Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKSistem prediksi berbasis citra VNIR mampu untuk memprediksi parameter tertentu pada suatu objek. Parameter seperti kadar fenolik dari daun bisbul dapat diprediksi dengan sistem prediksi berbasis citra VNIR. Citra VNIR daun bisbul diakuisisi menggunakan kamera hiperspektral dengan rentang 400 hingga 1000 nm. Model regresi yang digunakan pada sistem prediksi ini meliputi Support Vector Regression (SVR), Partial Least Square Regression (PLSR), serta Decision Tree Regression (DTR). Dari ketiga model tersebut didapatkan nilai error yang menunjukkan performa sistem prediksi yang dibuat. Error berupa koefisien determinasi (R2) dan Root Mean Square Error (RMSE). Nilai koefisien determinasi (R2) sebesar 0,95 (SVR); 0,91 (PLSR); dan 0,90 (DTR). Serta untuk RMSE sebesar 2,66 (SVR). 3,60 (PLSR), dan 3,90 (DTR). Berdasarkan hasil koefisien korelasi dari ketiga model tersebut, dapat disampaikan bahwa kadar fenolik dari daun bisbul dapat diprediksi dengan menggunakan model SVR untuk performa yang baik dan menggunakan parameter fungsi kernel polinomial orde 3. Nilai prediksi kadar fenolik rata-rata dari ketiga model sebesar 32,72 GAE(µg/mg) untuk DTR; 32,46 GAE(µg/mg) untuk PLSR; dan 32,27 GAE(µg/mg) untuk SVR.

---

ABSTRACT

Prediction systems based on VNIR images are able to predict certain parameters on an object. Parameters such as the phenolic content of Diospyros discolor Willd leaf can be predicted by this system. VNIR images of Diospyros discolor Willd leaf acquired using a hyperspectral camera with a range of 400 to 1000 nm. The regression model to predict the content used Support Vector Regression (SVR), Partial Least Square Regression (PLSR), and Decision Tree Regression (DTR). Based on three models, an error value is obtained that indicates the performance of the predictive system. The error value such as coefficient correlation (R) and Root Mean Square Error (RMSE). The value of R from the models are 0,95 (SVR); 0,91 (PLSR), and 0,90 (DTR). The value of RMSE from the models are 2,66 (SVR). 3,60 (PLSR), and 3,90 (DTR). Value of predicted total phenolic content from the models are 32,72 GAE(µg/mg) for DTR; 32,46 GAE(µg/mg) for PLSR; dan 32,27 GAE(µg/mg) for SVR. Based on the coefficient correlation, phenolic content can be predicted using SVR model for best result with kernel function polynomial 3 order.

"

"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."

"ABSTRAKDiperlukan suatu sistem yang mampu membantu dokter untuk mendiagnosis seorang pasien perokok atau bukan. Smoker rsquo;s melanosis dapat digunakan sebagai salah satu indikator untuk mengetahui seseorang perokok atau bukan. Penelitian ini memfokuskan pada pembangunan suatu sistem identifikasi perokok secara tidak invasif berbasis pencitraan hiperspektral Hyperspectral Imaging . Sistem yang dikembangkan terdiri atas instrumen akuisisi citra lidah perokok dan algoritma pengolahan citra yang menggunakan ciri spektral dan spasial pada rentang Visible and Near-Infrared VNIR . Rerata intensitas piksel pada suatu rentang spasial digunakan sebagai ciri yang merepresentasikan reflektansi relatif pada panjang gelombang 400-1000 nm. Metode PCA digunakan untuk mereduksi dimensi ciri menjadi lima buah ciri representatif. Metode SVM digunakan untuk mengklasifikasikan ciri menjadi informasi piksel Smoker rsquo;s Melanosis SM dan normal. Pengujian dengan menggunakan 45 sampel yg terdiri dari 20 perokok dan 25 nonperokok dilakukan untuk menguji kinerja sistem yang dikembangkan. Berdasarkan hasil pengujian diperoleh nilai akurasi 97.31 , misclassification rate MR 2.69 , false positive rate FPR 0 , false negative rate FNR 5,83 , sensitivity 94.17 , dan specificity 100 . Secara umum, sistem telah bekerja untuk membantu mendiagnosis seorang perokok.

---

ABSTRACTsystem which could help a doctor to diagnose patient who is smoker or not smoker is needed. Smoker 39 s melanosis could be used as one of indicator to identify someone is a smoker or not. This study focuses on the development of a non invasive system of smoker identification based on hyperspectral imaging. The developed system consists of smoker 39 s image acquisition instrument and image processing algorithm using spectral and spatial characteristics in the Visible and Near Infrared VNIR range. The average pixel intensity at a spatial range is used as a feature that represents the relative reflectance at the wavelength of 400 1000 nm. The PCA method is used to reduce the dimensions features into five representative features. The SVM method is used to classify the feature into Smoker 39 s Melanosis SM and normal pixel information. This experiment was using 45 samples consisting of 20 smokers and 25 nonsmokers. It were perfomed to test the performance of the developed system. The results show that the accuracy is 97.31 , misclassification rate MR is 2.69 , false positive rate FPR is 0 , false negative rate FNR is 5,83 , sensitivity is 94.17 , and specificity is 100 . In general, the system has worked to help diagnose a smoker."

"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%."

"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."

"

Diospyros discolor Willd. (Bisbul) diketahui merupakan satu dari banyak tanaman yang memiliki aktivitas sebagai agen pereduksi ion perak menjadi nanopartikel perak. Kemampuan tersebut dipengaruhi oleh kandungan fitokimia dalam ekstrak. Komparasi penggunaan pelarut yang berbeda berdasarkan tingkat polaritas pelarut sangat dibutuhkan untuk mengetahui karakteristik senyawa fitokimia yang terekstraksi. Penelitian ini bertujuan untuk mengetahui pengaruh penggunaan pelarut etanol, etil asetat dan heksana untuk pembuatan ekstrak kasar daun D. discolor, serta kandungannya untuk sintesis nanopartikel perak. Ekstrak kasar pelarut ogranik diperoleh melalui hasil maserasi. Selanjutnya, setiap ekstrak dengan konsentrasi 0,025% digunakan untuk proses sintesis nanopartikel perak. Hasil yang diperoleh menunjukkan bahwa semua jenis ekstrak mengandung terpen dan alkaloid, serta tidak terdeteksi saponin dan flavonoid. Sementara itu, ekstrak etanol dan ekstrak etil asetat, mengandung fenol, sedangkan pada ekstrak heksana tidak terdeteksi adanya fenol. Hasil uji total fenol tertinggi yaitu pada ekstrak etanol sebesar 247,47 ± 2,3 mgGAE/g sampel. Hasil uji kandungan flavonoid tertinggi terdapat pada ekstrak heksana dengan nilai 19290 ± 777,82 mgQE/g sampel. Analisis spektrum UV-Vis dari hasil biosintesis nanopartikel perak memperlihatkan puncak absorbansi pada panjang gelombang 350—500 nm pada sintesis menggunakan ekstrak etanol dan ekstrak etil asetat. Hasil tersebut menunjukkan kecenderungan bahwa pelarut yang bersifat semi polar dapat berperan dalam mengekstraksi senyawa-senyawa yang diduga berperan dalam biosintesis nanopartikel perak dengan kecepatan reaksi yang berbeda.

---

Diospyros discolor Willd. (Bisbul) known as one of many plants that has activity to reduce silver ion into silver nanoparticles. The ability influenced by phytochemical content in the extract. Comparison of different solvents based on solvent polarity level is needed to determine the characteristics of phytochemical compounds extracted. This study aims to determine the effect of  using ethanol, ethyl acetate, and hexane solvents to get the crude extracts of D. discolor leaves and their contents for the synthesis of silver nanoparticles. The crude extract with organic solvent is obtained through maceration results. Furthermore, extract with concentration of 0.025% were used for the synthesis of silver nanoparticles respectively. The results of this study indicate that all types of extracts contain terpenes and alkaloids, and no saponins and flavonoids were detected. Meanwhile, ethanol and ethyl acetate extracts contained phenols, while in hexane extract there was no  phenols detected. The highest total phenol test results 247.47 ± 2.3 mgGAE/g sample are in the ethanol solvent of. The highest flavonoid test results 19290 ± 777.82 mgQE/g sample are in hexane extract. Analysis of UV-Vis spectrum from the results of biosynthesis of silver nanoparticles from ethanol and ethyl acetat extracts showed peaks ranging from 350—500 nm. The result showed the tendency semi-polar solvent play a role in extracting compounds that estimate play a role in the biosynthesis of silver nanoparticles with different reaction rate.

"

"ABSTRACTUmumnya untuk membedakan antara lidah perokok dan lidah bukan perokok adalah dengan melihat secara visual yang dilakukan oleh praktisi medis dan masih bersifat invasif. Dalam penelitian ini, sistem pengenalan lidah perokok dibangun dengan menggunakan teknik pencitraan hiperspektral dengan rentang spektrum panjang gelombang VNIR Visible Near Infrared berbasis kombinasi ciri spektral dan ciri tekstur. Tujuan penelitian ini adalah membangun sistem pengenalan lidah perokok berbasis kombinasi ciri spektral dan ciri tekstur untuk meningkatkan nilai akurasi pada sistem pengenalan lidah perokok yang berbasis ciri spektral saja. Ciri spektral yang digunakan adalah nilai reflektansi yang didapat langsung dari ROI Region of Interest citra lidah, sedangkan untuk ciri tekstur yang digunakan adalah nilai energi, homogenitas, korelasi, dan kontras yang didapat pada metode ekstraksi ciri GLCM Gray level Co-occurence Matrix. Kedua ciri tersebut dikombinasikan sebagai input yang digunakan pada tahapan seleksi ciri dengan metode PLS Partial Least Square, yang kemudian akan diklasifikasikan menggunakan metode SVM Support Vector Machine. Hasil klasifikasi SVM kemudian dilakukan validasi dengan menggunakan metode k-cross validation. Nilai Akurasi yang didapat dari hasil klasifikasi SVM dengan kombinasi ciri spektral dan ciri tekstur di 4 bagian lidah, lebih baik dibandingkan dengan nilai akurasi yang didapat dari hasil klasifikasi SVM dengan ciri spektral saja, dengan kenaikan akurasi sebesar 1,19 untuk lidah bagian anterior, 3,35 untuk lidah bagian posterior, 7,95 untuk lidah bagian lateral A, dan 1,02 untuk lidah bagian lateral B.

---

ABSTRACTGenerally, to differentiate between smoker 39s tongue and non smoker 39s tongue is by doing an eye examination, which is invasive and performed by medical practitioners. In this research, smoker 39s tongue recognition system is built by using hyperspectral imaging technique with range of VNIR wavelength spectra, which is based on a combination of spectral features and texture features. The aim of this study is to built smoker 39s tongue recognition system based on a combination of spectral features and texture features to increase the value accuracy of smoker 39s tongue recognition system based on its spectral features only. The spectral features used are the reflectance value obtained from ROI Region of Interest from tongue images, while the texture characteristics used are the energy value, homogenity, correlation, and contrast obtained from extraction method of GLCM Gray Level Co occurence Matrix features. Both features are combined as an input used in the feature selection stage by using PLS Partial Least Square method, which then will be classified by using SVM Support Vector Machine method. After that, the SVM classification result will be validated by using k cross validation method. The value accuracy which is obtained from SVM classification result, by combining the spectral features and the texture characteristics in four regions of tongue, is better than the value accuracy from SVM classification result with spectral features only, with an accuracy increase of 1.19 for anterior region of tongue, 3.35 for posterior region of tongue, 7.95 for lateral A region of tongue, and 1,02 for lateral B region of tongue."