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."

"Beras merupakan bahan pangan pokok bagi masyarakat Indonesia. Biasanya masyarakat Indonesia memilih beras berdasarkan varietas karena masing-masing varietas memiliki karakteristik cita rasa, tekstur, dan aroma yang berbeda-beda. Pada aspek kesehatan, masyarakat dapat memilih beras berdasarkan teknik budi daya, yaitu organik atau anorganik. Namun, pada saat ini belum ada instrumen yang mampu mengidentifikasi varietas dan teknik budi daya beras. Penelitian ini dirancang untuk membuat sistem pengenalan varietas dan teknik budi daya beras berbasis citra hiperspektral dengan rentang panjang gelombang 400 – 1000 nm. Sistem dirancang menggunakan multi-output multi-class dengan arsitektur AlexNet. Dalam proses pembangunan sistem, citra yang masuk ke dalam sistem disegmentasi menjadi bagian kecil yang disebut sebagai region of interest (ROI). Penelitian ini melakukan eksperimen variasi ukuran ROI sebesar 32x32, 36x36, dan 40x40. Hasil akurasi pengujian yang cukup baik diperoleh dari model multi-output dengan ukuran ROI 40x40. Hasil akurasi pengujian yang diperoleh adalah sebesar 95,14% untuk output varietas dan 96,43% untuk output teknik budi daya. Melalui eksperimen ini, sistem multi-output multi-class berbasis citra hiperspektral terbukti mampu mengidentifikasi varietas dan teknik budi daya beras sekaligus.

---

Rice is a staple food for Indonesian people. Usually, they choose rice based on varieties because each variety has different characteristics of taste, texture, and aroma. In health aspect, they can choose rice based on cultivation techniques such as organic or conventional. However, at this time there is no instrument that can identify variety and cultivation technique of rice. This research is designed to create a recognition system of both variety and cultivation technique based on hyperspectral image with a wavelength range of 400 – 1000 nm. The system is designed using multi-output multi-class with AlexNet architecture. In the system development process, the images that enter the system are segmented into small parts called region of interest (ROI). This study conducted an experiment with ROI variation size of 32x32, 36x36, and 40x40. A good test results are obtained from ROI size of 40x40. The test accuracy results are 95.14% for variety ouput and 96.43% for cultivation technique output. Through this experiment, a multi-output multi-class system based on hyperspectral image was proven to be able to identify variety and cultivation technique of rice at the same time."

"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."

"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."

"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."

"Sistem prediksi berbasis citra hiperspektral dapat diimplementasi dengan algoritma deep neural networks (DNN). Di penelitian ini, daun bisbul (Diospyros discolor Willd.) digunakan sebagai sampel dengan citra dari daun yang diakuisisi pada rentang gelombang 400-1000nm. Model pada penelitian ini bekerja dengan melakukan klasifikasi daun bisbul dan prediksi kadar polifenol pada daun bisbul. Sistem klasifikasi pada penelitian ini menggunakan algoritma DNN untuk membagi kelas menjadi daun bisbul, bukan daun bisbul dan teflon, model yang digunakan adalah model dense dan Stacked Auto Encoder (SAE) yang menggunakan fungsi loss categorical cross-entropy. Kedua sistem klasifikasi tersebut mampu meraih performa maksimum dengan akurasi 100%. Pada sistem prediksi kandungan polifenol dibagi menjadi dua yaitu senyawa flavonoid dan fenolik. Menggunakan model DNN yang belum teroptimasi dan masih dangkal model dapat memprediksi senyawa flavonoid dengan performa R2 pada 70,47% dan senyawa fenolik dengan performa R2 pada 70,08%. Lalu model tersebut diatur sedemikian rupa sehingga mendapatkan hyperparameter terbaik dan arsitektur yang lebih dalam, model ini dapat memprediksi kadar flavonoid dengan performa R2 pada 94,50% dan kadar senyawa fenolik dengan performa R pada 71,51%.

---

Prediction system based on hyperspectral imaging can be implemented with deep neural networks (DNN) algorithm. In this research, velvet apple leaves (Diospyros discolor Willd.) are used as a sample with image of leaves that have been acquired within the 400-1000nm wavelength. The working of the model in this research is based on classification of the velvet apple leaf and the prediction of the levels of polyphenol in it. DNN algorithm is used for the classification system to categorize the sample either actual velvet apple leaf, non-velvet apple leaf, and a teflon, with Dense DNN and Stacked Auto Encoder (SAE) as the models with categorical cross-entropy as the loss function. In both classification system are shown to be capable of archieving maximum performance with the accuration of 100%. A prediction system to predict polyphenol content that are divided into flavonoid and fenolic compounds. Using an unoptimized and shallow DNN model, it predict the flavonoid compound with the R2 performance of 70,47% and phenolic compound with the R2 performance of 70,08%. Furthermore, the model are configured so it can get the best hyperparameters and a more deep architecture, this model can predict of flavonoid with a R2 performance of 94,50% and phenolic with a R2 performance of 71,51%."

"Kanker payudara adalah sekelompok penyakit di mana sel-sel di jaringan payudara berubah dan membelah secara tidak terkendali, yang biasanya menghasilkan benjolan atau massa. World Health Organization (WHO) telah merilis data dari Global Burden of Cancer (GLOBOCAN) yang menyebutkan bahwa jumlah kasus dan kematian akibat kanker payudara diperkirakan terus meningkat hingga lebih dari 13,1 juta pada tahun 2030. Salah satu metode yang menjadi gold standard dalam mendiagnosis kanker payudara adalah melalui pemeriksaan histopatologi, yang melibatkan pengambilan jaringan utuh melalui operasi, biopsi atau kerokan untuk menentukan jenis tumor payudara baik ganas ataupun jinak. Pemeriksaan ini berfungsi untuk melihat perubahan morfologi sel dari jaringan dengan metode paraffin. Metode machine learning dan deep learning berperan penting dalam klasifikasi kanker payudara. Belakangan ini, metode deep learning telah mengalami kemajuan yang besar dan kinerja yang baik dalam visi computer dan pemrosesan gambar yang diterapkan dalam metode klasifikasi pada citra gambar histopatologi. Dalam penelitian ini, penulis mengklasifikasi dua kelas pada kanker payudara menggunakan metode Xtreme of Inception (Xception) pada data citra histopatologi menjadi dua kelas, yaitu kelas jinak dan kelas ganas, yang terbagi menjadi dua kasus, dimana kasus 1 memiliki rasio pemisah data dimana data training : validation : testing sebesar 8:1:1 dan kasus kedua memiliki rasio 7:2:1. Dari hasil simulasi yang telah dilakukan, diperoleh hasil evaluasi dari kedua kasus penelitian bahwa pada evaluasi training model, kasus 1 memiliki hasil terbaik dimana pemisah data memiliki rasio 8:1:1 yang memiliki rata-rata accuracy 98,11%, validation 98,45% serta running time 663027.5772 ms. Seperti halnya pada evaluasi training model, pada evaluasi testing model kasus 1 dengan rasio pemisah data 8:1:1 memiliki hasil terbaik yaitu precision 96,56%, recall 99,55%, accuracy 99,55% serta running time 607,6727 ms.

---

Breast cancer is a group of diseases in which cells in the breast tissue change and divide uncontrollably, which usually results in a lump or mass. The World Health Organization (WHO) has released data from the Global Burden of Cancer (GLOBOCAN) which states that the number of cases and deaths from breast cancer is expected to continue to increase to more than 13.1 million in 2030. One of the methods that has become the gold standard in diagnosing Breast cancer is through histopathological examination, which involves taking intact tissue through surgery, biopsy or scraping to determine the type of breast tumor whether malignant or benign. This examination serves to see changes in cell morphology of tissues with the paraffin method. Machine learning and deep learning methods play an important role in breast cancer classification. Recently, deep learning methods have experienced great progress and good performance in computer vision and image processing applied in classification methods on histopathological images. In this study, the authors classified two classes of breast cancer using the Xtreme of Inception (Xception) method on histopathological image data into two classes, namely the benign class and the malignant class, which were divided into two cases, where case 1 had a data separator ratio where the training data : validation : testing is 8:1:1 and the second case has a ratio of 7:2:1. From the simulation results that have been carried out, the evaluation results of the two research cases show that in the training model evaluation, case 1 has the best results where the data separator has a ratio of 8:1:1 which has an average accuracy of 98.11%, validation of 98.45 % and running time 663027.5772 ms. As with the evaluation of the training model, the evaluation of testing model case 1 with a data separation ratio of 8:1:1 has the best results, namely 96.56% precision, 99.55% recall, 99.55% accuracy and 607.6727 ms running time."

"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. "

"Beras merupakan salah satu bahan pangan yang memiliki peran penting dalam kehidupan masyarakat Indonesia. Berbagai penelitian dan eksperimen dilakukan untuk mengembangkan kualitas beras salah satunya ada iradiasi beras. Pemanfaatan radiasi pada beras memiliki batasan dosis radiasinya sehingga diperlukan suatu instrumen yang dapat mengukur kadar dosis radiasi pada beras. Penelitian ini bertujuan untuk menganalisis performa tiga model deep learning, yaitu VGG16, AlexNet, dan ResNet34, dalam mengestimasi intensitas dosis radiasi pada sampel beras berwarna putih, merah, dan hitam. Data latihan, validasi, dan pengujian yang terdiri dari sampel-sampel berwarna putih, merah, dan hitam telah digunakan untuk melatih dan menguji model-model tersebut. Hasil penelitian menunjukkan bahwa performa model bervariasi tergantung pada ROI yang digunakan. Dalam hal akurasi pengenalan sampel pada data validasi dan pengujian, VGG16 ROI 20 menunjukkan hasil terbaik dengan akurasi mencapai 73% pada validasi dan 71% pada pengujian. Meskipun AlexNet juga menghasilkan performa yang kompetitif, dengan akurasi validasi dan pengujian mencapai 72%, waktu pelatihan yang lebih singkat dimiliki oleh AlexNet menjadi keunggulan yang signifikan. Namun, perlu diketahui bahwa ResNet34 menghasilkan performa yang lebih rendah dibandingkan dengan VGG16 dan AlexNet. Meskipun memiliki waktu pelatihan yang lebih lama, ResNet34 tidak mencapai tingkat akurasi yang sama dengan kedua model lainnya. Hasil penelitian ini memberikan wawasan penting dalam memilih model deep learning yang sesuai untuk pengenalan sampel berwarna putih, merah, dan hitam pada ROI dengan ukuran berbeda. Faktor-faktor seperti akurasi, waktu pelatihan, dan kebutuhan komputasi harus dipertimbangkan secara holistik dalam pemilihan model terbaik. Penelitian selanjutnya dapat menguji model-model ini pada dataset yang lebih luas dan dalam konteks aplikasi yang lebih kompleks untuk memvalidasi temuan ini secara lebih mendalam.

---

Rice is one of the staple foods that plays a crucial role in the lives of Indonesian people. Various research and experiments have been conducted to improve the quality of rice, including the use of rice irradiation. The utilization of radiation on rice has a specific dosage limit, thus requiring an instrument capable of measuring the radiation dose level in rice. This study aims to analyze the performance of three deep learning models, namely VGG16, AlexNet, and ResNet34, in estimating the intensity of radiation dose in white, red, and black rice samples. Training, validation, and testing data consisting of white, red, and black rice samples were used to train and evaluate these models. The results of the study showed that the performance of the models varied depending on the Region of Interest (ROI) used. In terms of sample recognition accuracy in the validation and testing data, VGG16 ROI 20 demonstrated the best performance with an accuracy of 73% in validation and 71% in testing. Although AlexNet also achieved competitive performance, with validation and testing accuracies reaching 72%, the advantage of shorter training time in AlexNet was significant. However, it should be noted that ResNet34 yielded lower performance compared to VGG16 and AlexNet. Despite having a longer training time, ResNet34 did not achieve the same level of accuracy as the other two models. These research findings provide valuable insights for selecting the appropriate deep learning model for recognizing white, red, and black rice samples in different ROIs. Factors such as accuracy, training time, and computational requirements need to be considered holistically in choosing the best model. Further research can test these models on larger datasets and in more complex application contexts to validate these findings more comprehensively."

"Transmitansi dan reflektansi merupakan dua metode pengukuran yang umum digunakan untuk melakukan investigasi terhadap sifat kimia zat cair berdasarkan spektrum optis. Dalam kasus karakterisasi madu, penelitian ini dilakukan untuk menunjukkan perbandingan dari kedua metode pengukuran tersebut pada prediksi parameter kualitas madu seperti Total Soluble Solids (TSS), pH, dan Electrical Conductivity (EC) berdasarkan sistem pencitraan hiperspektral. Sistem terdiri atas kamera hiperspektral SPECIM FX10 dengan 224 kanal (400-1000 nm), tiga buah lampu halogen 150 W, sebuah kotak diffuser cahaya, sebuah slider bermotor, dan sebuah PC. Kemudian, algoritma Partial Least Square-Support Vector Regression (PLS-SVR) dengan Gaussian Kernel untuk memprediksi nilai referensi berdasarkan spektrum transmitansi dan reflektansi yang telah didapatkan. Performa dari setiap metode diuji dengan tenfold Cross Validation, yang akan mengelompokkan data menjadi 10 partisi. Sampel diperoleh dari 30 varian madu dengan warna yang bervariasi, ditempatkan pada cawan Petri berdiameter 5 cm dengan volume 5 mL. Performa dari setiap metode diukur berdasarkan nilai koefisien determinasi R2 dan Root Mean Square Error (RMSE). Evaluasi model yang diperoleh dari metode transmitansi menghasilkan R2 sebesar 0,75, 0,87, dan 0,83, RMSE sebesar 3,62, 0,03, dan 0,01 untuk prediksi nilai TSS, pH, dan EC berdasarkan testing data. Untuk prediksi parameter yang sama, metode reflektansi menghasilkan R2 sebesar 0,82, 0,91, dan 0,94, RMSPE dan 2,72, 0,02, and 4,98×10-3 berdasarkan testing data. Pada penelitian ini, metode reflektansi memiliki kinerja yang lebih baik daripada metode transmitansi dalam prediksi parameter kualitas madu.

---

Transmittance and reflectance modes are the two most common measurement methods used for investigating liquid chemical properties based on optical spectrum. In the case of honey characterization, this research performed to show a comparison between both measurement methods to predict honey quality parameters, such as Total Soluble Solids (TSS), pH, and Electrical Conductivity (EC) based on the Vis-NIR hyperspectral imaging system. The system consists of Specim FX10 hyperspectral camera with 224 bands (400-1000 nm), three 150 W halogen lamps, a light diffuser box, a motorized slider, and a PC. Then, Partial Least Square-Support Vector Regression (PLS-SVR) with Gaussian Kernel algorithm applied to predict reference values based on the acquired transmittance and reflectance spectrum. Performance of each method tested by tenfold Cross Validation, which randomly grouping the dataset into ten partitions. Samples is obtained from 30 different honey variant with varied colors, placed in 5 cm diameter Petri dishes at 5 mL volume. Performance of each tmethod measured by coefficient of determination R2 and a Root Mean Square Error (RMSE) score. Model evaluation of transmittance mode results in R2 of 0.75, 0.87, and 0.83, RMSE of 3.62, 0.03, and 0.01 for TSS content pH, and EC prediction based on testing data. For similar predicted parameters, reflectance mode results in R2 of 0.82, 0.91, and 0.94, RMSPE of 2.72, 0.02, and 4,98×10-3 based on testing data. In this research, reflectance mode performs better than transmittance mode in the prediction of honey quality parameters."