Prediksi Piperin Secara Non Destruktif Pada Cabai Jawa (Piper Retrofractum Vahl) Berdasarkan Analisis Warna dan Tekstur Menggunakan Artificial Neural Network.

Rohmatulloh, Bagas and Yusuf Hendrawan,, STP. M.App.Life.Sc. Ph.D and Dr. Ir. Musthofa Lutfi,, MP (2021) Prediksi Piperin Secara Non Destruktif Pada Cabai Jawa (Piper Retrofractum Vahl) Berdasarkan Analisis Warna dan Tekstur Menggunakan Artificial Neural Network. Sarjana thesis, Universitas Brawijaya.

Abstract

Cabai Jawa (Piper retrofractum Vahl) memiliki potensi produksi dan pangsa ekspor yang besar bagi dunia industri herbal. Produksi Cabai Jawa mencapai 2,5 ton per/ha/tahun serta mengalami kenaikan ekspor dari 405,4 ton menjadi 408 ton. Tingginya kebutuhan tanaman herbal di industri tidak sebanding dengan pengukuran zat aktif konvensional seperti spektrofotometri atau HPLC yang membutuhkan waktu lama dan merusak sampel dalam analisisnya. Melihat urgensi tersebut, ditawarkan sebuah solusi deteksi cepat, mudah, dan tidak merusak sampel melalui metode ANN (Artificial Neural Network). Penelitian ini bertujuan untuk mengetahui dan memodelkan hubungan parameter gambar terhadap kandungan piperin cabai jawa dengan menggunakan ANN yang teroptimasi dengan feature selection (Relief attribute, On R attribute, Correlation based attribute, Gain- ratio attribute, Information-gain attribute). Metode penelitian dimulai pada tahap pengambilan 125 sampel Cabai Jawa yang terdiri dari tiga warna berdasarkan tingkat kematangan (hijau, oranye, dan merah), pengambilan 125 citra menggunaan kamera Sony DSCW830, serta pengukuran kadar piperin sebagai output dengan ekstraksi reflux dan spektrofotometri sesuai SNI 0005: 2013. Pengambilan gambar dilakukan dengan melakukan akuisisi citra melalui pembalikan dua arah serta rotasi pada sudut 0°, 90°, 180°, dan 270°. Kemudian dilakukan pengolahan citra dengan feature selection pada aplikasi WEKA sehingga didapatkan 8 input terbaik yang akan digunakan pada tahap perancangan topologi ANN. Topologi ANN dirancang menggunakan software Matlab 2021a dengan memodifikasi fungsi pembelajaran, fungsi aktivasi dan struktur jaringan ANN. Analisis sensitivitas dilakukan pada proses trial eror untuk menentukan parameter terbaik pada model yang akan digunakan. Topologi terbaik pada penelitian ini didapatkan (oneR attribute) dengan struktur 8-30-40-1 (8 input, 30 node hidden layer 1, 40 node hidden layer 2, dan 1 output) dengan learning rate 0,1 dan momentum 0,9; serta traincgf sebagai fungsi pembelajaran dan fungsi aktivasi tansig-tansig-purelin. Struktur ANN tersebut menghasilkan nilai koefisien korelasi (R) training sebesar 0,975, R validasi 0,9457, dengan nilai Mean Square Error (MSE) training sebesar 0,01, dan nilai MSE validasi 0,0215

English Abstract

Javanese Chili (Piper retrofractum Vahl) has a large production potential and export share for the herbal industry. Java chili production reached 2.5 tons per/ha/year and exports increased from 405.4 tons to 408 tons. The high demand for herbal plants in the industry is not comparable to conventional active substance measurements such as spectrophotometry or HPLC which take a long time and damage the sample in the analysis. Seeing this urgency, a fast, easy, and non-destructive detection solution is offered through the ANN (Artificial Neural Network) method. This study aims to determine and model the relationship of image parameters to the piperine content of Javanese chili by using an optimized ANN with feature selection (Relief attribute, On R attribute, Correlation based attribute, Gain-ratio attribute, Information-gain attribute). The research method began at the stage of taking 125 samples of Javanese chili consisting of three colors based on the level of maturity (green, orange, and red), taking 125 images using a Sony DSCW830, and measuring piperine levels as output with reflux extraction and spectrophotometry according to SNI 0005: 2013. The image is taken by acquiring the image through two-way reversal and rotation at angles of 0°, 90°, 180°, and 270°. Then image processing with feature selection in the WEKA application is carried out so that the 8 best inputs will be used at the ANN topology design stage. The ANN topology is designed using Matlab 2021a software by modifying the learning function, activation function and ANN network structure. Sensitivity analysis was carried out in a trial error process to determine the best parameters for the model to be used. The best topology in this study was obtained (oneR attribute) with a structure of 8-30-40-1 (8 inputs, 30 hidden layer 1 nodes, 40 hidden layer 2 nodes, and 1 output) with a learning rate of 0.1 and a momentum of 0.9 ; and traincgf as a learning function and an activation function of tansig-tansig-purelin. The ANN structure produces a training correlation coefficient (R) of 0.975, a validation R of 0.9457, a training Mean Square Error (MSE) value of 0.01, and a validation MSE value of 0.0215

Item Type:	Thesis (Sarjana)
Identification Number:	0521100226
Uncontrolled Keywords:	ANN, feature selection, machine vision, Piper Retrofractum Vahl, piperine
Subjects:	600 Technology (Applied sciences) > 630 Agriculture and related technologies
Divisions:	Fakultas Teknologi Pertanian > Keteknikan Pertanian
Depositing User:	Sugeng Moelyono
Date Deposited:	02 Feb 2022 04:05
Last Modified:	24 Feb 2022 06:31
URI:	http://repository.ub.ac.id/id/eprint/189154

Text (DALAM MASA EMBARGO) 17510020711107 - BAGAS ROHMATULLOH.pdf Restricted to Registered users only until 31 December 2023. Download (5MB)

Actions (login required)

View Item