Identifikasi Non-Destructive Kandungan Total Karoten Pada Buah Kelapa Sawit (Elaeis Guineensis Jacq) dengan Pemodelan Artificial Neural Network (ANN)
Daftar Isi:
- Kandungan total karotenoid yang sebagian besar terdiri dari total karoten pada Crude Palm Oil (CPO) merupakan salah satu syarat mutu yang harus dipenuhi oleh perusahaan kelapa sawit dalam mengekspor produknya ke luar negeri. Selama ini prediksi kandungan total karoten pada buah sawit yang diterima dari para petani dilakukan secara manual oleh mandor sortasi berdasarkan pada pengalaman dan perkiraan yang bersifat subjektif sehingga berdampak pada rendahnya harga buah sawit ditingkat petani sawit. Di sisi lain pengujian secara kimiawi dinilai mahal dan membutuhkan waktu yang relatif lama. Pemanfaatan analisis Citra Digital (Image Analysis) dan Pemodelan Jaringan Syaraf Tiruan/ Artificial Neural Network (ANN) dapat menjadi solusi alternatif dalam mengidentifikasi kandungan total karoten pada buah sawit secara objektif, cepat dan bersifat non-destructrive terhadap buah sawit uji yang digunakan. Penelitian ini bertujuan untuk mengetahui hubungan antara indeks warna RGB, HSV dan L*a*b terhadap kandungan total karoten pada buah sawit. Dari 9 parameter warna kemudian dipilih 4 parameter dengan trend hubungan terbaik untuk dibuat pemodelan prediksi total karoten menggunakan ANN. Dari hasil penelitian diketahui bahwa terdapat pengaruh proses penundaan waktu (inap) terhadap kandungan total karoten pada buah sawit, dimana semakin lama penundaan waktu maka kandungan total karoten juga semakin tinggi dengan nilai R2 = 0,9167. Pola hubungan antara indeks warna RGB, HSV dan L*a*b terhadap kandungan total karoten menunjukkan trend hubungan terbaik adalah naik secara eksponensial, dimana 4 parameter yang memiliki trend hubungan terbaik adalah Saturation, value, a* dan b*. Pada tahap pemodelan dengan ANN didapatkan nilai R-square training dan validasi pada taraf 15% data vaidasi berturut – turut adalah 0,8693 dan 0,8329. Sedangkan pada taraf 20% data validasi didapatkan nilai R-Square training sebesar 0,8944 dan nilai R-Square validasi sebesar 0,8768.