Electronic Theses and Dissertation

Ringkasan rendemen merupakan parameter penting dalam menentukan kualitas dan nilai jual dari tandan buah segar (tbs) kelapa sawit. selama ini, pengukuran rendemen dilakukan secara manual melalui proses ekstraksi minyak, yang memerlukan waktu, biaya, dan tenaga yang tidak sedikit. oleh karena itu, penelitian ini dilakukan dengan tujuan untuk mengembangkan sistem prediksi rendemen minyak sawit secara non-destruktif menggunakan pendekatan pengolahan citra digital, sehingga proses estimasi rendemen dapat dilakukan lebih cepat, efisien, dan akurat tanpa merusak sampel buah. penelitian dilaksanakan di laboratorium teknik pertanian universitas syiah kuala dengan menggunakan 18 sampel tbs yang berasal dari jantho, aceh besar. setiap sampel diklasifikasikan berdasarkan ukuran (kecil, sedang, besar) dan tingkat kematangan (mentah, matang, lewat matang). akuisisi citra dilakukan menggunakan kamera canon eos 1500d dengan resolusi 24,1 megapiksel di dalam photobox berukuran 64 × 64 × 73 cm yang dilengkapi dengan lampu led untuk menghasilkan pencahayaan merata dan mengurangi bayangan. setiap tbs difoto sebanyak delapan kali dari berbagai sudut, menghasilkan total 144 citra yang kemudian diolah untuk mengekstraksi fitur warna (rgb, hsi) dan luas permukaan (jumlah piksel). data hasil ekstraksi digunakan sebagai input untuk membangun dan menguji beberapa model regresi, yaitu k-nearest neighbors (knn), support vector regressor (svr), dan random forest regressor. pengujian awal menggunakan skema hold-out (12 data latih dan 6 data uji) menunjukkan bahwa model knn dengan k = 3 memberikan hasil prediksi paling akurat, dengan nilai koefisien determinasi (r²) sebesar 0,942, mean absolute error (mae) sebesar 0,78, dan root mean squared error (rmse) sebesar 0,85. selanjutnya, evaluasi menggunakan 5-fold cross-validation dilakukan untuk menilai kemampuan generalisasi model. hasil menunjukkan bahwa svr memiliki performa paling stabil dengan nilai r² sebesar 0,40, diikuti oleh knn k = 5 (r² = 0,34), sedangkan random forest menunjukkan performa rendah (r² = 0,12). analisis korelasi menunjukkan bahwa fitur red (r), intensity (i), dan luas permukaan memiliki korelasi positif yang cukup kuat terhadap nilai rendemen. hal ini konsisten dengan karakteristik buah matang yang cenderung berwarna merah cerah dan memiliki intensitas tinggi, serta ukuran yang lebih besar. sebaliknya, fitur green (g), blue (b), dan hue (h) menunjukkan korelasi negatif, mencerminkan ciri buah yang belum matang sempurna. dari hasil penelitian ini dapat disimpulkan bahwa metode pengolahan citra digital dapat dimanfaatkan sebagai sistem prediksi rendemen secara non-destruktif dan kuantitatif. model knn sangat akurat untuk data terbatas, sementara svr menawarkan kestabilan dalam kondisi pengujian berulang. sistem ini memiliki potensi besar untuk diterapkan dalam proses grading buah sawit di industri, sehingga dapat membantu pengambilan keputusan secara lebih objektif, cepat, dan efisien dalam menentukan kualitas dan nilai ekonomis tbs kelapa sawit.

SUMMARY Yield is a crucial parameter in determining the quality and selling value of oil palm fresh fruit bunches (FFB). Currently, yield measurements are performed manually through the oil extraction process, which is time-consuming, expensive, and labor-intensive. Therefore, this research aimed to develop a non-destructive palm oil yield prediction system using a digital image processing approach, allowing for faster, more efficient, and more accurate yield estimation without damaging the fruit samples. The research was conducted at the Agricultural Engineering Laboratory of Syiah Kuala University using 18 FFB samples from Jantho, Aceh Besar. Each sample was classified by size (small, medium, large) and ripeness level (unripe, ripe, overripe). Image acquisition was performed using a Canon EOS 1500D camera with a 24.1-megapixel resolution in a 64 × 64 × 73 cm photobox equipped with an LED light to produce even lighting and reduce shadows. Each TBS was photographed eight times from various angles, resulting in a total of 144 images, which were then processed to extract color features (RGB, HSI) and surface area (number of pixels). The extracted data were used as input to build and test several regression models, namely K-Nearest Neighbors (KNN), Support Vector Regressor (SVR), and Random Forest Regressor. Initial testing using a hold-out scheme (12 training datasets and 6 test datasets) showed that the KNN model with k = 3 provided the most accurate prediction results, with a coefficient of determination (R²) of 0.942, a Mean Absolute Error (MAE) of 0.78, and a Root Mean Squared Error (RMSE) of 0.85. Furthermore, evaluation using 5-Fold Cross-Validation was conducted to assess the model's generalization ability. The results showed that SVR performed the most consistently with an R² value of 0.40, followed by KNN k = 5 (R² = 0.34), while Random Forest performed poorly (R² = 0.12). Correlation analysis showed that the Red (R), Intensity (I), and Surface Area features had a fairly strong positive correlation with yield values. This is consistent with the characteristics of ripe fruit, which tend to be bright red and have high intensity, as well as larger size. Conversely, the Green (G), Blue (B), and Hue (H) features showed a negative correlation, reflecting the characteristics of underripe fruit. From the results of this study, it can be concluded that digital image processing methods can be utilized as a non-destructive and quantitative yield prediction system. The KNN model is highly accurate for limited data, while SVR offers stability under repeated testing conditions. This system has great potential for application in the palm oil fruit grading process in the industry, thereby facilitating more objective, rapid, and efficient decision-making in determining the quality and economic value of palm oil FFB.