PORTABLE NEAR INFRARED SPECTROMETER DENGAN SENSOR AS7263 UNTUK PENDUGAAN SIFAT KIMIA JERUK SIAM (CITRUS NOBILIS) SECARA NON-DESTRUKTIF

S. B. Sulistyo, Arief Sudarmaji, Siswantoro Siswantoro, Agus Margiwiyatno, Masrukhi Masrukhi, Asna Mustofa, R. Ediati, R. Listanti, Hety Handayani Hidayat
{"title":"PORTABLE NEAR INFRARED SPECTROMETER DENGAN SENSOR AS7263 UNTUK PENDUGAAN SIFAT KIMIA JERUK SIAM (CITRUS NOBILIS) SECARA NON-DESTRUKTIF","authors":"S. B. Sulistyo, Arief Sudarmaji, Siswantoro Siswantoro, Agus Margiwiyatno, Masrukhi Masrukhi, Asna Mustofa, R. Ediati, R. Listanti, Hety Handayani Hidayat","doi":"10.21776/ub.jtp.2021.022.02.1","DOIUrl":null,"url":null,"abstract":"Evaluasi mutu buah jeruk secara umum masih dilakukan secara destruktif. Penelitian ini bertujuan untuk memprediksi kandungan kimia buah jeruk siam secara non-destruktif menggunakan Near Infrared Spectrometer portable dengan sensor AS7263 dan aplikasi Neural Network Ensemble (NNE) dengan genetic algorithm (GA) untuk optimasi. Keluaran dari enam channel NIRS portable digunakan sebagai input NNE. NNE yang dikembangkan terdiri atas empat buah Backpropagation Neural Network (BPNN) dengan dua buah lapisan tersembunyi dan kombinasi transfer function yang berbeda-beda. Keluaran dari keempat BPNN ini digabung untuk menghasilkan keluaran NNE yang baru dan dioptimasi menggunakan GA. Karakteristik kimia buah jeruk yang diestimasi adalah total padatan terlarut (TPT) dan vitamin C. Hasil penelitian menunjukkan bahwa akurasi estimasi NNE lebih tinggi dibandingkan akurasi sebuah BPNN tunggal. Estimasi kadar TPT buah jeruk siam menggunakan NNE berbasis GA tergolong sangat akurat dengan nilai Mean Absolut Percentage Error (MAPE) 8,04%. Adapun estimasi kadar vitamin C menggunakan NNE berbasis GA tergolong akurat dengan MAPE sebesar 11,02%. Namun demikian, hasil penelitian ini masih perlu dilanjutkan untuk mengetahui performansi alat yang dikembangkan untuk memprediksi mutu internal jeruk varietas lain yang berbeda karakteristik fisikokimianya.","PeriodicalId":17692,"journal":{"name":"Jurnal Teknologi Pertanian","volume":null,"pages":null},"PeriodicalIF":0.0000,"publicationDate":"2021-08-12","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"0","resultStr":null,"platform":"Semanticscholar","paperid":null,"PeriodicalName":"Jurnal Teknologi Pertanian","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.21776/ub.jtp.2021.022.02.1","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"","JCRName":"","Score":null,"Total":0}
引用次数: 0

Abstract

Evaluasi mutu buah jeruk secara umum masih dilakukan secara destruktif. Penelitian ini bertujuan untuk memprediksi kandungan kimia buah jeruk siam secara non-destruktif menggunakan Near Infrared Spectrometer portable dengan sensor AS7263 dan aplikasi Neural Network Ensemble (NNE) dengan genetic algorithm (GA) untuk optimasi. Keluaran dari enam channel NIRS portable digunakan sebagai input NNE. NNE yang dikembangkan terdiri atas empat buah Backpropagation Neural Network (BPNN) dengan dua buah lapisan tersembunyi dan kombinasi transfer function yang berbeda-beda. Keluaran dari keempat BPNN ini digabung untuk menghasilkan keluaran NNE yang baru dan dioptimasi menggunakan GA. Karakteristik kimia buah jeruk yang diestimasi adalah total padatan terlarut (TPT) dan vitamin C. Hasil penelitian menunjukkan bahwa akurasi estimasi NNE lebih tinggi dibandingkan akurasi sebuah BPNN tunggal. Estimasi kadar TPT buah jeruk siam menggunakan NNE berbasis GA tergolong sangat akurat dengan nilai Mean Absolut Percentage Error (MAPE) 8,04%. Adapun estimasi kadar vitamin C menggunakan NNE berbasis GA tergolong akurat dengan MAPE sebesar 11,02%. Namun demikian, hasil penelitian ini masih perlu dilanjutkan untuk mengetahui performansi alat yang dikembangkan untuk memprediksi mutu internal jeruk varietas lain yang berbeda karakteristik fisikokimianya.
一般来说,对柑橘果实的质量评估仍然是毁灭性的。这项研究的目的是用便携式近红外光谱仪检测暹罗橙子的化学含量,使用带有AS7263传感器的便携式近红外光谱仪和带有遗传算法(GA)的神经网络应用程序进行优化。来自六个NIRS便携式通道的输出用于NNE输入。新开发的NNE由四种不同的神经宣传网络(BPNN)组成,有两种隐藏的层和不同的功能转移组合。将这四个BPNN的输出合并起来产生新的NNE输出并使用GA优化。结果表明,NNE估计的精确度高于单个BPNN的精确度。暹罗橙子TPT水平的估计采用了基于GA的NNE,其绝对平均值为8.04%。至于以GA为基础的NNE的维生素C含量,它与MAPE的准确程度为11.02%。尽管如此,这项研究的结果仍需要进一步研究,以预测其不同生理学特征的柑橘的内部特性。
本文章由计算机程序翻译,如有差异,请以英文原文为准。
求助全文
约1分钟内获得全文 求助全文
来源期刊
自引率
0.00%
发文量
15
审稿时长
24 weeks
×
引用
GB/T 7714-2015
复制
MLA
复制
APA
复制
导出至
BibTeX EndNote RefMan NoteFirst NoteExpress
×
提示
您的信息不完整,为了账户安全,请先补充。
现在去补充
×
提示
您因"违规操作"
具体请查看互助需知
我知道了
×
提示
确定
请完成安全验证×
copy
已复制链接
快去分享给好友吧!
我知道了
右上角分享
点击右上角分享
0
联系我们:info@booksci.cn Book学术提供免费学术资源搜索服务,方便国内外学者检索中英文文献。致力于提供最便捷和优质的服务体验。 Copyright © 2023 布克学术 All rights reserved.
京ICP备2023020795号-1
ghs 京公网安备 11010802042870号
Book学术文献互助
Book学术文献互助群
群 号:481959085
Book学术官方微信