Electronic Theses and Dissertation

Buah kelapa sawit atau disebut Tandan Buah Segar (TBS) diolah menjadi minyak kelapa sawit atau Crude Palm Oil (CPO) dan minyak inti sawit atau Kernel Palm Oil (KPO). Minyak sawit banyak digunakan sebagai bahan baku dari suatu produk, untuk diolah menjadi suatu produk minyak sawit perlu memiliki mutu dan kualitas yang baik. Minyak sawit dengan kualitas yang baik memiliki tingkat Asam Lemak Bebas (ALB) yang rendah. Standar mutu Crude Palm Oil (CPO) dalam SNI 01-2901-2006, kadar asam lemak bebas (ALB) maksimum adalah 5%. Kualitas dari minyak kelapa sawit dapat diketahui melalui tingkat kematangan buah sawit, dan biasanya para pekerja menilai tingkat kematangan buah sawit secara manual dengan melihat banyaknya jumlah buah yang jatuh dari tandannya atau berdasarkan warna buah sawit. Tingkat kematangan buah sawit tersebut dilakukan secara subyektif oleh para pekerja sehingga kualitas minyak yang dihasilkan tidak akurat dan memakan waktu yang lama. Tujuan penelitian ini untuk memperkirakan ALB minyak sawit menggunakan image processing, kualitas minyak sawit dapat ditentukan berdasarkan nilai RGB (Red, Green, Blue) dan HSI (Hue, Saturation, Intensity). Metode ini dapat memberikan penilaian yang lebih objektif terhadap kematangan buah sawit, mengurangi ketergantungan pada metode manual yang mungkin tidak akurat.
Sampel TBS yang digunakan dalam penelitian ini berasal dari Jantho, Aceh Besar, total jumlah TBS yang diperlukan yaitu sebanyak 18 tandan dengan tingkat kematangan yang bervariasi yaitu mentah, matang dan lewat matang. Data dibagi secara acak dengan rasio 70:30, yaitu 70% (12 TBS) untuk data pelatihan dan 30% (6 TBS) untuk data uji. Pembagian ini bertujuan untuk memastikan bahwa model dapat dievaluasi pada data yang belum pernah diproses selama pelatihan. Setiap sampel TBS diambil sebanyak 8 citra dengan posisi TBS yang diubah ubah, citra diambil menggunakan kamera Canon EOS 1500D yang beresolusi 24 megapiksel dengan photobox berlatar putih. Asam lemak bebas (ALB) aktual dalam penelitian ini dilakukan dengan metode titrasi asam-basa. Kemudian citra di ekstraksi kedalam warna RGB dan HSI menggunakan software MVTech Halcon. Penelitian ini mengimplementasikan metode K-Nearest Neighbor (K-NN) untuk memprediksi ALB pada TBS berdasarkan analisis fitur warna RGB dan HSI. Model K-NN dibangun dengan parameter tiga tetangga terdekat (k=3) dan metrik jarak Euclidean. Hasil prediksi ALB% diperoleh dengan mengambil rata-rata nilai ALB% dari tiga tetangga terdekat. Evaluasi model dilakukan melalui dua pendekatan yaitu regresi untuk memprediksi nilai ALB% dan klasifikasi untuk mengkategorikan kematangan TBS.
Hasil penelitian ini menunjukan bahwa kualitas minyak sawit (CPO) pada Tandan Buah Segar (TBS) dapat diprediksi menggunakan analisis warna buah melalui pengolahan citra digital dengan metode K-Nearest Neighbor (K-NN). Evaluasi model menunjukkan bahwa prediksi paling tepat untuk TBS Sedang Lewat Matang (selisih 0,13), sedangkan ketidakakuratan terbesar terjadi pada TBS Besar Matang dengan selisih 1,33. Hasil menunjukkan bahwa parameter warna (R, G, B, H, S, I) berkorelasi kuat dengan nilai ALB, dengan tingkat kesalahan prediksi rata-rata (MAE) sebesar 0,48% dengan akurasi model yang mencapai 83%.

Palm fruit, also known as Fresh Fruit Bunches (FFB), is processed into Crude Palm Oil (CPO) and Palm Kernel Oil (PKO). Palm oil is widely used as a raw material for various products. To be processed into a final product, palm oil must have good quality and standards. High-quality palm oil has low levels of Free Fatty Acids (FFA). According to the Indonesian National Standard (SNI) 01-2901-2006, the maximum allowable FFA content in CPO is 5%. The quality of palm oil can be determined by assessing the ripeness level of the palm fruit. Typically, workers evaluate the ripeness manually by observing the number of loose fruits or the color of the fruit. However, this subjective assessment method leads to inconsistent oil quality and is time-consuming. This study aims to estimate the FFA content in palm oil using image processing. The oil quality can be determined based on RGB (Red, Green, Blue) and HSI (Hue, Saturation, Intensity) values. This method provides a more objective assessment of palm fruit ripeness, reducing reliance on manual methods that may be inaccurate. The FFB samples used in this study were sourced from Jantho, Aceh Besar. A total of 18 FFB samples with varying ripeness levels (unripe, ripe, and overripe) were collected. The data was randomly divided into a 70:30 ratio, with 70% (12 FFB) for training and 30% (6 FFB) for testing. This division ensures that the model can be evaluated on previously unseen data. Each FFB sample was photographed eight times from different angles using a Canon EOS 1500D camera with 24-megapixel resolution, placed in a white photobox. The actual FFA content was measured using acid-base titration. The images were then extracted into RGB and HSI color models using MVTech Halcon software. This study implemented the K-Nearest Neighbors (K-NN) method to predict FFA levels in FFB based on RGB and HSI color feature analysis. The K-NN model was built with three nearest neighbors (k=3) and Euclidean distance metrics. The predicted FFA% was obtained by averaging the FFA% values of the three nearest neighbors. The model was evaluated using two approaches: regression to predict FFA% values and classification to categorize FFB ripeness. The results show that palm oil (CPO) quality in Fresh Fruit Bunches (FFB) can be predicted using color analysis through digital image processing with the K-Nearest Neighbors (K-NN) method. Model evaluation revealed that the most accurate prediction was for slightly overripe FFB (difference of 0.13), while the largest inaccuracy occurred in large ripe FFB (difference of 1.33). The findings indicate that color parameters (R, G, B, H, S, I) strongly correlate with FFA values, with an average prediction error (MAE) of 0.48% and a model accuracy of 83%.