REVIEW JURNAL
JUDUL : FAKTOR
PENENTU SIFAT WARNA TANDAN BUAH SEGAR (TBS) SAWIT UNTUK MEMODELKAN KANDUNGAN
MINYAK MENGGUNAKAN EVALUASI NONDESTRUKTIF FOTOGRAMMETRI
JURNAL
: TEKNOLOGI
INDUSTRI PERTANIAN
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.
Tidak ada komentar:
Posting Komentar