Prediksi Parameter Kematangan Jeruk Keprok Batu 55 (Citrus reticulata Blanco) menggunakan Komputer Visi berbasis Reflektansi-Fluoresensi Dan Model DCNN (Deep Convolutional Neural Network)

Ikrom, Abdul Mulukul and ST., M.Sc., Dr.Agr.Sc. Dimas Firmanda Al-Riza, and ST., MT., Darmanto (2023) Prediksi Parameter Kematangan Jeruk Keprok Batu 55 (Citrus reticulata Blanco) menggunakan Komputer Visi berbasis Reflektansi-Fluoresensi Dan Model DCNN (Deep Convolutional Neural Network). Sarjana thesis, Universitas Brawijaya.

Abstract

Jeruk keprok (Citrus reticulata Blanco) varietas Batu 55 adalah salah satu varietas jeruk unggul yang dikembangkan di Balai Penelitian Tanaman Jeruk dan Buah Subtropika (Balitjestro). Potensi pemasaran jeruk keprok sangat baik sebagai buah lokal bahkan berpotensi untuk ekspor ke luar negeri dikarenakan daging buahnya yang tebal dan manis. Pemilihan tingkat kematangan merupakan faktor penting dalam peningkatan mutu pemasaran buah jeruk. Dibutuhkan sebuah acuan yang mampu memprediksi tingkat kematangan dengan parameter manis dan asamnya untuk menjamin mutu buah jeruk benarbenar baik untuk konsumen. Dengan kemajuan teknologi pada saat ini memungkinkan untuk identifikasi kematangan tanpa harus merusak buah. Ada beberapa cara dalam mencapai teknologi uji non destruktif, mulai dari deteksi panjang gelombang sampai pengolahan citra melalui permodelan. Penelitian ini akan membangun model prediksi parameter kematangan berdasarkan analisa citra digital reflektansi dan fluoresensi dengan komputer-visi. Dengan produktivitas buah jeruk yang tinggi, teknologi ini akan sangat membantu dalam penentuan kelas (grade) kematangan buah guna meningkatkan mutu pemasaran. Dengan begitu buah jeruk dapat bersaing dengan buah impor dan bahkan mampu bersaing di pasar internasional. Parameter kematangan yang dianalisis meliputi tingkat kekerasan buah (firmness), total padatan terlarut pada perasan jeruk (Brix), total asam terlarut pada perasan buah jeruk (acidity), dan rasio brix-acid. Metode penelitian ini diawali dengan tahap pengambilan 120 sampel jeruk keprok Batu 55 yang terdiri dari tiga warna berbeda (hijau, hijau kekuningan, dan jingga). Pengambilan data meliputi, akuisisi citra reflektansi dan fluoresensi menggunakan kamera digital. Pengujian destruktif sebagai label dilakukan dengan pengukuran kekerasan buah (firmness), total padatan terlarut (brix), total asam (acidity), rasio brix-acid dan didapatkan berturut-turut 6.26 kg/cm2, 9.787 obrix, 0.814, 15.77. Proses pengolahan data menggunakan Convolutional Neural Network (CNN), yang merupakan salah satu metode machine learning dari pengembangan Multi Layer Perceptron (MLP) yang didesain untuk mengolah data dua dimensi. Arsitektur yang digunakan adalah ResNet50 dan ResNet101. Data akan melalui tahap pelatihan, validasi, dan uji serta Library yang digunakan adalah Fastai dan Pythorc. Pemodelan CNN digunakan untuk prediksi parameter kematangan buah jeruk yaitu Brix, Acidity, Firmness, dan brix-acid ratio. Parameter kematangan tersebut menjadi output atau data target yang akan di regresi dengan data input citra. Hasil testing model untuk parameter birx, acid, firmness, dan rasio brix-acid dihasilkan R2 terbaik pada citra reflektansi berturut-turut 0.46443, 0.50330, 0.73746, 0.90749, dan pada citra fluoresensi berturut 0.48229, 0.45735, 0.80209, 0.88845. Didapatkan empat model terbaik dengan parameter kematangan kekerasan buah (firmness) dan rasio brix-acidiity pada buah jeruk keprok batu 55, sehingga digunakan sebagai parameter memprediksi tingkat kematangan dari buah jeruk keprok batu 55. Pemodelan terbaik didapatkan menggunakan arsitektur ResNet50.

English Abstract

Mandarin orange (Citrus reticulata Blanco cv. Batu 55) is one of superior orange varieties that developed at the Citrus and Subtropical Fruit Research Institute (Balitjestro). The potential for marketing tangerines is very good as a local fruit and even has the potential to be exported abroad because of the thick and sweet flesh of the fruit. Selection of maturity level is an important factor in improving the marketing quality of citrus fruits. A reference is needed that is able to predict the level of ripeness with its sweet and sour parameters to ensure that the quality of citrus fruit is truly good for consumers. With current technological advances it is possible to identify ripeness without having to damage the fruit. There are several ways to achieve non-destructive testing technology, from wavelength detection to image processing through modeling. This research will build a prediction model for maturity parameters based on digital image analysis of reflectance and fluorescence with computervision. With high productivity of citrus fruit, this technology will be very helpful in determining the fruit maturity grade in order to improve marketing quality. That way citrus fruit can compete with imported fruit and even be able to compete in the international market. Parameters of maturity analyzed included firmness, total dissolved solids in orange juice (Brix), total dissolved acid in orange juice (acidity), and brix-acid ratio. This research method begins with the stage of taking 120 samples of Batu 55 tangerines which consist of three different colors (green, yellowish green, and orange). Data collection includes, acquisition of reflectance and fluorescence images using a digital camera. Destructive testing as a label was carried out by measuring firmness, total dissolved solids (brix), total acidity, brix-acid ratio and obtained respectively 6.26 kg/cm2, 9.787 obrix, 0.814, 15.77. Data processing uses a Convolutional Neural Network (CNN), which is a machine learning method from the development of Multi Layer Perceptron (MLP) which is designed to process two-dimensional data. The architecture used is ResNet50 and ResNet101. The data will go through the stages of training, validation and testing and the libraries used are Fastai and Pythorc. CNN modeling is used to predict citrus ripeness parameters, namely Brix, Acidity, Firmness, and brix-acid ratio. The maturity parameter becomes the output or target data which will be regressed with the input image data. The results of model testing for the parameters birx, acid, firmness, and brix-acid ratio produced the best R2 on reflectance images of 0.46443, 0.50330, 0.73746, 0.90749, respectively, and on fluorescence images of 0.48229, 0.45735, 0.80209, 0.88845 respectively. The four best models were obtained with parameters of firmness and brix-acidity ratio in tangerine stone 55, so that it was used as a parameter to predict the degree of maturity of tangerine stone 55. The best modeling was obtained using the ResNet50 architecture.

Item Type:	Thesis (Sarjana)
Identification Number:	0523100002
Uncontrolled Keywords:	Komputer-visi, Fluoresensi, Reflektansi, Convolutional Neural Network, Computer vision, Fluoresence, Reflektance, Convolutional Neural Network
Subjects:	600 Technology (Applied sciences) > 630 Agriculture and related technologies
Divisions:	Fakultas Teknologi Pertanian > Keteknikan Pertanian
Depositing User:	Sugeng Moelyono
Date Deposited:	15 May 2023 06:34
Last Modified:	15 May 2023 06:34
URI:	http://repository.ub.ac.id/id/eprint/199567

Text (DALAM MASA EMBARGO) ABDUL MULUKUL IKROM.pdf Restricted to Registered users only until 31 December 2025. Download (2MB)

Actions (login required)

View Item