@misc{eprints83806,
           month = {September},
           title = {PREDIKSI MUTU INTERNAL BUAH NANAS (Ananas comosus L.) MD2
MENGGUNAKAN INFORMASI WARNA KULIT DAN SUHU BUAH

BERDASARKAN PERBEDAAN SHELL COLOR},
          author = {NAZAMUDIN AHMAD },
         address = {UNIVERSITAS LAMPUNG},
       publisher = {FAKULTAS PERTANIAN},
            year = {2024},
             url = {http://digilib.unila.ac.id/83806/},
        abstract = {Produksi nanas di Indonesia menunjukkan peningkatan dalam lima tahun terakhir.
Sementara itu nanas merupakan buah dengan umur simpan yang relatif pendek
akibat faktor fisiologi, fisika, kimia, dan biologi. Teknologi untuk memperpanjang
umur simpan dan pendugaan mutu internal buah secara tidak merusak telah menjadi
perhatian dalam dasa warsa terakhir. Penelitian ini mengusulkan metode penilaian
mutu nanas berupa total padatan terlarut, kekerasan daging buah, dan tingkat asam
tertitrasi buah menggunakan informasi warna kulit dan suhu buah menggunakan
Jaringan Saraf Tiruan. Penelitian menggunakan nanas MD2 yang diperoleh dari PT
Great Giant Pineapple PG 4 Lampung Timur. Sampel buah nanas yang digunakan
180 buah dengan tiga tingkat kematangan berbeda (SC0, SC1, dan SC2). Dari
sampel diperoleh data warna kulit dan suhu buah, selanjutnya digunakan untuk
memprediksi parameter mutu seperti Total Padatan Terlarut, kekerasan dan asam
tertitrasi. Model Jaringan Saraf Tiruan (JST) dengan struktur 4-10-10-1 dan
kombinasi fungsi aktivasi Logsig-Tansig-Purelin dikembangkan untuk
memprediksi kualitas internal buah nanas. Hasil penelitian diperoleh sebagai
berikut: Suhu buah menurun selama penyimpanan, demikian juga intensitas warna
kulit buah (Ired dan Igreen) berubah dengan laju perubahan dipengaruhi tingkat
kematangan. Secara statistik, terdapat perbedaan nyata parameter massa jenis, total
padatan terlarut, dan kadar air pada perbedaan tingkat kematangan. Kekerasan dan

total asam tertitrasi juga menunjukkan perubahan selama penyimpanan. Model
Jaringan Saraf Tiruan (JST) yang dikembangkan mampu memprediksi mutu
internal nanas dengan akurasi yang cukup baik, terutama untuk parameter total
padatan terlarut. Kesimpulan penelitian ini, Intensitas red dan green kulit buah
nanas secara signifikan mampu membedakan tingkat kematangan SC2 dengan
tingkat kematangan SC0, sedangkan pada intensitas blue tidak signifikan mampu
membedakan tingkat kematangan buah nanas. Suhu buah tidak secara kuat dapat
digunakan untuk menjelaskan parameter mutu internal buah seperti total padatan
terlarut, kekerasan daging buah, dan asam tertitrasi buah nanas. Pengembangan
model prediksi menggunakan metode Jaringan Saraf Tiruan (JST) dengan arsitektur
jaringan 4 node input, 10 node hidden layer-1, 10 hidden layer-2, dan 1 output
diperoleh model optimum pada fungsi aktivasi terbaik pada proses pelatihan dan
pengujian model untuk parameter total padatan terlarut yaitu Logsig-Tansig-Logsig
dengan R
2 = 1 dan RMSE 4,58E-04 pada pelatihan dan R2 = 0,027 dan RMSE =

6,4228 pada pengujian. Sedangkan untuk kekerasan daging buah adalah Purelin-
Tansig-Purelin, berturut-turut untuk pelatihan dan pengujian, adalah sebesar R2 =

0,8858 dan RMSE = 4,81E-02 dan R2 = 0,2801 dan RMSE = 0,1755. Selanjutnya,
untuk asam tertitrasi fungsi aktivasi terbaik adalah Purelin-Tansig-Logsig dengan
R
2
dan RMSE berturut-turut sebesar 1 dan 4,82E-06 untuk pelatihan dan R2
sebesar

0,0609 dan RMSE sebesar 0,3805 untuk pengujian.

Key word: Citra Visible, dan Citra Thermal, Jaringan Saraf Tiruan, Nanas, Mutu
Internal.


Pineapple production in Indonesia has shown an increase in the last five years.
Meanwhile, pineapple is a fruit with a relatively short shelf life due to
physiological, physical, chemical, and biological factors. Technology to extend
shelf life and to predict the internal quality of fruit in a non-destructive way has
been a concern in recent decades. The research proposes a method of assessing the
quality of pineapples in the form of total dissolved solids, firmness of the fruit flesh,
and the level of acidity of the titrated fruit using skin color and temperature
information using Artificial Neural Networks. The study used pineapple MD2
obtained from PT Great Giant Pineapple PG 4 East Lampung. A sample of 180
pineapple fruits was used with three different levels of ripeness (SC0, SC1, and
SC2). From the sample obtained data on skin color and temperature of the fruit, it
is then used to predict quality parameters such as total soluble solids, firmness, and

titrated acid. A JST model with a 4-10-10-1 structure and a combination of Logsig-
Tansig-Pureline activation functions was developed to predict the internal quality

of pineapples. The results of the study were as follows: The temperature of the fruit
decreases during storage, as well as the intensity of the color of the skin of the fruit
(Ired and Igreen) changes with the rate of change influenced by the level of
maturity. Statistically, there is a marked difference in the parameters of type weight,

total dissolved solids, and water content at different maturity levels. The firmness
and total titratable acidity also showed changes during storage. The developed JST
model is able to predict the internal quality of pineapples with a fairly good
accuracy, especially for the total soluble solids. The study concluded that the
intensity of red and green of the pineapple skin significantly distinguishes the
maturity of SC2 with the maturity of SC0, while the intensity of blue is not
significantly able to distinguish the maturity of pineapple. The temperature of the
fruit is not strongly used to explain internal quality parameters of the fruit such as
total soluble solids, firmness of the fruit flesh, and the titratable acid of the
pineapple fruit. The development of predictive models using the Artificial Neural
Network (JST) method with a network architecture of 4 input nodes, 10 hidden
layer-1 nodes, 10 hidden layer-2 nodes, and 1 output obtained the optimum model
on the best activation function in the training and testing process of the model for
the total parameters of the dissolved solids namely Logsig-Tansig-Logsig with R2
= 1 and RMSE 4.58E-04 in the training and R2 = 0.027 and RMSE = 6.4228 in the
testing. As for the firmness of the fruit flesh is Purelin-Tansig-Purelin, respectively
for training and testing, is as R2 = 0.8858 and RMSE = 4.81E-02 and R2 = 0.2801
and RMSE = 0.1755. Further, for titrated acids the best activation function is
Purelin-Tansig-Logsig with R2

and RMSE respectively of 1 and 4.82E-06 for

training and R2

of 0.0609 and RMSE of 0.3805 for testing.

Keywords: Artificial neural networks, internal quality, pineapple, visible and
thermal imaging}
}