Pengembangan Metode Prediksi Karakteristik Fisikokimia Jeruk Siam Pontianak Berbasis Spektroskopi VIS-NIR-Fluoresensi dan Model Artificial Neural Network

Said, Abdullah and Dr. Agr.Sc. Dimas Firmanda Al Riza,, ST., M.Sc and Dina Wahyu Indriani,, S.TP. M.Sc. (2023) Pengembangan Metode Prediksi Karakteristik Fisikokimia Jeruk Siam Pontianak Berbasis Spektroskopi VIS-NIR-Fluoresensi dan Model Artificial Neural Network. Sarjana thesis, Universitas Brawijaya.

Abstract

Cita rasa yang manis sedikit asam dari buah jeruk siam Pontianak dipengaruhi oleh kandungan total padatan terlarut (TPT) dan kandungan asam pada buah dimana untuk mengukur keduanya biasa dilakukan menggunakan alat ukur yang dapat merusak struktur buah. Sedangkan proses klasifikasi kualitas buah jeruk segar yang dilakukan selama ini yakni mengkalsifikasikan kualitas buah jeruk berdasarkan kenampakan fisik sehingga hasil klasifikasinya dinilai masih sangat subjektif. Oleh itu tujuan penelitian ini adalah mengembangkan Metode Prediksi Karakteristik Fisikokimia Jeruk Siam Pontianak Berbasis Spektroskopi VIS-NIR-Fluoresensi dan Model ANN yang dapat diaplikasikan untuk mengkalsifikasikan buah jeruk berdasarkan prediksi nilai karakteristik fisikokimianya tanpa harus merusak struktur buah. Didapatkan model terbaik klasifikasi tingkat kematangan buah jeruk siam Pontianak menggunakan dataset all feature gabungan spektrum dengan konfigurasi model ANN menggunakan 1 hidden layer dengan jumlah node 50, activation function pada hidden layer relu dan sotmax pada output layer dengan akurasi training 0.99 dan akurasi testing 1. Model terbaik prediksi nilai TPT menggunakan dataset all feature gabungan spektrum dengan konfigurasi model ANN menggunakan 3 hidden layer dengan jumlah node 20 tiap hiden layer, menggunakan activation function relu pada hidden layer dan linear pada output layer dengan nilai R2 training = 0.89, R2 testing = 0.91. Model terbaik prediksi keasaman menggunakan dataset all feature spektrum reflektansi dengan konfigurasi model ANN menggunakan 3 hidden layer dengan jumlah node 100 pada tiap hidden layer, mengguankan activation function relu pada hidden layer dan linear pada output layer dengan nilai R2 training = 0.96, R2 testing = 0.97. Model terbaik prediksi tingkat kekerasan buah menggunakan dataset all feature spektrum reflektansi dengan konfigurasi model ANN menggunakan 2 hidden layer dengan jumlah node 20 pada tiap hidden layer activation function relu pada hidden layer dan linear pada output layer dengan nilai R2 training = 0.97, R2 testing = 0.89.

English Abstract

The sweet, slightly sour taste of the Pontianak Siamese orange is influenced by the total dissolved solids (TPT) content and the acid content in the fruit where measuring both is usually done using measuring instruments that can damage the structure of the fruit. While the process of classifying the quality of fresh citrus fruit that has been carried out so far is to classify the quality of citrus fruit based on physical appearance so that the results of the classification are considered to be very subjective. Therefore, the aim of this study was to develop a Method for Predicting Physicochemical Characteristics of Pontianak Siamese Oranges Based on VIS-NIR-Fluorescence Spectroscopy and ANN Models that can be applied to classify citrus fruits based on predictions of their physicochemical characteristic values without having to damage the fruit structure. The best model for the classification of the ripeness level of the Pontianak Siamese orange is obtained using the dataset all feature combined spectrum with ANN model configuration using 1 hidden layer with total node 50, activation function on the hidden layer relu and sotmax on the output layer with a training accuracy of 0.99 and testing accuracy 1. The best model for predicting TPT values uses a dataset all feature combined spectrum with ANN model configuration using 3 hidden layers with total node 20 each hidden layer, use activation function relu on hidden layer and linear on output layer with R2 value training = 0.89, R2 testing = 0.91. The best acidity prediction model uses a dataset all feature reflectance spectrum with the configuration of the ANN model using 3hidden layer with the number node 100 on each hidden layer, use activation function relu on hidden layer and linear on output layer with R2 value training = 0.96, R2 testing = 0.97. The best model for predicting fruit hardness using dataset all feature reflectance spectrum with the configuration of the ANN model using 2 hidden layers with a total node 20 on each hidden layer activation function relu on hidden layer and linear on output layer with R2 value training = 0.97 R2 testing = 0.89.

Item Type:	Thesis (Sarjana)
Identification Number:	0523100001
Uncontrolled Keywords:	artificial neural network; brix; firmness; Jeruk siam Pontianak; keasaman Spektroskopi Vis-Nir-Fluoresensi,Siam Pontianak Orange; Vis-Nir-Fluorescence spectroscopy; brix; acidity; firmness; artificial neural network
Subjects:	600 Technology (Applied sciences) > 630 Agriculture and related technologies
Divisions:	Fakultas Teknologi Pertanian > Keteknikan Pertanian
Depositing User:	Sugeng Moelyono
Date Deposited:	20 Jul 2023 03:26
Last Modified:	20 Jul 2023 03:26
URI:	http://repository.ub.ac.id/id/eprint/201970

Text (DALAM MASA EMBARGO) Abdullah Said.pdf Restricted to Registered users only until 31 December 2025. Download (3MB)

Actions (login required)

View Item