ACADSTAFF UGM
| Title | : | Pengembangan Prototipe Mesin Pengukur Viabilitas Benih Tomat Dan Semangka Non-Biji Berbasis Hyperspectral Dan X-Ray Imaging Dengan Analisis Deep Learning |
| Author | : | |
| Date | : | 9 2023 |
| Abstract | : | Tomat dan semangka non biji adalah produk strategis yang produktivitasnya salah satunya dipengaruhi oleh viabilitas-nya. Viabilitas benih umumnya diukur secara destruktif yang memerlukan waktu pengujian yang lama, jumlah sampel yang banyak dan biaya yang besar. Disamping berkorelasi dengan penampakan visualnya, viabilitas benih juga berkorelasi dengan struktur biji bagian dalamnya (embrio dan endosperm). Melalui analisis penampakan visual bagian luar dan bagian dalam biji, viabilitas benih dapat diperkirakan. Seiring perkembangan teknologi, teknik digital imaging memungkinkan untuk mendapatkan citra bagian luar dan bagian dalam benih yang berpotensi untuk mengestimasi tingkat viabilitasnya. Penelitian ini bertujuan untuk mengembangkan prototipe mesin pengukur viabilitas benih yang bersifat non destruktif dan cepat. Prototipe dikembangkan dengan dasar pengolahan citra digital (hyperspectral dan x-ray) yang dikombinasikan dengan algoritma deep learning sehingga akan diperoleh sebuah perangkat lunak untuk mengestimasi tingkat viabilitas benih tomat dan semangka non biji yang dapat diterapkan pada prototipe yang dikembangkan. Penelitian akan dilakukan selama dua tahun dengan tahapan sebagai berikut. Tahun pertama difokuskan pada pengembangan perangkat lunak untuk memindai dan menganalisis citra digital benih (hyperspectral dan x-ray). Tahap ini meliputi perancangan dan pembuatan prototipe pemindai citra sampel yang memiliki kemampuan memindai bagian luar (hyperspectral) dan bagian dalam benih (x-ray). Sampel benih dengan berbagai kemungkinan viabilitasnya dipindai dengan perangkat yang telah disiapkan menjadi dataset citra. Dataset tersebut kemudian dianalisis dengan pengolahan citra digital untuk menghasilkan fitur-fitur citra yang akan dikorelasikan dengan tingkat viabilitasnya (kategori rendah, menengah, dan tinggi). Validasi viabilitas benih sampel diukur dengan metode destruktif (perkecambahan) dengan perlakuan jenis varietas dan umur simpan benih yang disusun dalam rancangan acak lengkap (RAL). Fitur-fitur akan diseleksi kemudian dilatihkan pada algoritma pengenalan pola seperti jaringan syaraf tiruan CNN. Disamping itu, penggunaan metode deep learning juga akan diterapkan dalam penelitian ini dimana dataset citra yang terkumpul dengan label viabilitas hasil pengukuran destruktif akan digunakan sebagai data latih. Hasil identifikasi viabilitas benih digunakan dalam memilih software pengestimasi viabilitas benih yang akan digunakan dalam mengembangkan prototipe tersebut. Perangkat lunak dengan prediksi terbaik tersebut kemudian akan diintegrasikan dengan perangkat keras yang telah disiapkan pada tahun kedua menjadi sebuah prototipe mesin pengukur viabilitas benih tomat dan semangka non biji. Prototipe ini kemudian akan diuji kinerjanya dalam mengukur viabilitas benih target dan hasilnya akan divalidasi dengan standar yang berlaku di perusahaan benih. |
| Group of Knowledge | : | |
| Original Language | : | Bahasa Indonesia |
| Level | : | Nasional |
| Status | : |
| No | Title | Action |
|---|---|---|
| 1 |
PENETAPAN PENERIMA PENDANAAN RISET INOVATIF PRODUKTIF (RISPRO) INVITASI LPDP BATCH VI TAHUN 2022 -merged.pdf
Document Type : Kontrak
|
View |