SILVIA TIARA SARI Primary Author mixed material bibliography Banda Aceh Fakultas Pertanian 2025

Skripsi

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. 0 ELECTRONIC THESES AND DISSERTATION Universitas Syiah Kuala 166149 2025-07-23 22:47:47 2025-07-24 09:07:46 machine generated