Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Pada teknik pencitraan hiperspektral kemungkinan terjadinya pencampuran kandungan beberapa material di permukaan bumi (endmembers) dalam sebuah piksel cukup besar. Hal ini bisa disebabkan oleh resolusi sensor spasialnya yang kurang baik atau secara alami pencampuran terjadi pada tingkat partikel. Oleh karena itu dibutuhkan metode untuk memisahkan pencampuran endmembers tersebut agar didapatkan informasi spasial mengenai distribusi material pada tingkat subpiksel, metode ini dikenal dengan istilah unmixing (pemisahan). Penelitian ini mengajukan metode pemisahan citra hiperspektral menggunakan norm L1-L2. Pembagian kandungan kuantitatif material (abundances) dicari menggunakan model sparse regression unmixing dengan melihat karakteristik sparse-nya. Model yang diajukan dioptimisasi menggunakan algoritma alternating direction method of multipliers (ADMM). Hasil analisis secara kualitatif dan kuantitatif menunjukkan bahwa metode yang diajukan menghasilkan kualitas yang paling baik dengan menghasillkan nilai SRE yang paling tinggi yaitu 22,275 dibanding metode SUnSPI 15,274 dan SUnSAL-TV 20,803 serta menghasilkan nilai RMSE yang paling rendah yaitu  6,4x10-4 dibanding metode SUnSPI 1,5x10-3 dan SUnSAL-TV 7,2x10-4. ...... Hyperspectral Imaging has a high chance of mixing of various material on Earths surface (endmembers) in a pixel. Low quality of spatial resolution sensor or naturally occured mixing in particle level are usually the problem. Consequently, new method is required in order to separate the endmembers mixing to acquire spatial information regarding material distribution in sub-pixel level, this method is called unmixing. This research proposes unmixing method of hyperspectral imaging based on L1-L2 norm. The quantitative distribution of material  (abundances) is sought using sparse regression unmixing model by looking into the sparse characteristic. The proposed latest model is optimised using altering direction method of multipliers (ADMM) algorithm. The result of quantitative analysis shows that the proposed method generates the best quality by having the highest SRE value, which is 22.275 as compared to SunSPI and SunSAL-TV method which are 15.274 and 20.803 consecutively, and lowest RMSE value, which is 6.4. 10-4 as compared to SunSPI and SunSAL-TV method which are 1.5×10-3 and 7.2×10-4 consecutively.

Abstrak :
ABSTRAK
Umumnya 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.

---

ABSTRACT
Commonly, 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.

Abstrak :
ABSTRAK
Pada tesis ini diajukan sebuah metode baru untuk pendeteksian anomali pada citra hiperspektral, bernama algoritma morphological profile dan attribute filter. Metode ini terdiri dari tiga langkah. Pertama, menyeleksi sebuah pita spektral yang mengandung banyak informasi untuk pendeteksian anomali menggunakan sebuah algoritma baru berbasis entropi dan histogram count. Kedua, menghapus background pada pita spektral yang telah diseleksi menggunakan morphological profile. Kemudian memfilter false anomali menggunakan attribute filter. Sebuah algoritma baru juga diajukan pada tesis ini untuk menentukan luas maksimum area anomali. Eksperimen yang telah dilakukan dengan dataset citra hiperspektral riil menunjukkan bahwa metode yang diajukan memiliki rata-rata AUC sebesar 0.9916, lebih bagus dari metode FrFE-RX, AED, dan SDBP-D yang memiliki rata-rata AUC secara berturut-turut sebesar 0.9657, 0.9757, dan 0.9872. Metode yang diajukan pada tesis ini memiliki rata-rata waktu komputasi sebesar 0.25 detik, lebih cepat dari metode FrFE-RX, AED, dan SDBP-D yang memiliki rata-rata waktu komputasi secara berturut-turut sebesar 31.37, 0.55, dan 3667.2 detik.

---

ABSTRACT
In this thesis, a novel hyperspectral anomaly detection method, called morphological profile and attribute filter algorithm, is proposed. This method consists of three steps. First, select a band containing rich information for anomaly detection using a novel band selection algorithm based on entropy and histogram counts. Second, remove the background of the selected band with morphological profile. Then, filter the false anomaly with attribute filter. A novel algorithm is also proposed in this thesis to define the maximum area of anomalous objects. Experiments conducted on real hyperspectral datasets show that the average AUC of the proposed method is 0.9916, better than the average AUC of FrFE-RX, AED, and SDBP-D methods which are 0.9657, 0.9757, and 0.9872, respectively. Moreover, the average computing time of the proposed method is 0.25 seconds, faster than the average computing times of FrFE-RX, AED, and SDBP-D which are 31.37, 0.55, dan 3667.2 seconds, respectively.

Abstrak :
Pencitraan hiperspektral dapat diaplikasikan pada berbagai bidang. Salah satunya adalah pengukuran kadar suatu zat yang terkandung dalam suatu objek. Namun, pencitraan berbasis kamera hipespektral mempunyai kelemahan, yaitu mahal, besar, memerlukan perangkat keras tambahan yang kompleks, dan ukuran data citranya yang besar. Sebaliknya citra RGB memiliki perangkat yang jauh lebih sederhana, harga kamera yang lebih murah, dan ukuran data yang lebih kecil. Oleh karena itu, penelitian ini mengusulkan sistem prediksi kadar flavonoid dalam daun Bisbul (Diospyros discolor Willd.) menggunakan citra RGB yang direkonstruksi menjadi citra hiperspektral. Arsitektur model rekonstruksi yang diusulkan pada penelitian ini adalah U-ResNet, penggabungan arsitektur U-Net dengan Res-Net. Penelitian ini mencari arsiktektur rekonstruksi dan ukuran target yang optimal untuk melakukan rekonstruksi citra hiperspektral dan prediksi kadar. Setelah didapatkan arsitektur yang optimal, prediksi kadar flavonoid dilakukan menggunakan algoritma XGBoost dengan memvariasikan ukuran input sesuai hasil rekonstruksi. Hasil penelitian menunjukkan jumlah band sebanyak 224 dan rentang panjang gelombang 400-1000nm merupakan target rekontruksi yang optimal untuk sistem prediksi kadar flavonoid berbasis citra RGB. Sistem yang disarankan memiliki performa rekonstruksi RMSE sebesar 0,0961 dan MRAE sebesar 0,1955, serta performa prediksi kadar RMSE sebesar 29,818 dan MRAE sebesar 0,1080. Kesimpulannya, pengukuran kadar flavonoid dapat dilakukan menggunakan citra hiperspektral hasil rekonstruksi untuk menggantikan kamera hiperspektral. ......Hyperspectral imaging can be applied in various fields. One of them is the content measurement of a substance contained in an object. However, hyperspectral camera-based imaging has disadvantages, namely expensive, large, requires complex additional hardware, and large image data size. In contrast, RGB images have much simpler tools, cheaper cameras, and smaller data sizes. Therefore, this study proposes a prediction system for flavonoid content in Bisbul (Diospyros discolor Willd.) leaves using an RGB image reconstructed into a hyperspectral image. The architecture of the reconstruction model proposed in this research is U-ResNet, combining U-Net architecture with Res-Net. This research is looking for optimal reconstruction architecture and target size for hyperspectral image reconstruction and flavonoid content prediction. After obtaining the optimal architecture, the prediction of flavonoid content was carried out using the XGBoost algorithm by varying the input size according to the reconstruction results. The results showed that reconstruction target with 224 bands within of 400-1000nm wavelength range was the optimal reconstruction target for the RGB image-based flavonoid content prediction system. The recommended system has an RMSE reconstruction performance of 0.0961 and an MRAE of 0.1955, and an RMSE content prediction performance of 29.818 and an MRAE of 0.180. In conclusion, measurement of flavonoid content can be carried out using reconstructed hyperspectral images to replace hyperspectral cameras.