Prediksi Karakteristik Fisiko-Kimia Pada Jeruk Keprok Batu 55 (Citrus reticulata) Berbasis Computer Vision Reflektansi-Fluoresens Berdasarkan Variasi Tingkat Kematangan

Ariani, Safitri Diah Ayu and S. T., M.Sc, Dr. Agr. Sc. Dimas Firmanda Al Riza and S.T., M.Sc, Inggit Kresna Maharsih (2023) Prediksi Karakteristik Fisiko-Kimia Pada Jeruk Keprok Batu 55 (Citrus reticulata) Berbasis Computer Vision Reflektansi-Fluoresens Berdasarkan Variasi Tingkat Kematangan. Sarjana thesis, Universitas Brawijaya.

Abstract

Jeruk (Citrus sp.) merupakan tanaman buah yang berasal dari Asia dan dapat tumbuh dengan baik di daerah tropis. Jeruk yang saat ini sedang dikembangkan yaitu jeruk keprok batu 55. Jeruk keprok siap dipanen pada 252 hari setelah bunga mekar. Namun penentuan tingkat kematangan saat ini masih dilakukan secara konvensional. Pada umumnya petani menentukan tingkat kematangan dan sifat fisik dari buah jeruk yakni dengan pengamatan pada warna, bentuk, dan kekerasan. Hasil pengelompokan secara manual tersebut cenderung subjektif dan kurang akurat. Terdapat cara lain untuk mengetahui tingkat kematangan, yaitu dengan pengujian secara destruktif. Uji ini dilakukan dengan pengamatan meliputi nilai total padatan terlarut (TPT) dan derajat keasaman (acidity) pada buah jeruk. Namun uji destruktif memiliki kekurangan yaitu dapat merusak fisik dari buah jeruk. Oleh karena itu penting untuk memprediksi dan pengelompokan kematangan buah jeruk keprok tanpa merusak fisiknya yaitu dengan pengujian non destruktif, salah satunya menggunakan citra digital. Penelitian ini betujuan untuk mengetahui model klasifikasi dan prediksi karakteristik fisiko-kimia buah jeruk keprok batu 55 dengan variasi tingkat kematangan yang sesuai. Dilakukan dua jenis pengujian yaitu pengujian destruktif dan non destruktif. Tahapan tersebut dapat mempermudah proses sortasi dan grading pada buah jeruk keprok batu 55. Pengujian destruktif tetap dilakukan untuk penentuan nilai TPT, derajat keasaman dan kekerasan buah (firmness). Sementara itu, pengujian non destruktif dilakukan untuk mendapatkan citra reflektansi dan fluorescence. Selanjutnya data destruktif dan non destruktif yang telah didapatkan akan di masukan dalam model klasifikasi dan prediksi. Metode machine learning untuk klasifikasi kematangan Buah jeruk keprok batu 55 menggunakan 3 buah model yaitu dengan KNN, SVM dan Random Forest. Dari ketiga model hasil yang terbaik yaitu pada model SVM dengan data pencahayaan reflektansi (RGB) dihasilkan akurasi sebesar 1 atau 100% untuk data training dan diperoleh 0.97 atau 97% untuk data testing. Pada metode prediksi parameter kematangan menggunakan metode PLS dengan hasil terbaik adalah menggunakan parameter Brix/Acidity ratio dengan hasil R2 0.8139 dan nilai error sebesar 3.4.

English Abstract

Orange is a fruit plant originating from Asia and can grow well in the tropics. The oranges that are currently being developed are mandarin orange (Citrus reticulata Blanco cv. Batu 55). The tangerines are ready to be harvested 252 days after the flowers bloom. However, the determination of maturity level is still done conventionally. In general, farmers determine the level of ripeness and physical properties of citrus fruits by observing the color, shape and hardness. The results of manual grouping tend to be subjective and less accurate. There is another way to determine the level of maturity, namely by destructive testing. This test was carried out by observing the value of total dissolved solids (TPT) and the degree of acidity in citrus fruits. However, the destructive test has the disadvantage that it can physically damage the citrus fruit. There for it is important to predict and classify the maturity of tangerines without damaging them physically, namely by non-destructive testing, one of which is using digital images. This study aims to determine the classification model and predict the physico-chemical characteristics of tangerine batu 55 with appropriate variations in maturity levels. Two types of testing were carried out, namely destructive and non-destructive testing. These steps can facilitate the process of sorting and grading the tangerine stone 55. Destructive testing is still being carried out to determine the TPT value, degree of acidity and firmness of the fruit. Meanwhile, non-destructive testing was carried out using computer vision with different light sources, namely LED (reflectance) and UV (fluorescence). Furthermore, the destructive and non-destructive data that have been obtained will be input into the classification and prediction models. The machine learning method for the classification of tangerine fruit maturity uses 3 models, namely KNN, SVM and Random Forest. Of the three models the best results were the SVM model with reflectance lighting data (RGB) resulting in an accuracy of 1 or 100% for training data and 0.97 or 97% for testing data. In the method of predicting maturity parameters using the PLS method with the best results using the Brix/Acidity ratio parameter with a result of R2 0.8139 and an error value of 3.4.

Item Type:	Thesis (Sarjana)
Identification Number:	0523100057
Uncontrolled Keywords:	Jeruk Keprok, SVM, PLS, Firmness, Brix/Acidity, Tangerine, SVM, PLS, Firmness, Brix/Acidity.
Subjects:	600 Technology (Applied sciences) > 630 Agriculture and related technologies
Divisions:	Fakultas Teknologi Pertanian > Keteknikan Pertanian
Depositing User:	Sugeng Moelyono
Date Deposited:	22 May 2023 02:09
Last Modified:	22 May 2023 02:09
URI:	http://repository.ub.ac.id/id/eprint/199946

Text (DALAM MASA EMBARGO) Safitri Diah Ayu.pdf Restricted to Registered users only until 31 December 2025. Download (4MB)

Actions (login required)

View Item