Hasil Pencarian  ::  Simpan CSV :: Kembali

"Madu adalah cairan yang manis, kental, berwarna coklat kekuningan yang dibuat oleh lebah dan serangga dari nektar yang dikumpulkan dari bunga, yang sering digunakan untuk suplemen makanan atau obat alami. Setiap bunga nektar menghasilkan berbagai jenis madu dimana masing-masing madu memiliki manfaat tersendiri bagi kesehatan manusia. Dalam penelitian ini, sistem deteksi botanical origin madu diusulkan berdasarkan profil transmitansi spektral menggunakan sistem pencitraan hiperspektral. Sistem pengambilan citra terdiri dari modul transmitansi, lampu halogen, slider dan sistem pencitraan hiperspektral. Gambar direkam dalam 224 kanal dengan rentang panjang gelombang 400 nm hingga 1000 nm. Metode pemrosesan gambar terdiri atas koreksi gambar, segmentasi gambar, ekstraksi fitur, reduksi fitur, dan model klasifikasi. Jaringan Pengenalan Pola dengan lapisan tersembunyi tunggal digunakan sebagai model klasifikasi. Backpropagation regularisasi Bayesian dilakukan untuk melatih model. Lima-jenis botanical origin madu dari tiga produsen yang berbeda dikumpulkan untuk mengevaluasi sistem yang diusulkan. Tiga sampel disiapkan dan diukur untuk setiap botani dari masing-masing produsen untuk membuat dataset madu. Confusion matrix digunakan untuk mengukur kinerja klasifikasi. Berdasarkan hasil eksperimen, akurasi klasifikasi botanical origin adalah 93,3% dan klasifikasi berdasarkan merek adalah 99,3%. Hasil yang ditunjukkan sangat baik untuk sistem klasifikasi.

---

Honey is a sweet, sticky, yellowish-brown fluid made by bees and other insects from nectar collected from flowers, which often been used for food supplement or natural drug. Each nectar flower produces different kind of honey which each honey has its own benefits for human health. In this study, a detection system of honey botanical origin was proposed based spectral transmittance profile using hyperspectral imaging and machine learning. An image acquiring system consist of the transmittance module, halogen lamp, object slider and hyperspectral imaging system. The image was recorded in 224 band with wavelength range from 400 nm to 1000 nm.

An image processing method performs image correction, segmentation, feature extraction, feature reduction and classification model. A Pattern Recognition Network with hidden layer was used a classification model. A Bayesian regularization backpropagation was conducted to train the model. Five-type of the honey botanical origin from three different producers was collected to evaluate the proposed system. Three samples were prepared and measured for each botanical from each producer to create the honey dataset. A confusion matrix was used to measure the classification performance. Based on the experiment result, the accuracy of botanical origin classification is 93.3% and 99.3% for classification based on brand of honey. The result shows an excellent performance for the classification system."

"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."

"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. "

"ABSTRAKPada 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.

---

ABSTRACTIn 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."

"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."

"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."

"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."

"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."

"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."

"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. "