Hasil Pencarian  ::  Simpan CSV :: Kembali

"

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. "

"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."

"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."

"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."

"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 berkabut disebabkan oleh partikel mikro di udara yang menyerap atau memantulkan gelombang elektromagnetik. Hasil citra yang didapat akan buram atau kehilangan informasi secara detail. Penelitian ini bertujuan untuk menganalisis pengaruh kabut terhadap citra hyperspectral termasuk wavelength dependence, perubahan hue, dan ekstraksi informasi warna. Selain itu, penelitian ini akan membandingkan hasil dehazing pada citra spektral berkabut dengan citra spektral yang ditransformasi menjadi citra RGB. Hasil penelitian menunjukkan bahwa pengaruh kabut pada citra spektral adalah wavelength dependent. Selanjutnya perubahan kabut hampir sama sekali tidak signifikan perubahan pada hue tetapi perubahan terlihat dengan jelas pada intensitas citra. Visualisasi warna citra hyperspectral perlu dilakukan koreksi terhadap jarak wavelength untuk menghasilkan citra RGB yang baik. Selain itu, hasil dehazing pada citra hyperspectral lalu divisualisasi warna dengan metode CLTR berhasil memulihkan warna pada citra dibandingkan dehazing terhadap citra RGB.

---

Hazy images are caused by microparticles in the air absorbing or reflecting electromagnetic waves. The resulting image will be blurry or lose detailed information. This study analyzes the effect of fog on the hyperspectral image, including wavelength-dependence, hue changes and color information extraction. This study will also compare the results of dehazing on a hazy hyperspectral image with a spectral image transformed into an RGB image. The results showed that the effect of fog on the spectral image is wavelength dependence. Furthermore, the change in fog is almost completely insignificant for the shift in hue. Still, the difference is clearly visible in the intensity of the image. Hyperspectral image color visualization needs to be corrected to the distance wavelength to produce an excellent RGB image. Besides, the results of dehazing on a hyperspectral image and then visualized by the CLTR method succeeded in restoring the color in the image compared to dehazing against an RGB image."

"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."