Pengembangan Sistem Deteksi Cepat Kadar Air Jagung On – Farm Berbasis Portable Spectrometer Dalam Penentuan Waktu Panen Jagung Benih

Himawan, Harki and Dr. Agr.Sc. Dimas Firmanda Al Riza, ST., M.Sc and r. Mochamad Bagus Hermanto, S.TP., M.Sc (2024) Pengembangan Sistem Deteksi Cepat Kadar Air Jagung On – Farm Berbasis Portable Spectrometer Dalam Penentuan Waktu Panen Jagung Benih. Magister thesis, Universitas Brawijaya.

Abstract

Penentuan waktu panen jagung dalam budidaya jagung benih sangat penting. Pada umumnya kadar air tongkol jagung digunakan sebagai parameter untuk menentukan waktu panen. Secara umum, jagung biasanya dipanen ketika kadar air biji jagung mencapai 20–35%. Metode yang digunakan untuk pengukuran kadar air dilakukan secara destruktif. Metode yang lebih baik adalah menggunakan instrumen berbasis sensor spektrometer terutama pada rentang panjang gelombang inframerah. Produk ini telah dikomersialkan akan tetapi harga dan lisensi yang perlu dibayarkan pertahunnya cukup mahal. Saat ini banyak penelitian menggunakan data spektroskopi untuk memprediksi/mengetahui kandungan internal dari bahan pertanian. Selain itu, dengan adanya spektrometer portabel yang sudah dijual, dapat membantu kemajuan dalam bidang instrumentasi spektroskopi dengan mengukur kadar air jagung secara non-destruktif dan realtime. Penelitian ini bertujuan untuk mengembangkan sistem deteksi dari tiga sensor yang memiliki respons panjang gelombang berbeda. Dataset pengukuran spektra biji dan kelobot jagung digunakan untuk memprediksi kadar air jagung. Dilakukan pre-processing terlebih dahulu terhadap dataset spektra untuk menghilangkan noise hasil pengukuran. Pre-processing yang digunakan adalah moving average (MA), standard normal variate (SNV), dan multiplicative scatter correction (MSC). Model prediksi dikembangkan menggunakan analisis Partial Least Square Regression (PLSR), extreme Gradient Boosting (XGBoost), dan Artificial Neural Network (ANN). Berdasarkan hasil penelitian model prediksi terbaik dihasilkan dari analisis PLSR dengan nilai R2 testing tertinggi. Hasil model terbaik dari sensor AS7265X dengan nilai R2 training dan testing dari data spektra biji jagung sebesar 0,9070; 0,9650 dengan dataset MA sedangkan data spektra kelobot jagung sebesar 0,8529; 0,9253 dari dataset MA+SNV. Model terbaik sensor C12880MA menggunakan raw data dari data spektra biji jagung dengan nilai R2 training dan testing sebesar 0,9688 dan 0,9483 sedangkan dari data spektra kelobot jagung sebesar 0,9157 dan 0,9404. Selanjutnya untuk sensor AS7421 model terbaik dari raw data spektra jagung dengan nilai R2 training dan testing sebesar 0,9367 dan 0,9728 sedangkan dari data spektra kelobot sebesar 0,8847 dan 0,9265 menggunakan dataset MA. Sistem deteksi sensor AS7265X dipilih untuk dikembangkan dan diintegrasikan dengan mobile app.

English Abstract

The timing of corn harvest in seed corn cultivation is crucial. Generally, we use the moisture content of the corn cob as a parameter to determine the harvest time. Typically, we harvest corn when the kernels' moisture content reaches 20– 35%. The moisture content measurement method is destructive. A better method is to use a spectrometer-based sensor-based instrument, especially in the infrared wavelength range. This product has been commercialized, but the annual price and license fees are quite high. Currently, many studies use spectroscopy data to predict the internal content of agricultural materials. In addition, the availability of portable spectrometers for sale can help advance the spectroscopy instrumentation field by measuring corn's moisture content non-destructively and in real-time. This research aims to develop a detection system for three sensors with different wavelength responses. We use the measurement dataset of corn kernels and cobs spectra to predict the moisture content of corn. Pre-processing was performed on the spectra dataset to remove measurement noise. The preprocessing used is moving average (MA), standard normal variate (SNV), and multiplicative scatter correction (MSC) Meanwhile, we developed the prediction model using partial least squares regression (PLSR), extreme gradient boosting (XGBoost), and artificial neural network (ANN) analysis. The research results indicate that PLSR analysis generates the best prediction model with the highest R2 testing value. The AS7265X sensor yields the best model, with R2 training and testing values of 0.9070 and 0.9650 in the MA dataset, and 0.8529 and 0.9253 in the MA+SNV dataset. We found that the model for the C12880MA sensor works best with raw data from corn cob spectra data (0.9157 and 0.9404) and corn seed spectra data (0.9688). The best model for the AS7421 sensor used raw data from corn spectra and had R2 values of 0.9367 and 0.9728 for training and testing. It used data from corn cobs with values of 0.8847 and 0.9265 for training and testing. We developed the AS7265X sensor detection system and integrated it with a mobile app.

Item Type:	Thesis (Magister)
Identification Number:	0424100009
Uncontrolled Keywords:	Kadar Air, Machine Learning, Portable Spectrometer, Prediksi, Sensor-Moisture Content, Machine Learning, Portable Spectrometer, Prediction, Sensor
Divisions:	Fakultas Teknologi Pertanian > Keteknikan Pertanian
Depositing User:	soegeng sugeng
Date Deposited:	22 Jul 2024 08:41
Last Modified:	22 Jul 2024 08:41
URI:	http://repository.ub.ac.id/id/eprint/222848

Text (DALAM MASA EMBARGO) Harki Himawan.pdf Restricted to Registered users only Download (7MB)

Actions (login required)

View Item