Prediksi Kandungan Piperin Menggunakan Jaringan Syaraf Tiruan (Artificial Neural Network) pada Cabai Jawa (Piper retrofractum Vahl.) Berbasis Citra Digital

Lee, Maureen Natalia (2023) Prediksi Kandungan Piperin Menggunakan Jaringan Syaraf Tiruan (Artificial Neural Network) pada Cabai Jawa (Piper retrofractum Vahl.) Berbasis Citra Digital. Sarjana thesis, Universitas Brawijaya.

Abstract

Cabai jawa (Piper retrofractum Vahl) memiliki potensi produksi dan pangsa ekspor yang besar bagi dunia industri herbal. Tingginya kebutuhan tanaman herbal di industri tidak sebanding dengan pengukuran zat aktif konvensional seperti spektrofotometri atau HPLC yang membutuhkan waktu lama dan merusak sampel. 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. Kegiatan dimulai pada tahap pengambilan 125 sampel cabai jawa yang terdiri dari tiga warna berdasarkan tingkat kematangan (hijau, jingga, dan merah), pengambilan 125 citra menggunakan kamera Sony DSCW830, serta pengukuran kadar piperin sebagai output dengan ekstraksi reflux dan spektrofotometri sesuai SNI 0005: 2013. Selanjutnya, dilakukan 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 dan didapatkan 8 input terbaik yang digunakan pada tahap perancangan topologi ANN. Topologi ANN dirancang menggunakan software Matlab 2015a 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. Hasil penelitian ini mendapatkan topologi terbaik dengan struktur 8-40-40-1 (8 input, 40 node hidden layer 1, 40 node hidden layer 2, dan 1 output) dengan learning rate 0,1 dan momentum 0,5; serta trainscg sebagai fungsi pembelajaran dan fungsi aktivasi tansig-tansig-purelin. Struktur ANN tersebut menghasilkan nilai koefisien korelasi (R) training sebesar 0,973, koefisien korelasi (R) validasi 0,962, dengan nilai MSE (Mean Square Error) training sebesar 0,01, dan nilai MSE validasi 0,014. Tingkat akurasi dari penelitian ini adalah 98%.

English Abstract

Javanese chili (Piper retrofractum Vahl) has a large production potential and export share for the herbal industry. The high demand for herbal plants in the industry is not comparable to conventional active substances such as spectrophotometry or HPLC which take a long time and damage the samples in the analysis. Seeing this urgency, a fast, easy and non-damaging sample 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 maturity level (green, orange and red), taking 125 images using a Sony DSCW830 camera, and measuring piperine levels as output by 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 is carried out with feature selection in the WEKA application so that the best 8 inputs are obtained which will be used at the ANN topology design stage. The ANN topology was designed using Matlab 2015a software by modifying the learning function, activation function and network structure of the ANN. Sensitivity analysis was carried out in a trial error process to determine the best parameters for the model to be used. The results of this study get the best topology with the 840-40-1 structure (8 inputs, 40 hidden layer 1 nodes, 40 hidden layer 2 nodes, and 1 output) with a learning rate of 0.1 and momentum of 0.5; as well as trainscg as a learning function and an activation function of tansig-tansig-purelin. The ANN structure produces a training correlation coefficient (R) of 0.973, a validation correlation (R) coefficient of 0.962, with a training MSE (Mean Square Error) value of 0.01, and a validation MSE value of 0.014. The accuracy of this research is 98%.

Item Type:	Thesis (Sarjana)
Identification Number:	052310
Uncontrolled Keywords:	ANN, Piperin, Cabai Jawa, Piper retrofractum Vahl ANN, Piperine, Javanese Chili, Piper retrofractum Vahl
Divisions:	Fakultas Teknologi Pertanian > Keteknikan Pertanian
Depositing User:	Unnamed user with username verry
Date Deposited:	10 Jan 2024 02:11
Last Modified:	10 Jan 2024 02:11
URI:	http://repository.ub.ac.id/id/eprint/207028

Text (Dalam Masa Embargo) Maureen Natalia Lee.pdf Restricted to Registered users only until 31 December 2025. Download (7MB)

Actions (login required)

View Item