Hasil Pencarian  ::  Simpan CSV :: Kembali

"Citra hyperspectral merupakan citra yang menyimpan informasi spektrum elektromagnetik dengan jangkauan panjang gelombang tertentu secara kontinu untuk tiap pikselnya. Citra hyperspectral ini lebih kaya informasi dibanding citra RGB biasanya yang hanya menyimpan informasi dari warna merah, hijau, dan biru. Oleh karena itu, citra hyperspectral banyak digunakan di berbagai bidang, salah satunya untuk analisis tinta pada forensik dokumen. Dalam beberapa kasus, tinta yang berbeda distribusi spektranya dapat terlihat sama di mata manusia di bawah sumber cahaya tertentu. Fenomena ini disebut metamerism. Akan tetapi, tinta yang terlihat sama ini tidaklah sama dalam representasi hyperspectral. Penelitian ini bertujuan untuk mendapatkan representasi terbaik citra hyperspectral dengan menggunakan reduksi dimensi PCA dan t-SNE untuk melakukan pengelompokan K-means. Didapatkan hasil bahwa metode t-SNE merupakan hasil terbaik dalam beberapa eksperimen yang dilakukan dengan rata-rata precision 0.782 dan rata-rata recall 0,783. Diharapkan hasil penelitian ini dapat bermanfaat di bidang analisis dokumen

---

Hyperspectral images are images that store electromagnetic spectrum information with a certain range continuously for each pixel. These hyperspectral images contain a lot more information compared to the more common RGB image that only has red, blue, and green bands. Thus, hyperspectral images can be used in various applications, such as for ink analysis in document forensics. In some cases, inks with different spectral distribution may appear similar to the human eye due to metamerism. However, these similar looking inks are not similar in their hyperspectral representation. This research aims to obtain the best representation for hyperspectral images by using PCA and t-SNE dimensionality reduction to perform K-means clustering. From the results, we found that the t-SNE dimensionality reduction techniques gives the best result with average precision of 0,782 and average recall of 0,783. Hopefully this research can be useful for future works in document analysis.

"

"Kadar gula merupakan salah satu karakter kualitas buah pisang yang memengaruhi rasa. Berdasarkan kesamaan karakteristik spektral pada varietas pisang ambon, pisang mas, dan pisang cavendish, yang didapat dari hasil akuisisi citra menggunakan kamera hiperspektral VNIR (400 - 1000 nm), telah berhasil dirancang sebuah universal prediction model yang tidak memerlukan perlakuan destruktif untuk memprediksi nilai kadar gula pada 3 varietas pisang Musa acuminata: pisang ambon, pisang mas, dan pisang cavendish. Filter Savitzky - Golay mengurangi noise pada hasil spektral dan juga memperkuat sinyal yang berisi informasi penting. Pada model regresi Random Forest dengan fitur panjang gelombang optimal berjumlah 20 menghasilkan nilai RMSE pelatihan (train) dan RMSE pengujian (test) yang kecil dengan masing-masing sebesar 0,67 dan 1,08 serta nilai koefisien korelasi pelatihan (R2 Train) dan koefisien korelasi pelatihan (R2 Test) yang besar masing-masing sebesar 0,98, dan 0,94. Hal menunjukan penggunaan algoritma Random Forest untuk pembuatan universal prediction model memiliki hasil yang baik.

---

Sugar content is one of the quality attribute that affects the taste of bananas. A non-destructive universal prediction model has been successfully designed based on the similarity of the spectral characteristics of the Ambon bananas, Mas bananas and Cavendish bananas, which were obtained from the results of image acquisition using a VNIR hyperspectral camera (400 - 1000 nm) to predict the value of sugar content on 3 banana Musa acuminata varieties: Ambon bananas, Mas bananas and Cavendish bananas. The Savitzky - Golay filter reduces noises in the spectral results and also amplifies the signal that contains some important information. Random Forest regression model with 20 features give a small error value with RMSE Train value is 0.67 and RMSE Test value is 1.08, also give a large correlation coefficient value with R2 Train value is 0.98 and R2 Test value is 0.94, it shows that the use of the Random Forest algorithm for designing the universal prediction model has good results."

"Pisang (Musa sp.) merupakan salah satu buah dengan keberagaman yang banyak di Indonesia. Terdapat sekitar 6 sampai 9 subspesies atau varietas pisang Musa acuminata. Pemodelan multi-varieties untuk pengukuran kadar gula total pada suatu buah bertujuan untuk memudahkan proses perhitungan untuk satu kelompok varietas sehingga hanya didapatkan satu model saja yang disebut universal model. Dalam penelitian ini, penulis mencoba membuat universal model untuk pengukuran kadar gula total pada 3 varietas pisang Musa acuminata menggunakan citra hiperspektral berbasis Visible-Near Infrared (VNIR). Universal model utama yang akan digunakan berbasis Convolution Neural Network (CNN). Convolution Neural Networks (CNN) merupakan kumpulan suatu layer (neural) 3 dimensi yang membentuk suatu jaringan (network) yang berfungsi untuk pengolahan data berdimensi tiga melalui proses konvolusi. 3 komponen utama dalam perancangan perangkat keras untuk akuisisi data citra hyperspectral, di antaranya kamera hiperspektral, lampu halogen, dan slider. Pada penelitian ini digunakan 3 jenis buah pisang berbeda, yaitu pisang ambon kuning, pisang cavendish, dan pisang mas. Model universal atau model untuk memprediksi kadar gula total pada pisang cavendish, pisang mas, dan pisang ambon pada penelitian ini didapatkan parameter regresi sebesar 1,1285 untuk RMSEP; 0,2338 untuk RMSEC; 0,8747 untuk RP2; dan 0,9946 untuk RC2. Implementasi deep learning CNN sebagai regresi untuk sistem pengukuran kadar gula total pada varietas pisang Musa acuminata dapat digunakan pada penelitian ini karena didapatkan nilai parameter regresi yang hampir sama dengan parameter hasil regresi pada algoritma PLSR.

---

Banana (Musa sp.) is one of the most diverse fruits in Indonesia. There are about 6 to 9 subspecies or varieties of Musa acuminata banana. Multi-varieties modeling for measuring the total sugar content in a fruit aims to facilitate the calculation process for one varieties group so that only one model is obtained which is called the universal model. In this study, the authors tried to obtain a universal model for measuring total sugar content in 3 Banana Varieties Musa acuminata using hyperspectral imaging based on Visible-Near Infrared (VNIR). The main universal model to be used is based on Convolution Neural Network (CNN). Convolution Neural Networks (CNN) is a set of 3-dimensional (neural) layers that form a network that used for three-dimensional data processing through a convolutional. 3 main hardware components used for hyperspectral image data acquisition, including a hyperspectral camera, halogen lights, and sliders. In this study, three different types of banana were used, there is yellow ambon banana, cavendish banana, and mas banana. Universal model or a model to predict total sugar content in cavendish banana, cas banana, and ambon banana in this study obtained a regression parameter of 1.1285 for RMSEP; 0.2338 for RMSEC; 0.8747 for RP2; and 0,9946 for RC2. The implementation of deep learning CNN as a regression for the total sugar content measurement system in Musa acuminata banana variety can be used in this study due to the regression parameter values are almost the same as the regression parameters in the PLSR algorithm"

"

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.

"

"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."

"Produk internet fixed broadband atau produk internet menggunakan kabel merupakan produk yang jarang digunakan oleh masyarakat Indonesia, padahal di era Covid-19 dengan sistem work from home, masyarakat membutuhkan kualitas internet yang baik. Penelitian ini bertujuan untuk membantu PT ABC mendapatkan pelanggan baru dengan melakukan cross-selling produk terhadap pelanggan dari anak perusahaannya yaitu PT XYZ yang juga menggunakan produk internet fixed broadband namun bukan produk dari PT ABC dengan menggunakan metode machine learning jenis unsupervised learning dengan jenis clustering partisi dengan algoritma k-means clustering dengan menggunakan tool KNIME untuk proses k-means clustering dan tool R Programming untuk proses pencarian cluster jumlah optimal. Hasil dari algoritma ini menemukan bahwa terdapat empat jenis cluster pelanggan PT XYZ yang karakteristiknya dapat dilihat dari sisi pendapatan yang didapat dari hasil korelasi data, cluster 2 dan cluster 3 merupakan cluster potensial dengan 2123 pelanggan dan area yang memiliki sedikit pelanggan adalah area 1 dan area 4, lalu estimasi pendapatan minimum yang akan dihasilkan adalah Rp 8.937.830.000.

---

Internet fixed broadband products or internet products using cables is a products that are rarely used by Indonesian people, even though in the Covid-19 era with a work from home system, people need a good quality internet. This study aims to help PT ABC get new customers by cross-selling products to customers of its subsidiary PT XYZ who also use internet fixed broadband products, but not products from PT ABC by using the machine learning method unsupervised learning types with partition clustering and the k-means clustering algorithm using the KNIME tool for the k-means clustering process and the R Programming tool for the process of finding the optimal number of clusters. The result of this algorithm finds that there are four types of PT XYZ customer clusters whose characteristics we can see from the revenue side from the results of data correlation, cluster 2 and cluster 3 are potential clusters with 2123 customers and areas that have few customers are area 1 and area 4, then the estimated minimum revenue that will be generated is IDR 8,937,830,000."

"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."

"Tingkat kebutuhan daging di dalam negeri terus mengalami peningkatan dari tahun ke tahun. Menurut laporan Badan Pusat Statistik (BPS), pada tahun 2021 rata-rata konsumsi daging ayam di Indonesia mencapai 0,14 kilogram (kg) per kapita per minggu, rekor tertinggi dalam satu dekade terakhir. Tingginya tingkat kebutuhan membuka praktek penjualan ayam bangkai sehingga mempengaruhi tingkat kepercayaan konsumen. Maraknya penjualan daging ayam bangkai membuat perlunya suatu sistem pengujian kualitas daging ayam. Penelitian ini bertujuan untuk membangun sistem multi-output yang dapat mengidentifikasi kualitas daging ayam berdasarkan citra visual near infrared (VNIR) dan spektral VGG. Sampel daging ayam yang telah divariasi, diakuisisi oleh kamera hiperspektral dengan metode line scanning, dan secara paralel dilakukan pengukuran nilai pH. Kemudian citra dilakukan koreksi dan segmentasi sebelum dibangunnya dataset hypercube dimensi dimensi. Klasifikasi berbasis CNN dari arsitektur AlexNet, GoogleNet, dan VGG16 diuji untuk menemukan arsitektur optimal dalam pemodelan multi-output. Berdasarkan penelitian yang telah dilakukan, diperoleh ukuran ROI terbaik untuk model multi-output yakni  24 x 24 x 112 dengan hasil pengujian nilai akurasi pengujian 0,87 untuk kelas varietas dan 0,97 untuk kelas status daging ayam, sementara untuk prediksi kadar pH dengan nilai RMSE pengujian 0,081 dan koefisien determinasi (R²) pengujian 0,812.

---

The demand for meat in the domestic market increases year by year. According to the report from the Badan Pusat Statistik (BPS), in the 2021 the average consumption of chicken meat in Indonesia reached 0.14 kilograms (kg) per capita per week, the highest record in the past decade. Unfortunately, the high demand in the market creates the possibility of carrion chicken carcasses selling, which affects consumer confidence. The prevalence of selling chicken carcasses necessitates a system for testing the quality of chicken meat. This research aims to develop a multi-output system that can identify the quality of carcass chicken based on near-infrared visual (VNIR) and VGG spectral images. The variation of carcass chicken samples are acquired using a hyperspectral camera with a line scanning method, and parallelly taken the value of pH. The images are then corrected and segmented before constructing a hypercube dataset with multiple dimensions. CNN-based classification from AlexNet, GoogleNet, and VGG16 architectures is tested to find the optimal architecture for multi-output modeling. Based on the research, the best ROI (Region of Interest) size for the multi-output model is 24 x 24 x 112. The testing results show an accuracy of 0.87 for the variety class and 0.97 for the status class of carcass chicken. Additionally, for pH prediction, the testing results yield an RMSE (Root Mean Squared Error) value of 0.081 and a coefficient of determination (R²) value of 0.812.

 

"

"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."

"ABSTRACTVisualisasi pertulangan daun telah banyak dilakukan menggunakan citra RGB dan metode pengolahan yang digunakan adalah pemrosesan morfologi. Hasil dari metode tersebut dapat menampilkan pola pertulangan daun atau venasi dengan baik, namun sangat terbatas pada resolusi kamera yang digunakan serta keterbatasan informasi spektral citra daunyan dihasilkan. Pada penelitian kali visualisasi venasi berhasil dilakukan dengan citra hyperspectral dengan panjang gelombang 400-1000nm. Sistem visualisasi pada penelitian kali ini menerima input citra hyperspectral dan menghasilkan output berupa citra venasi. Proses automasi mendapatkan citra venasi menggunakan model klasifikasi. Model klasifikasi dibuat berdasarkan infomasi panjang gelombang dari vena dan bagian helaian daun. Tujuan model klasifikasi ini adalah memprediksi bagian vena pada citra hyperspectral Algoritma klasifikasi yang digunakan pada penelitian ini adalah Support Vector Machine SVM , Multi Layer Perceptron Classifier MLPC , serta Decision Tree DT . Hasil akurasi dari model mencapai 97 pada model SVM, 95 pada model MLPC, dan 81 pada model DT. Model SVM dan MLPC selanjutnya digunakan untuk memprediksi citra hyperspectral untuk menghasilkan citra venasi daun bayam merah. Hasil akhir, berupa citra venasi menggunakan model SVM lebih baik karena mampu memvisualisasikan bagian vena primer dan vena sekunder dibandingkan citra venasi dengan model MLPC.

---

ABSTRACTVenation visualization broadly have been done by RGB images using morphological image processing. The result of that method can visualizing leaf venation properly, but it depends on camera resolution and limited spectral information. In this research, we developing venation visualization system using hyperspectral image on band 400 1000nm. Our system visualizing red amaranth leaf venation as a output and hyperspectral image for input. To automated identifying venation region, we built classification model to predict based on spectral information. Classification model take every hyperspectral image pixel to predict leaf vein. In this work, we made 3 classification model namely SVM Support Vector Machine , MLPC Multi Layer Perceptron Classifier , and DT Decision Tree . Our model trained by 5 fold cross validation. Average accuracy score for SVM model up to 97 , 95 for MLPC and 81 on DT. Regard this accuracy result, SVM and MLPC model used for constructed venation image and DT model fall on overfitting state. The final result, SVM perform better than MLPC by visualizing primary vein and secondary vein."