hasil paling tinggi diantara yang lainnya dengan hasil akurasi klasifikasi pada beras adulterasi Pandan Wangi dan IR64 Premium sebesar 90%, beras adulterasi Pandan Wangi dan IR64 Medium 1 sebesar 93%, beras adulterasi Pandan Wangi dan IR64 Medium 2 sebesar 97%, beras adulterasi Pandan Wangi dan IR64 Medium 3 sebesar 97%, dan beras adulterasi Pandan Wangi dan Beras Kualitas Rendah sebesar 100%. Dari hasil akurasi klasifikasi tersebut dapat disimpulkan bahwa sistem identifikasi beras adulterasi Pandan Wangi bekerja dengan optimal.

---

Rice adulteration is an act to mix high quality of rice with low quality rice for beneficial economic purposes. In this study, the rice adulteration testing system which has the main constituent is Pandan Wangi with its mixing rice, among others, IR64 Premium, IR64 Medium 1, IR64 Medium 2, IR64 Medium 3, and Low Quality Rice. In making the assessment system using hyperspectral images with classification models support vector machines and convolutional neural networks. The classification model supports vector machines combined with principal component analysis whereas the convolutional neural network classification model consists of two architectures, namely autoencoder and a proposed convolutional neural network. The model used is the proposed convolutional neural network which has the highest results related to the assessment results on Pandan Wangi and IR64 Premium adulteration at 90%, Pandan Wangi and IR64 Medium 1 adulteration at 93%, Pandan Wangi and IR64 Medium 2 at 97%, Pandan Wangi and IR64 Medium 3 at 97%,  Pandan Wangi and Rice Quality low-rice adulteration by 100%. From the results of verification of this classification it can be concluded that the Pandan Wangi adulteration rice system worked optimally.

"

"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. "

"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."

"Kandungan total flavonoid dalam tumbuhan umumnya diukur menggunakan analisis spektrofotometri berdasarkan tingkat penyerapan warna. Dalam penelitian ini, sistem pemetaan flavonoid pada daun bisbul (Diospyros discolor Willd.) diperkenalkan menggunakan teknik pencitraan hiperspektral menggabungkan analisis spektral dan spasial. Sistem pemetaan dapat menunjukkan distribusi total flavonoid pada daun bisbul. Sistem ini terdiri dari sistem pengukuran dan model matematika dengan cara mengubah setiap piksel spasial menjadi nilai yang mewakili jumlah flavonoid dalam daun bisbul. Sistem pengukuran terdiri dari kamera hiperspektral, lampu halogen, slider serta kerangka pengukuran. Random forest (RF) dan XGBoost Regressor digunakan untuk menghitung model transformasi antara nilai reflektansi dan total flavonoid. Random forest juga digunakan untuk menyeleksi panjang gelombang yang memiliki korelasi terhadap flavonoid. Pembangunan sistem pengukuran dilakukan dengan 18 sampel daun bisbul dengan variasi usia daun berdasarkan letak daun pada satu dahan. Dalam rentang panjang gelombang penuh, model RF memberikan root mean square error (RMSE) 18,46 dan koefisien determinasi (R2) 0,89. Model RF setalah dilakukan pemilihan panjang gelombang menghasilkan RMSE 18,07 serta R2 0,90. Model XGBoost Regressor memberikan RMSE 11,89 dan koefisien determinasi 0,96. Sistem pemetaan yang diusulkan dapat digunakan dalam menganalisis distribusi flavonoid dalam daun bisbul.

---

The total content of flavonoids in plants is generally measured using spectrophotometric analysis based on color absorption rates. In this study, mapping system of flavonoid distribution of (Diospyros discolor Willd.) leaf was introduced using hyperspectral imaging technique combining spectral and spatial analysis. The mapping system provides total distribution of flavonoids in (Diospyros discolor Willd.) leaves. This system consists of a measurement system and a mathematical model that converts each spatial pixel into a value that represents the number of flavonoids in (Diospyros discolor Willd.) leaves. The measurement system consists of a hyperspectral camera, halogen lamp, slider, and measurement frame. Random forest (RF) and XGBoost Regressor are used to calculate the transformation model between reflectance values ​​and total flavonoids. Random forest is also used to select wavelengths that have a correlation with flavonoids. The construction of the measurement system was carried out with 18 samples of (Diospyros discolor Willd.) leaves with variations in the age of leaves based on the location of the leaves on one branch. In the full wavelength range, the RF model gives the root mean square error (RMSE) 18.46 and the determination coefficient (R2) 0.89. The RF model after selecting the wavelength produces RMSE 18.07 and R2 0.90. The XGBoost Regressor model gives RMSE 11.89 and the coefficient of determination 0.96. The proposed mapping system can be used in analyzing the distribution of flavonoids in (Diospyros discolor Willd.) leaves."