TABEL PERBANDINGAN JURNAL 1 DENGAN JURNAL 2

	JURNAL 1	JURNAL 2
JUDUL	OPTIMASI PARAMETER MESIN LASER CUTTING TERHADAP KEKASARAN DAN LAJU PEMOTONGAN PADA SUS 316L MENGGUNAKAN TAGUCHI GREY RELATIONAL ANALYSIS METHOD	FAKTOR PENENTU SIFAT WARNA TANDAN BUAH SEGAR (TBS) SAWIT UNTUK MEMODELKAN KANDUNGAN MINYAK MENGGUNAKAN EVALUASI NONDESTRUKTIF
DOWNLOAD	http://ejournal.undip.ac.id/index.php/jgti/article/view/11333	http://journal.ipb.ac.id/index.php/jurnaltin/article/view/14603/10814
SUMBER	Program Studi Teknik Industri, Fakultas Teknik, Universitas Diponegoro	Departemen Teknologi Industri Pertanian, Fakultas Teknologi Pertanian, Institut Pertanian Bogor
PERMASALAHAN	Semakin banyak dibutuhkan sheet metal yang bermacam-macam sehingga kualitas laju pemotongan produk juga harus ditingkatkan	Mengoptimalkan hasil panen dengan menentukan sifat warna TBS pada kandungan minyak
LATAR BELAKANG	Optimasi parameter yang digunakan pada proses manufaktur untuk mengoptimasi parameter CNC laser cutting, yaitu titik fokus sinar laser, tekanan gas cutting dan cutting speed untuk mengurangi variasi terhadap respon kekasaran dan laju pemotongan pada material SUS 316L. Masing-masing parameter memiliki 3 level dan menggunakan matriks orthogonal L9 (34). Metode ANOVA dan Taguchi digunakan untuk menganalisis data hasil percobaan. Optimasi kekasaran minimum permukaan dan laju pemotongan maksimum pada proses laser cutting dilakukan dengan menggunakan Grey relational analysis.	Kelapa sawit adalah salah satu komoditi unggulan dalam industri perkebunan di Indonesia. Potensi ini dapat dimaksimalkan dengan mengoptimalkan hasil panen. Tandan buah segar (TBS) sawit umumnya dipanen setelah umur pohon mencapai 3 tahun atau lebih. Namun pemanenan ini memiliki kelemahan yang dipengaruhi oleh faktor seperti angin, hujan, gangguan hewan, dan hama penyakit. Akibatnya hasil panen tidak optimal. Maka digunakannya teknik tidak merusak menggunakan model deep neural network.
TUJUAN	Untuk mengoptimasi parameter CNC laser cutting, yaitu titik fokus sinar laser, tekanan gas cutting, dan cutting speed untuk mengurangi variasi terhadap repon kekasaran laju pemotongan pada material SUS 316L.	Untuk menemukan metode terbaik untuk merekam TBS sehingga informasi yang didapat dari citra hasil rekaman dapat dikorelasikan secara akurat dengan kematangan dan kandungan minyaknya
METODE PENELITIAN	Taguchi Grey Relational Analysis Method	Teknik pemeriksaan tidak merusak dengan tipe sistem machine-vision dengan model deep neural network
HASIL dan PEMBAHASAN	Penelitian menggunakan material SUS 316L dengan tebal 10mm Parameter yang digunakan, yaitu parameter titik fokus sinar laser dengan nilai -14mm; -17mm dan -20 mm, parameter tekanan gas cutting dengan nilai 23 bar; 20 bar dan 17 bar, parameter cutting speed dengan nilai 0.6 m/menit; 0.4 m/menit dan 0.2 m/menit. Proses pemotongan menggunakan mesin CNC laser cutting TruLaser 3030 L20 milik PT. Dempo Laser Metalindo dengan bentuk pemotongannnya berdimensi 30x30 mm.	Terdapat 4 metode yang memiliki korelasi baik antara informasi warna pada citra kandungan minyak sampel, yaitu 10m_UV, 10 m_VIS2, 10m_IR2, dan 2 m_IR2 yang masing-masing memliki nilai koefisien korelasi (R2) antara hasil prediksi dengan nilai kandungan minyak yang terukur, masing masing sebesar 1; 1; 1 dan 0,981. Komponen warna yang paling dominan dalam penentuan kandungan minyak TBS dari keempat perlakuan tersebut adalah rasio warna terhadap B (RB) untuk perlakuan 10 m_UV, nilai H dan S dari warna citra pada perlakuan 10 m_Vis2, nilai I dan S dari warna citra pada perlakuan 10 m_IR2, dan nilai RB, H, dan B dari citra TBS pada perlakuan 2m_IR2.
KESIMPULAN	Jadi pada titik fokus sinar laser dengan nilai -14 mm, tekanan gas cutting dengan nilai 17 bar dan cutting speed dengan nilai 0.6 m/min. tekanan gas cutting dan cutting speed memiliki konstribusi dalam mengurangi variasi dari respon kekasaran dan laju pemotongan yaitu untuk titik fokus sinar laser memiliki konstribusi 29.01% dan tekanan gas cutting memiliki konstribusi paling besar dengan 50.36%. Sedangkan cutting speed tidak memiliki konstribusi yang signifikan dalam mengurangi variasi dari respon kekasaran dan laju pemotongan.	Dari hasil perekaman citra TBS pada empat konfigurasi perekaman, yaitu 10 m_UV, 10 m_Vis2, 10 m_IR2, dan 2 m_IR2. Berdasarkan nilai koefisien korelasi (R2) antara hasil prediksi dengan nilai kandungan minyak yang terukur, masing masing sebesar 1; 1; 1 dan 0,981 dan rasio warna R terhadap B (RB) untuk perlakuan 10 m_UV, nilai H dan S dari warna citra pada perlakuan 10 m_Vis2, nilai I dan S dari warna citra pada perlakuan 10 m_IR2, dan nilai RB, H, dan B dari citra TBS pada perlakuan 2m_IR2.

REVIEW JURNAL METODE PENELITIAN

REVIEW JURNAL

JUDUL                                  : FAKTOR PENENTU SIFAT WARNA TANDAN BUAH SEGAR (TBS) SAWIT UNTUK MEMODELKAN KANDUNGAN MINYAK MENGGUNAKAN EVALUASI NONDESTRUKTIF FOTOGRAMMETRI

JURNAL                                : TEKNOLOGI INDUSTRI PERTANIAN

DOWNLOAD                                    : http://journal.ipb.ac.id/index.php/jurnaltin/article/view/14603/10814

VOLUME & HALAMAN      : 26 (2): 162-170

TAHUN                                  : 2015

PENULIS                              : Dinah Cherie1)*, Sam Herodian2), Tineke Mandang2), Usman Ahmad2)

REVIEWER                          : NUR FITRI RAHAYU

TANGGAL                            : 06 NOVEMBER 2017

1.     Pendahuluan

Salah satu komoditi unggulan dalam industri perkebunan di Indonesia adalah kelapa sawit yang tiap tahunnya menghasilkan lebih dari 31 juta ton hasil olahan yang sebagian besar diekspor ke manca negara terutama India dan China. Potensi ini dapat dimaksimalkan dengan mengoptimalkan hasil panen. Tandan buah segar (TBS) sawit umumnya dipanen setelah umur pohon mencapai 3 tahun atau lebih dan dilakukan dengan metode terjadwal sesuai dengan alokasi panen di kebun. Beberapa faktor dapat mempengaruhi pertumbuhan TBS dikarenakan pemanenan terjadwal yang diterapkan tidak memperhatikan hal kematangan. Metode lain untuk pemanenan ini yaitu metode panen terjadwal selektif. Acuan kematangan TBS yang digunakan yaitu menghitung jumlah buah yang membrondol sekitar dua atau lebih di sekitar pohon sawit. Namun pemanenan ini memiliki kelemahan yang dipengaruhi oleh faktor seperti angin, hujan, gangguan hewan, dan hama penyakit. Akibatnya hasil panen tidak optimal.

Sistem deteksi kematangan untuk kelapa sawit yang dikembangkan pada penelitian ini dua yaitu teknik pemeriksaan merusak dan tidak merusak tetapi yang dipakai adalah teknik pemeriksaan tidak merusak dengan tipe sistem machine-vision. Sistem ini bekerja dengan memanfaatkan teknologi perekaman visual untuk merekam gambar objek yang diteliti, lalu dilanjutkan dengan mengolah informasi pada citra yang dihasilkan. Lalu informasi ini diolah menggunakan analisa statistik, untuk mengetahui hubungannya dengan parameter yang akan diukur. Sistem ini memiliki kelebihan dari segi kepraktisan dan biaya cenderung lebih rendah dibandingkan tipe pemeriksaan lainnya. Kamera yang bekerja pada sistem ini akan menangkap spektrum cahaya yang akan digunakan pada sistem pemeriksaan suatu produk pertanian seperti cahaya UV-C dengan panjang gelombang 320-380 nm, inframerah dekat (NIR) dengan spektrum 720-4000 nm, dengan kemampuan sensor kamera untuk menangkap cahaya terbatas pada UV-C sampai dengan NIR-A, yaitu 280-1100 nm.

Analisa citra dalam penggunaan sistem pemeriksaan non destruktif untuk TBS sawit menggunakan analisa adalah neutral network atau jaringan saraf tiruan (JST). Teknik JST ini memiliki berbagai variasi, seperti back propagation, multilayer perceptron, dan deep neural network. Variasi yang dipakai adalah deep neural network, karena memiliki kelebihan dari jumlah sampel yang dibutuhkan dan mampu menjelaksan hubungan antara variabel-variabel dari sampel tersebut secara akurat serta membobotkan komponen dari tiap variabel dalam bentuk koefisien positif, maupun negatif, serta merangkai variabel-variabel tersebut dalam suatu model persamaan berlapis dalam beberapa hidden layers.

Maka dari itu, penelitian ini memiliki tujuan utama untuk menemukan metode terbaik untuk merekam TBS sehingga informasi yang didapat dari citra hasil rekaman dapat dikorelasikan secara akurat dengan kematangan dan kandungan minyaknya menggunakan model algoritma deep neural network. Selain itu, sifat warna TBS yang dapat dijadikan sebagai faktor penentu untuk membangun model kandungan minyak juga dapat diidentifikasi pada penelitian ini.

2.     Bahan dan Metode

Penelitian yang dilakukan pada bulan April 2013 – Mei 2014 ini memilih pohon sawit berumur 7-8 tahun varietas “Marihat” dari Pangkalan Bun sebagai objeknya. Pengamatan ini dilakukan oleh tiga orang panel dari perkebunan dan TBS dipilih jika pengamat sepakat bahwa objek tersebut telah matang dan siap dipanen. Lalu, TBS dipanen, dibersihkan, dibawa ke ruang studio fotografi untuk direkam.

Acuan untuk mengembangkan model deteksi kandungan minyak TBS menggunakan dua parameter, yaitu kandungan minyak dan asam lemak bebas. Gambar yang telah diolah akan menghasilkan nilai warna berupa bentuk data R (merah), G (hijau), dan B (biru) yang ditranformasikan menjadi 12 nilai. Kemudian distandarisasi dan dinormalisasi agar menjadi variable masukan (input variable) pada model penentuan kematangan TBS.

SPSS 20.0 digunakan untuk penentuan kematangan TBS yang menggunakan teknik deep neural network. Data nilai dari hasil perekaman dibagi menjadi dua, yaitu (70%) untuk membangun model dan sisanya (30%) untuk menguji model. Lalu untuk memvalidasi bahwa model memiliki akurasi yang baik dan tidak bersifat over-fit, maka kesalahan prediksi diukur koefisien korelasi (R²) dan root-mean-square-error (RMSE). Faktor penentu sifat warna TBS untuk memodelkan kandungan minyak menggunakan evaluasi nondestruktif fotogrammetri dipilih berdasarkan besaran kontribusi dari komponen warna tersebut terhadap pembentukan model, serta kalibrasi penyesuaian model.

3.     Hasil dan Pembahasan

Dari penelitian ini terdapat 20 kombinasi perekaman citra TBS yang dilakukan dalam ruang studio fotografi, meliputi kombinasi pencahayaan seperti spektrum cahaya, intensitas cahaya dan jarak perekaman TBS. Dari 20 kombinasi perekaman citra TBS tersebut terdapat 4 metode yang memiliki korelasi baik antara informasi warna pada citra kandungan minyak sampel, yaitu 10m_UV, 10 m_VIS2, 10m_IR2, dan 2 m_IR2.

a.  Perlakuan 10 m_UV

Perlakuan 10 m_UV adalah metode perekaman citra TBS pada ruang studio fotografi, dimana TBS direkam oleh kamera dari jarak 10 m menggunakan lampu pencahayaan ultraviolet (UV) dengan daya lampu terukur 600 watt. Hasil dari perlakuan 10m_UV, yaitu model prediksi kandungan minyak TBS yang dibangun pada perlakuan ini dapat secara akurat memperkirakan besarnya minyak yang terdapat pada TBS. Hal ini dapat dilihat dari nilai koefisien korelasi dari regresi hasil prediksi model dengan hasil pengukuran laboratorium, yaitu sebesar 1. Nilai R2 sebesar 1 menunjukkan bahwa nilai kesalahan prediksi dari model (RMSE) untuk menentukan kandungan minyak TBS dari sampel yang direkam sangat kecil (mendekati nol), sehingga tidak perlu diperhitungkan. Pada perlakuan ini, rasio warna merah terhadap biru (RB) pada hasil rekaman citra TBS adalah komponen warna paling penting dalam menentukan kandungan minyak TBS secara nondestruktif menggunakan teknik fotogrammetri.

b.  Perlakuan 10 m_Vis2

Perlakuan 10m_Vis2 adalah metode perekaman citra TBS pada ruang studio fotografi menggunakan kamera, dari jarak 10 m, dengan lampu halogen 1000 watt. 15 komponen warna diekstrak dari setiap citra TBS yang direkam, dan digunakan sebagai variabel input pada program pengolahan statistik untuk membangun model prediksi kandungan minyak TBS menggunakan JST. Hasil dari perlakuan 10 m_Vis2 yang dibangun dapat secara akurat memperkirakan kandungan minyak yang terdapat pada TBS. Nilai koefisien korelasi dari regresi linear antara hasil prediksi model dengan hasil pengukuran laboratorium menunjukkan R2 sebesar 1 yang menunjukkan bahwa nilai RMSE yang minimum, sehingga dapat diabaikan. Pada perlakuan ini, nilai Hue (H) dan Saturasi (S) pada hasil rekaman citra TBS merupakan komponen warna dominan dalam penentuan kandungan minyak TBS secara nondestruktif menggunakan teknik fotogrammetri.

c.  Perlakuan 10 m_IR2

Pada perlakuan 10 m_IR2, citra TBS direkam dalam ruang studio fotografi dari jarak 10 m menggunakan lampu halogen 1000 watt, serta sebuah filter IR pada lensa kamera. Hasil dari perlakuan 10 m_IR2, yaitu model prediksi kandungan minyak TBS yang dibangun pada perlakuan ini memiliki akurasi yang baik untuk menduga kandungan minyak pada TBS, terlihat dari nilai koefisien korelasi (R2) model sebesar 1. Nilai ini menunjukkan kesalahan prediksi model (RMSE) sangat kecil (mendekati nol), dan dapat diabaikan. Pada perlakuan ini, nilai intensity (I) dan saturasi (S) pada hasil rekaman citra TBS merupakan komponen warna paling penting dalam menentukan kandungan minyak TBS secara non destruktif menggunakan teknik fotogrammetri.

d.  Perlakuan 2 m_IR2

Pada ketiga perlakuan sebelumnya, jarak perekaman TBS adalah 10 m, namun pada perlakuan ini, TBS direkam pada ruang studio fotografi dari jarak 2 meter. Lampu halogen 1000 watt digunakan untuk menerangi objek (TBS) dan sebuah filter IR di gunakan pada lensa kamera. Hasil dari perlakuan 2 m_IR2, yaitu model prediksi kandungan minyak TBS yang dibangun pada perlakuan ini juga memiliki akurasi yahg baik untuk memperkirakan kandungan minyak pada TBS. Nilai koefisien korelasi (R2) model sebesar 0,981 menunjukkan nilai kesalahan prediksi model (RMSE) masih dapat diterima, sehingga model dapat digunakan untuk memperkirakan kandungan minyak pada TBS. Pada perlakuan ini, nilai rasio R dan B, nilai H dan B pada citra TBS merupakan komponen warna paling penting dalam menentukan kandungan minyak TBS secara non destruktif menggunakan teknik fotogrammetri.

4.     Kesimpulan dan Saran

a.  Kesimpulan

Hasil kesimpulan dari penelitian ini, yaitu model prediksi kandungan minyak TBS berdasarkan 15 informasi warna yang diperoleh dari hasil perekaman citra TBS pada empat konfigurasi perekaman, yaitu 10 m_UV, 10 m_Vis2, 10 m_IR2, dan 2 m_IR2. Akurasi diukur berdasarkan nilai koefisien korelasi (R2) antara hasil prediksi dengan nilai kandungan minyak yang terukur, masing masing sebesar 1; 1; 1 dan 0,981. Komponen warna yang paling dominan dalam penentuan kandungan minyak TBS dari keempat perlakuan tersebut adalah rasio warna terhadap B (RB) untuk perlakuan 10 m_UV, nilai H dan S dari warna citra pada perlakuan 10 m_Vis2, nilai I dan S dari warna citra pada perlakuan 10 m_IR2, dan nilai RB, H, dan B dari citra TBS pada perlakuan 2m_IR2.

b.  Saran

Penggunaan deep neural network (JST) memungkinkan dibangunnya model prediksi kandungan minyak TBS dengan akurasi yang sangat baik, tetapi terbatas pada 4 konfigurasi perekaman gambar. Penelitian ini perlu ditelaah lebih lanjut berbagai konfigurasi perekaman TBS yang memungkinkan dibangunnya model prediksi kandungan minyak TBS dari berbagai jarak, pencahayaan dan spektrum.