Prediksi Piperin Secara Non Destruktif Pada Cabai Jawa (Piper Retrofractum Vahl) Berdasarkan Analisis Warna dan Tekstur Menggunakan Artificial Neural Network
| Main Authors: | Rohmatulloh, Bagas, Yusuf Hendrawan,, STP. M.App.Life.Sc. Ph.D, Dr. Ir. Musthofa Lutfi,, MP |
|---|---|
| Format: | Thesis NonPeerReviewed Book |
| Bahasa: | eng |
| Terbitan: |
, 2021
|
| Subjects: | |
| Online Access: |
http://repository.ub.ac.id/189154/1/17510020711107%20-%20BAGAS%20ROHMATULLOH.pdf http://repository.ub.ac.id/189154/ |
Daftar Isi:
- Cabai Jawa (Piper retrofractum Vahl) memiliki potensi produksi dan pangsa ekspor yang besar bagi dunia industri herbal. Produksi Cabai Jawa mencapai 2,5 ton per/ha/tahun serta mengalami kenaikan ekspor dari 405,4 ton menjadi 408 ton. Tingginya kebutuhan tanaman herbal di industri tidak sebanding dengan pengukuran zat aktif konvensional seperti spektrofotometri atau HPLC yang membutuhkan waktu lama dan merusak sampel dalam analisisnya. Melihat urgensi tersebut, ditawarkan sebuah solusi deteksi cepat, mudah, dan tidak merusak sampel melalui metode ANN (Artificial Neural Network). Penelitian ini bertujuan untuk mengetahui dan memodelkan hubungan parameter gambar terhadap kandungan piperin cabai jawa dengan menggunakan ANN yang teroptimasi dengan feature selection (Relief attribute, On R attribute, Correlation based attribute, Gain- ratio attribute, Information-gain attribute). Metode penelitian dimulai pada tahap pengambilan 125 sampel Cabai Jawa yang terdiri dari tiga warna berdasarkan tingkat kematangan (hijau, oranye, dan merah), pengambilan 125 citra menggunaan kamera Sony DSCW830, serta pengukuran kadar piperin sebagai output dengan ekstraksi reflux dan spektrofotometri sesuai SNI 0005: 2013. Pengambilan gambar dilakukan dengan melakukan akuisisi citra melalui pembalikan dua arah serta rotasi pada sudut 0°, 90°, 180°, dan 270°. Kemudian dilakukan pengolahan citra dengan feature selection pada aplikasi WEKA sehingga didapatkan 8 input terbaik yang akan digunakan pada tahap perancangan topologi ANN. Topologi ANN dirancang menggunakan software Matlab 2021a dengan memodifikasi fungsi pembelajaran, fungsi aktivasi dan struktur jaringan ANN. Analisis sensitivitas dilakukan pada proses trial eror untuk menentukan parameter terbaik pada model yang akan digunakan. Topologi terbaik pada penelitian ini didapatkan (oneR attribute) dengan struktur 8-30-40-1 (8 input, 30 node hidden layer 1, 40 node hidden layer 2, dan 1 output) dengan learning rate 0,1 dan momentum 0,9; serta traincgf sebagai fungsi pembelajaran dan fungsi aktivasi tansig-tansig-purelin. Struktur ANN tersebut menghasilkan nilai koefisien korelasi (R) training sebesar 0,975, R validasi 0,9457, dengan nilai Mean Square Error (MSE) training sebesar 0,01, dan nilai MSE validasi 0,0215