Hasil Pencarian  ::  Simpan CSV :: Kembali

"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."

"Sintesis nanopartikel perak dilakukan dengan metode biologi menggunakan air rebusan daun bisbul (Diospyros blancoi), yang berperan sebagai agen pereduksi Proses pembentukan nanopartikel perak dipelajari dan dimonitor dengan mengamati spektrum absorpsi menggunakan spektrofotometer UV-Vis. Hasil pengamatan menunjukkan nilai absorbansi semakin besar seiring dengan bertambahnya waktu reaksi. Puncak absorbsi spektrum UV-Vis dari sampel biosintesis nanopartikel perak tanpa dan dengan stirer masing-masing di panjang gelombang 414-418 nm dan 414-419 nm selama 2 minggu. Efek mekanik dalam proses biosintesis nanopartikel perak cenderung mempercepat pembentukan nanopartikel perak. Pendeteksian ion logam berat tembaga (II) secara sederhana, cepat, dan selektif menggunakan nanopartikel perak yang dimodifikasi dengan polivinil alkohol (PVA) telah dikembangkan. Penambahan PVA ke dalam sistem AgNO3 dan air rebusan daun bisbul dilakukan dengan variasi waktu pada 0, 1, dan 24 jam. Puncak absorbsi spektrum UV-Vis masing-masing di panjang gelombang 412-423 nm, 415-417 nm, dan 414-420 selama 2 minggu. PVA memperlambat pembentukan nanopartikel perak. Larutan indikator berubah dari kuning ke ungu muda hingga merah saat mendeteksi ion Cu2+ dan tidak berubah warna ketika mendeteksi ion Mn2+, Pb2+, dan Zn2+. Larutan indikator mulai berubah warna ketika mendeteksi konsentrasi 1000 ppm Cu2+. Hasil karakterisasi UV-Vis dari larutan indikator dan ion Cu2+ menunjukkan pita absorbansi baru pada panjang gelombang sekitar 500 nm.

---

Synthesis of silver nanoparticles was conducted with biological method using water of boiled bisbul (Diospyros blancoi) leaf, which acted as reducing agent. Process formation of silver nanoparticles was studied and monitored by observing absorption spectrum using UV-Vis sphectrophotometer. The result of the observation shows that absorbance value increases with increasing time reaction. Peak of UV-Vis absorption spectrum of biosynthesis sample of silver nanoparticles without and with stirring each in wavelength of 414-418 nm and 414-419 nm for two weeks. Mechanical effect in biosynthesis process of silver nanoparticles tends to speed up the formation of silver nanoparticles. Detection of copper (II) ion in simple, rapid, and selective way using silver nanoparticles modified with polyvinl alcohol (PVA) has been developed. The addition of PVA into system of AgNO3 and water of boiled bisbul leaf was conducted with variation of time at 0, 1, and 24 hours. Peak of absorption spectrum each in wavelength of 412-423 nm, 415-417 nm, and 414-420 nm for two weeks. PVA slows down the formation of silver nanoparticles. Indicator solution changes from yellow to purple until red when detecting Cu2+ ion and does not change colour when detecting Mn2+, Pb2+, and Zn2+ ions. Indicator solution starts to change when detecting 1000 ppm of Cu2+. The result of UV-Vis characterization of indicator solution and ion Cu2+ shows new band absorbance in wavelength around 500 nm."

"Salah satu pemanfaatan Nanopartikel Perak NPP di bidang medis ialah sebagai agen antimikroba. Telah dilakukan penelitian biosintesis nanopartikel perak dengan menggunakan ekstrak daun Bisbul Diospyros discolor Willd. sebagai pereduksi nanopartikel perak. Nanopartikel perak hasil biosintesis terbentuk dibuktikan dengan puncak - maksimum di kisaran panjang gelombang 420--450 nm. Pemindaian Transmission Electron Microscopy TEM membuktikan keberadaan nanopartikel perak, kisaran ukuran 10--50 nm dengan bentuk yang masih heterogen. Pengujian aktivitas antimikroba menghasilkan zona bening untuk mikroba E. coli sebesar 7,01 1,01 mm untuk NPP yang tidak disentrifugasi dan 7,40 0,76 mm untuk NPP yang disentrifugasi. Diameter zona bening untuk S. aureus yaitu sebesar 7,66 0,94 mm untuk NPP yang tidak disentrifugasi dan 7,69 0,62 mm untuk NPP yang disentrifugasi. Indeks aktivitas antimikroba terhadap E. coli yang dihasilkan sebesar 0,17 0,16 untuk NPP yang tidak disentrifugasi dan0,20 0,14 untuk NPP yang disentrifugasi. Indeks aktivitas antimikroba terhadap S. aureus yang dihasilkan sebesar 0,40 0,19 untuk NPP yang tidak disentrifugasi dan 0,28 0,10 untuk NPP yang disentrifugasi. Hasil goresan dari suspensi sel yang dipaparkan dengan NPP; pada teknik tube dilution, menunjukkan adanya penurunan kerapatan pertumbuhan seiring lama waktu paparan 5, 10 dan 15 menit.

---

Silver nanoparticles or AgNP has wide uses it has long known for its antimicrobial property. With Bisbul Diospyros discolor Willd. leaves extract as the reducing agent against AgNO3 solution of 1 mM, AgNP has been successfully obtained. It is proven by detection of maximum peak around 420 450 nm wavelength. TEM scanning has further proven the existence of AgNP which size ranged from 10 50 nm and has relatively heterogenous shapes. Antimicrobial assay against E. coli resulted in clear zone of 7.01 1.01 mm for uncentrifuged AgNP and 7.40 0.76 mm for centrifuged AgNP. The assay against S. aureus has clear zone of 7.66 0.94 mm for uncentrifuged AgNP and 7.69 0.62 mm for centrifuged AgNP. Antimicrobial activity index assay against E. coli resulted in 0.17 0.16 for uncentrifuged AgNP and 0.20 0.14 for centrifuged AgNP. The assay against S. aureus resulted in 0.40 0.19activity index for uncentrifuged AgNP and 0.28 0.10 for centrifuged AgNP. The growth line obtained from streak method from tube dilution assay method shows decline of growth in cell suspension which have been exposed with biosynthetized AgNP for 5, 10 and 15 minutes."

"Kandungan total karotenoid dalam tumbuhan umumnya diukur menggunakan analisis spektrofotometri, dengan sifatnya yang merusak sampel terdapat batasan yang bisa dilakukan untuk penelitian selanjutnya. Digunakan pencitraan hiperspektral menggabungkan analissi spektral dan spasial yang bersifat tidak merusak sampel. Timbul masalah terutama pada bagian algoritma untuk membuat sistem prediksi pada citra hiperspektral karena diperlukan algoritma dengan akurasi yang tepat dan cepat. Penelitian ini membahas tentang komparasi algoritma pembelajara mesin metode ensemble dengan menambahkan tuning hyperparameter menggunakan random search dan memanfaatkan seleksi fitur yang dimiliki tiap model untuk meningkatkan performa dan mengurangi waktu latih model prediksi kadar karotenoid pada daun Bisbul. Sistem prediksi menghasilkan performa dasar, random forest dengan semua fitur memiliki RMSE sebesar 38,16, serta R2 sebesar 0,95, dan waktu latih 4,27s, xgboost dengan semua fitur memiliki RMSE sebesar 39,82, serta R2 sebesar 0,95, dan waktu latih 0,83s, lightgbm dengan semua fitur memiliki RMSE sebesar 35,59, serta R2 sebesar 0,96, dan waktu latih 1,73s, catboost dengan semua fitur memiliki RMSE sebesar 31,60, serta R2 sebesar 0,97, dan waktu latih 17,34s. Dengan menggunakan fitur hasil seleksi dan I, performa sistem berhasil ditingkatkan, random forest tuning dengan 30 fitur memiliki RMSE sebesar 34,39, serta R2 sebesar 0,96, dan waktu latih 5,85s, xgboost tuning dengan 120 fitur memiliki RMSE sebesar 33,32, serta R2 sebesar 0,96, dan waktu latih 1,73s, lightgbm tuning dengan 50 fitur memiliki RMSE sebesar 32,24, serta R2 sebesar 0,97, dan waktu latih 0,22s, catboost tuning dengan 40 fitur memiliki RMSE sebesar 28,53, serta R2 sebesar 0,97, dan waktu latih 4,92s. Secara umum Catboot memiliki peningkatan RMSE paling tinggi, lightgbm memiliki peningkatan waktu latih paling tinggi.

---

The total carotenoid content in plants is generally measured using spectrophotometric analysis, with its destructive to the sample there are limitations that can be done for further research. Hyperspectral imaging combining spectral and spatial analysis is used that is not destructive to the sample. Problems arise, especially in the algorithm section to create a prediction system on hyperspectral images because an algorithm with precise and fast accuracy is required. This study discusses the comparations of machine learning algorithm with the ensemble method by adding hyperparameter tuning using random search and utilizing the feature selection of each model to improve performance and reduce training time for predictive models of carotenoid levels in velvet leaves. The prediction system produces basic performance, random forest with all features has RMSE of 38.16, and R2 of 0.95, and training time of 4.27s, xgboost with all features has RMSE of 39.82, and R2 of 0.95, and training time of 0.83s, lightgbm with all features has an RMSE of 35.59, and R2 of 0.96, and training time of 1.73s, catboost with all features has an RMSE of 31.60, and R2 of 0.97, and training time 17.34s. By using the selected features and I, system performance has been successfully improved, random forest tuning with 30 features has an RMSE of 34.39, and R2 of 0.96, and training time of 5.85s, xgboost tuning with 120 features has an RMSE of 33, 32, and R2 of 0.96, and training time of 1.73s, lightgbm tuning with 50 features has RMSE of 32.24, and R2 of 0.97, and training time of 0.22s, catboost tuning with 40 features has an RMSE of 28.53, and R2 is 0.97, and training time is 4.92s. In general Catboot has the highest increase in RMSE, lightgbm has the highest increase in training time."

"Sistem prediksi kadar fenolik pada daun Bisbul (Diospyros discolor Willd.) berbasis citra hiperspektral visible and near-infrared (VNIR) terbukti mampu dibuat dan mendapatkan hasil dengan nilai yang baik. Kamera hiperspektral dengan rentang panjang gelombang 400-1000 nm digunakan dalam mengakuisisi citra VNIR pada daun Bisbul. Penelitian ini membahas mengenai komparasi dari beberapa model regresi baru dengan penelitian terdahulu yang diharapkan bisa mendapatkan hasil yang lebih baik dalam memprediksi kadar fenolik pada daun Bisbul. Digunakan tiga model regresi dalam membuat sistem prediksi ini yaitu model Partial Least Square Regression (PLSR), Random Forest, dan XGBoost Regressor. Sistem Prediksi menggunakan PLSR menghasilakan sebesar 3,62 (RMSE test), 0,81 (R2 test), nilai akurasi sebesar 91,3%, dan waktu training 0,27 detik. Sistem Prediksi menggunakan Random Forest tanpa menggunakan seleksi fitur menghasilakan sebesar 4,04 (RMSE test), 0,81 (R2 test), nilai akurasi sebesar 90,86%, dan waktu training 17,81 detik. Sistem Prediksi menggunakan Random Forest dengan seleksi fitur menghasilakan sebesar 3,84 (RMSE test), 0,79 (R2 test), nilai akurasi sebesar 91,31%, dan waktu training 19,05 detik. Sistem Prediksi menggunakan XGBoost Regressor dengan menghasilakan sebesar 3,48 (RMSE test), 0,83 (R2 test), nilai akurasi sebesar 91,1%, dan waktu training 24,9 detik. Performa terbaik dihasilkan oleh model XGBoost Regressor dengan sedikit perbedaan dengan PLSR. Model XGBoost Regressor berhasil meningkatkan performa sebesar 14% pada RMSE dan 2% pada R2 berbanding dengan PLSR.

---

Phenolic levels prediction system on Bisbul leaves (Diospyros discolor Willld.) Based on visible and near-infrared (VNIR) hyperspectral images proved to be able to be made and get results with good values. Hyperspectral camera with a wavelength range of 400-1000 nm is used in acquiring VNIR images on Bisbul leaves. This study discusses the comparison of several new regression models with previous studies that are expected to get better results in predicting phenolic levels in Bisbul leaves. Three regression models are used in making this prediction system, namely the Partial Least Square Regression (PLSR), Random Forest, and XGBoost Regressor models. The prediction system using PLSR produces 3.62 (RMSE test), 0.81 (R2 test), an accuracy of 91.3%, and a training time of 0.27 seconds. The prediction system uses Random Forest without using the selection feature with results of 4.04 (RMSE test), 0.81 (R2 test), an accuracy of 90.86%, and a training time of 17.81 seconds. The prediction system using Random Forest with feature selection resulted in 3.84 (RMSE test), 0.79 (R2 test), an accuracy of 91.31%, and a training time of 19.05 seconds. The prediction system using the XGBoost Regressor produces 3.48 (RMSE test), 0.83 (R2 test), an accuracy of 91.1%, and training time of 24.9 seconds. The best performance is produced by XGBoost Regressor with a slight difference from PLSR. The XGBoost Regressor model managed to improve performance by 14% on RMSE and 2% on R2 compared to PLSR."