“Klasifikasi dan Prediksi Nilai Oksidasi Minyak Kelapa (Cocos nucifera L.) dan Minyak Goreng Sawit (Elaeis guineensis) dengan Temperatur Berbeda Menggunakan Computer Vision”.

Oktaviana, Luluk and Wahyunanto Agung Nugroho,, STP, M.Eng, Ph.D and Dr. Agr. Sc. Ir. Dimas Firmanda Al Riza, ST, M.Sc, IPM, ST, M.Sc, IPM (2024) “Klasifikasi dan Prediksi Nilai Oksidasi Minyak Kelapa (Cocos nucifera L.) dan Minyak Goreng Sawit (Elaeis guineensis) dengan Temperatur Berbeda Menggunakan Computer Vision”. Sarjana thesis, Universitas Brawijaya.

Abstract

Salah satu contoh hasil pemanfaatan kelapa yang banyak dijumpai adalah minyak goreng. Penelitian untuk menganalisa nilai oksidasi minyak goreng telah banyak dilakukan menggunakan uji laboratorium. Pada uji laboratorium umumnya membutuhkan waktu yang lama dan biaya yang mahal. Maka dari itu penggunaan teknologi computer vision bisa menjadi salah satu metode yang lebih efisien dari segi biaya dan waktu. Teknologi computer vision ini erat kaitannya dengan image processing dimana terdapat input dan output yang berbentuk citra atau gambar. Penelitian ini dilakukan menggunakan metode destruktif (uji laboratorium) dan non-destruktif (pengambilan citra). Pada metode destruktif dilakukan titrasi untuk memperoleh nilai FFA dan peroksida menggunakan rumus perhitungan. Data non-destruktif yaitu dengan pengambilan citra gambar menggunakan kamera pada sampel minyak sebelum dan setelah dipanaskan. Citra gambar yang diperoleh akan diekstraksi untuk mendapatkan nilai RGB, LAB, dan HSV. Data hasil ekstraksi selanjutnya akan diproses menggunakan metode CNN untuk memperoleh prediksi kualitas minyak. CNN disini akan mempelajari dan mengolah data citra minyak kemudian mengklasifikasikan kualitas minyak yang baik dan rusak. Hasil dari penelitian ini diketahui bahwa semua grafik untuk nilai L pada sampel minyak kelapa dan minyak goreng pada semua perlakuan suhu pemanasan mengalami penurunan. Sedangkan nilai a dan b pada sampel minyak goreng suhu 180° dan 200° C mengalami peningkatan. Dimana nilai L yang turun disebabkan karena lama waktu penggorengan dan suhu yang tinggi. Sedangkan pada nilai a dan b mengalami sedikit peningkatan. Nilai a atau kemerahan dan b atau kekuningan meningkat disebabkan karena adanya reaksi Maillard selama penggorengan. Metode CNN mampu melakukan prediksi dan klasifikasi kualitas minyak kelapa dan minyak goreng. Pada sampel minyak kelapa masing-masing memiliki akurasi sebesar 57,0711% dan 57,4115%. Pada sampel minyak goreng masing-masing memiliki akurasi sebesar 85,7691% dan 94,2170%.

English Abstract

One example of coconut utilization that is commonly found is cooking oil. Many studies to analyze the oxidation value of cooking oil have been conducted using laboratory tests. Laboratory tests generally take a long time and are expensive. Therefore, the use of computer vision technology can be one of the more efficient methods in terms of cost and time. Computer vision technology is closely related to image processing where there are inputs and outputs in the form of images. This research was conducted using destructive (laboratory tests) and non-destructive (image capture) methods. In the destructive method, titration is carried out to obtain the value of FFA and peroxide using the calculation formula. Non-destructive data is by taking images using a camera on oil samples before and after heating. The images obtained will be extracted to obtain RGB, LAB, and HSV values. The extracted data will then be processed using the CNN method to obtain oil quality predictions. CNN here will study and process oil image data then classify the quality of good and damaged oil. The results of this study show that all graphs for the L value in coconut oil and cooking oil samples in all heating temperature treatments have decreased. While the value of a and b in cooking oil samples at 180 ° and 200 ° C increased. Where the L value decreases due to the long frying time and high temperature. While the a and b values experienced a slight increase. The a or reddish and b or yellowish values increase due to the Maillard reaction during frying. The CNN method is able to predict and classify the quality of coconut oil and cooking oil. Coconut oil samples have an accuracy of 57,0711% and 57,4115%. respectively. In cooking oil samples, the accuracy is 85,7691% dan 94,2170% respectively.

Item Type:	Thesis (Sarjana)
Identification Number:	052410
Uncontrolled Keywords:	Bilangan Peroksida, Computer Vision, FFA, Klasifikasi, Kualitas Minyak, Metode CNN
Divisions:	Fakultas Teknologi Pertanian > Keteknikan Pertanian
Depositing User:	Unnamed user with username nova
Date Deposited:	06 Mar 2024 06:24
Last Modified:	06 Mar 2024 06:24
URI:	http://repository.ub.ac.id/id/eprint/216903

Text (DALAM MASA EMBARGO) Luluk Oktaviana.pdf Restricted to Registered users only Download (3MB)

Actions (login required)

View Item