Int ern at i onal  Journ al of Ele ctrical  an d  Co mput er  En gin eeri ng   (IJ E C E)   Vo l.   9 , No .   4 ,  Aug us t   201 9 , p p.   2386 ~ 2393   IS S N:  20 88 - 8708 ,  DOI: 10 .11 591/ ijece . v 9 i 4 . pp2386 - 23 93           2386       Journ al h om e page :  http: // ia es core .c om/ journa ls /i ndex. ph p/IJECE   Classific atio n  of  palm oil  fresh f ruit bun ch using mu ltib and  optical s ensors       Agun g  W . S e t iawan ,  Rich ar d M e ngko , Ay u P.H. P ut ri ,   Donn y Danud ir dj o,  Alfie R . An an d a   School   of El ec tr i ca l   Engi n ee r ing   and  Inform at i cs ,   Instit ut Te kno lo gi  Bandung ,   Ind onesia       Art ic le  In f o     ABSTR A CT    Art ic le  history:   Re cei ved   Ja n 5 , 201 8   Re vised  Jan   19 , 201 9   Accepte d  Ma r   19 , 201 9       Thi s  stud y   inv esti gated  opt ical  se nsor  s y stem  con sist  of  sixteen   l i ght  emitting   diode   (LE D)  in   visibl e/ n ea r  inf rar ed  reg ion  to  det e ct   pal m   oil  fre sh  fruit  bunch  (FF B)  qual ity .   Prac ticall y,   expe r ie n ce   gr a der   assess ed  FF B  qual ity   b y   it s  ripe n ess  base d  on  externa l   fe a ture s  such  as  colour  and  num ber   of  det a che d   fruit l et s.  How ev er,   d iffe r ent   s eed  and  p la nt at io n  m ana gement   result ing   in   FF B  qual ity   v ariati on .   Sam e  ext e rna l  fe at ure s  not  li ne arly   cor r elat e  with  FF B   oil   content  th at   cor responding  with  industri a l  nee ds.  Th e  660   nm   LE D  is   choose n  to  be  used  to  esti ma te   the   oi l  con t ent   of  FF B.   Us ing  li nea r   discri m ina nt  an a l y sis  (LDA)  with  Maha la nobis  dista nc e,   the   a cc u racy   of  th e   s y stems   is  79. 8%  and  88. 2%.   F rom   33  F FB   oil   cont en t  m ea sure m ent ,   gra der   m iscl assifie d  4  out  of  17  FF B  as   ripe   FF B  but  with  low  oil   cont en t  (<17. 5% )   and  m isc la ss ifie d  7  out  o f  16  FF B  as  unripe   but  with  h igh  oil   con te n t   (>= 17. 5%) .   Cl a ss if y ing  m odel   buil d  from   FF B   from   m ai n  pla nta ti on  the n   te sted  to  ev al u a te   FF B  from  s m al lhol der .   Clas sific at ion  m od el   gene r ated  from   FFB  oil   cont ent   da ta   show ed  m ore   ac cur ate  resul t  compar e d  to  m odel  gene ra te d  from   visual   insp ec t ion  66. 7%  co m par ed  to  52 . 1%.   Model   ac cur acie s  a tt a in ed  b y   Discr iminant   Ana l y s is  (DA )  and  k - Ne are s t  Neighbor s   (k - NN )  were   79. 8%  and  80. 7 %,   respe c ti ve l y  base d  on  gra d er  evalua t ion.  Model  a cc ura cies  base d  on   FF B   oil   conte nt  was  88. 2%   for  both   cl assif y ing   al gor it hm s.   Ke yw or d s :   Op ti cal  se ns in g   Pal m  o il  content   Ri pen ess  estim at ion   Visible - near i nfra red sen sor    Copyright   ©   201 9   Instit ut e  o f Ad vanc ed   Engi n ee r ing  and  S cienc e .    Al l   rights re serv ed .   Corres pond in g   Aut h or :   Agu ng  W.  Seti awan,    School  of Elec tric al  Engineer ing  a nd  Inform at ic s,   In sti tut Te knol og i B a ndun g,   St . G a nesa  No.  10,  Ba ndun g 4 0132, I ndonesi a.   Em a il : awseti a wan@ste i.i tb.a c.id       1.   INTROD U CTION     Accor ding  to   The  U nited  St at es  De par tm e nt  of  A gr ic ult ure,  i n  2016,  I ndonesi a  s uppli ed  m or e  tha n  half  of   t he  gl obal   palm   oil  m ark et   [ 1].  Pal m   oil  Fr esh  Fruit   Bun c h  (F F B)  qual it y  depends  on  qu a ntit y  and  qu al it y  of   oil  that  can  be  extr act ed  from   the  bunc h.   Ri pe  F FB  has  m or e  oi l  than  unripe  bunc h  an d  ha v e  le ss  fr ee  fatt y  aci d  com par ed  t o  over ripe   bu nch  [2 ] .  Oil  c on te nt   in  palm   oil  m esocar p  an d  ke rn el   i ncr ease s  al ong  with  palm   oil  fr esh  fruit   bunc hes  (FFB )  ripe ning  proce ss.  On e  of   ripe nes s  ind ic at io n  is  wh e n  f r uitl et s  easy   to  detache d  from   the  bunc h  be  see n  i n  Fi gure   1.  Bu nches  w it h  50 - 200  lo ose   fruit s  had  oi l/ bu nc h  1.9%  higher   than  a  bu nch wi th one loose  fr uit [ 3].   Ther e  a re  th re e  palm   oil  var ie ti es,  that  are  nig re scen s,  vi recens ,  an d  al benscens .  T he   ripeness  of  virece ns   an d  al benscens  var ie ti es  can  be  seen  by  the  col or .   Fo r  virecens,  the  colo r  of  the   FFB  turn   to  oran ge   wh e n  it s  ripe.  Sabr i,  et   al .  has  de velo pe d  cam era - base d  syst e m   t o  detect   the  FF B  ripen ess  [4] - [12].   In   Ind on esi a ,  the  virece ns   a nd   al benscens   is  ver y  ra re.   The  m os t  var ie ty   that  is  gr own  i n  I ndon esi a  is   nigrescen s  var i et y.  It  is  ver y  diff ic ult  to  a ss ess  the   FFB  ri pen e ss  of  this  var ie ty .  T her e   is  no  c olor  c ha ng i ng  wh e n  it  is  unde r - ripe, ripe , a nd  ov e r - ripe .     Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N:  20 88 - 8708       Cl as sif ic ation   of palm  o il  fres h  fr uit b un c h u sing m ulti band  opti cal se ns or s  ( Ag ung  W . Se ti awa n )   2387       Figure  1.  Ri pe palm  o il  f resh f ru it   bunc hes w it h  detac hed f r uit       In   pract ic al ,  industry  purc hase d  palm   oil  FFB  fro m   s m al lho lder  ba sed   on  FFB  ri pen e ss.   Conve ntion al l y,  oil  pa lm   FFB  ripe ness  a ss essed  by  gr i de r  by  co unti ng  the  num ber   of  detach ed   f ru it s  pe r   bunc h  a nd  dis colo rati on.  Unripe  a nd  ove rri pe  FFB  retu r n  to   sm al l  ho lder .  Be cau se  of  gra der   only   look  at   exter nal  featu r e  of   FFB,  sm al lho lde r  can  detache d  f r uit  from   FFB  so   it   seen  li ke  ri pe  FFB .  This  gr a de r   appr oach   is  so   su bject ive .  S o,  the  m ai n  probl e m   or   resea rc h  qu est io n  is  how  t o  cl assifi e d  the  FFB  ripe ness  of   the n i gr esce ns  var ie ty  ob j ect ively .    Ther e  a re  s ome   non - dest ru ct i ve  te ch niques  to  cl assifi ed  F FB  ripe ness  ha ve  bee n  st ud i ed  by  m any   researc hers.  Junkw on,  et   al .  i ntr oduce  hy pe rsp ect ral - ba sed   to  gr a de  the  FFB  ripe ness.   They  fou nd   t ha t  the  cl assifi cat ion   f or   fou r  le vel  of   F FB  r i pen e ss  can  be  do ne   us in g  re flect ance  val ue  of   Near   Infr a re d  (NIR)   sp ect r um   a t  75 0  nm   and   dev e lop   the  m od el   for  oil  con te nt  pr e dicti on   [ 13] .  But,  hype rspect ral  i m aging   te nds   to  ha ve   re dundant   featu re  a nd  m ake  dec re asi ng  in  cl as sific at ion   ac cu ra cy   [14].  In  2014,  Ma kk y  a nd  S oni   record   dif f us e  ref le ct ance  us i ng   fibe r  ref le ct ion   pro bes  that   pro vid e d  s pec tral   inf or m at ion   be twee n  25 0  an d   1000  nm .  They  su ccessf ully   cl assifi ed  seve n  fr act ion   F FB  r ipeness  us in g  s pectral  inf or m at ion   from   40 0,  540,   560,   590,  670,  800,   91 0,   940  and  10 00   nm .  And  al s o,   th e y  dev el op   a  m od el   for  oil  co ntent  pr e dicti on  usi ng   sp ect ral  data  from   440,   47 0,   480,  510,  610,  69 0,  72 0,  75 0,  76 0,   8 80,  900,  910,  940,  980,  990  a nd   1000  nm   [1 5].   Chem o m e tric   analy sis  us in g  visible  an d  ne ar  inf rar e d  s pe ct ru m   wer e  use d  to  obta in  in te rn al   pro per ti es  of   F FB.  It  is  im po r ta nt  to  int rod uc e  the  c urren t  t echnolo gy  in   pa l m   oil  ind ust r y.  The   ulti m a te  goal s   are  to  in crease   the  palm   oil  plantat ion   a nd   f act or y  [ 8].  I n  pr act ic al   ap plica ti on ,  t he  ra pi d  an d  non - de structiv e  NI R  te ch ni qu e   has  po te ntial   us e  f or  cl assify ing   oil  palm   fr esh  f r uit  into  ri pen e ss  gra des.   Non - dest ru ct iv e  an d  rap i d  NI R  te c hn i qu e  ca n  be   us ed  to  cl a ssi fy  FFB  m at ur it y  le vel  [1 6] - [ 23 ] .   Fi gure  2   sh ows  the  pro po s ed  syst e m s that is consi sts o f  a   s il ic on   bas e d p hotod et ect or a nd  16 LE Ds desig ned in t he  sam e p la ne .           Figure  2.  Pro pose d  syst em s       2.   RESEA R CH MET HO D   2.1.   S amp le   p repar at i on   and optic al sens or   This  stud y  wa s  carried  out  on  la te   Ma rch   to  early   April   2016  in  Ri au  Pr ovi nce,  I ndonesi a.  I n  this  stud y  191  F FB   colle ct ed  with   two  ripe ness  c at egories,  ri pe  and   unri pe.   One  hundre d  a nd  twenty   FFB  sa m ple   wer e  ta ke n  f rom   m ai n  plantat ion   a nd  71   FF B  from   s m all ho lde rs.   Ri pe ne ss  cl ass  wa s  de te rm ined  by  gr ader   by   visu al  i ns pecti on.    Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  9 , N o.   4 ,  A ugust   201 9   :    23 86   -   2393   2388   Fo r  eac h  FFB,   the  sp ect ral  da ta   are  colle cted   from   two  side  of   FFB .  O utput  from   the  syst e m s   is   vo lt age   va lue,   descr i be  as   rel at ive  ref le ct a nc e  value   of   FF B.  Sixtee n  LE D  (li gh t  em it t i ng   di od e )  from   615  nm   to  940  nm   with  about  20  n m   i nter val  wer e  ut il ise d.   Com bin at ion   visible  an d  nea r  inf rar e d  sp ect ral  hav e b et te r   po te ntiat e  for  FFB  ripe ness   est i m ation   [ 24 ] .  Chloro ph yl l,   on e   of  F FB  pi gm ent  that  chan ge   duri ng  m at ur it y  has  c omm on   absor ban ce   within  visible  s pe ct ru m   between  600  a nd   700  nm   [2 5].  Mole cules  interact i on   with  el ect ro m agn et ic   rad ia ti on   within  N IR  sp ect r um   arise  fr om  ov e rto nes  an d  com bin at ion   bands  O - H  an d  C - H  existe d  i n  m oistur e a nd  oil [ 26] .    Figure  2   sho w s  the  pr op os e d  syst e m s   tha t  i s  con sist s  of  a   s il ic on   base d  phot od et ect or   a nd   16   LE Ds   desig ne d  in  the  sa m e  plane.   A  600  nm   lon gp a ss  filt er  placed  in  fro nt  of  photodete ct or  to  transm i t  re flect e d  li gh t  great er  th an  60 0  nm   and  reduce  ef fect  of   am bient  li gh t  from   external   so urce.  T he  sy stem   was  power e d  by  5  V   DC  an d  c onnecte d  to   com pu te r  f or  data  ac qu isi ti on  a nd  sto ra ge.   Data  c ollec te d  from   two  si de   FFB ,   aver a ge  of   t hes e  two  rea dings f r om   each  FFB   us e d  f or  f ur t he r  analy sis.  T ot al   262  s pectral  data  we re  c ollec te d  and  di vid e  i nto   191  data  trai ning  a nd   71  da ta   te st.  FFB  spe ct ral  data  f rom   m ai n  plantat ion   us ed   f or  tr ai ning   data  and   te ste d  fo r  cl assify in g  FFB  ripen es s  from   s m al lho lders .  Cl assifi cat ion   base d  on  vi su al   insp ect io n  the n  will   be  c om par ed   to  FFB  oil  co ntent  i ns pe ct ion .  Twe nty  on e   sa m ple  fro m   m ai n  planta ti on   us e d  as   tr ai nin g  data  an d  12  sa m ple  fr om   s m al l  ho lde r  us ed   as  te st  data.  C la ssific at ion   de velo ped  us i ng  Linear  Discri m inant   An al ysi s  ( LD A)   with  Ma ha la nobis  dista nc e  an d  k - N N  al gorithm   us ing   E uclidean   di sta nce  with  f eat ur e   sel ect io n.   Data  an al ysi s w a s  done  usi ng S PS S S ta ti sti cs 2 0.   FFB  oil  co nten t  are  determ ined  thr ough  la bo rator y  c hem ic a l  analy sis  wh ic h  are  ti m e  con su m ing   and  la bor  intensi ve .  Thirty  three  sam ple  data  c ollec te d  for  f urt her   a naly sis.   Fr uitl et s  were  detache d  fro m   the   bunc h  an d  the n  weig ht.  T hirt y  fr uitl et s  rand om l y  cho os e ,  10   from   ou te r,  10   f r om   m idd le ,  and   10   fro m   inn er  fruit le ts  as  can  be  see n  in  Figure  3.  The n,   these  fruit le ts  are  chop pe d  to  se par at e   the  fruit ’s  m esocar p.  Me so car p  the n  we re  dri ed  to  rem ov e  physi cal   water  fr om   the  m esocarp.  The  oil  in  the  m esocarp   was  extracte d  us i ng  S oxhlet  e xtr act or   with  hexane  as  so l ven t.   The  rem ai nin g  fi ber  an d  s ol ven t  were  dri e d  a nd  coo le d  in  th e  desiccat or .   Sa m ple  in  ever y  ste p  w ere  weig he d.  Oil  in  the  m esocarp   ( Oil m )  is    cal cul at ed wit h  ( 1 ) .           Figure  3 .  Palm  o il  s pik el et  w i th fru it le ts       % Oil m = W 2 − W 3 W 1 × 100%   (1)     wh e re  W 1   is  m esocarp  sam ple  wei ght  ( g),  W 2   is  m esocarp  wei gh t  a ft er  dr yi ng  (g),  and  W 3   is  m e so ca r p  weig ht af te r  e xt racti on   (g). T he  cr ud e  p al m  o il  r eco ver y  fro m   the sam ple FFB  is   cal culat e d usin g  ( 2 ) .     %      = ∑  × % × %    (2)     wh e re  W FFB   is   FFB  wei gh t  ( g),  W f   is  fruit le ts  weigh t  (g) ,  % W m   is  perce ntage  of  m e so car p  weig ht   from   fruit le ts (%) ,  a nd %O il m   is pe rcen ta ge of  m esocar p oil  ( % ).     2.2.  Cl as sific ati on c ri teria   The  ri pen e ss  est i m ation   bas ic al ly   us ed  to  get  FFB  wit h  hi gh   oil  co ntent.  Mi scl as sific at ion   is  cond ucted  by  the  grade r  co ul d  be   cl assify in g  ripe  FFB  des pite  of   lo wer   oi l  yi e ld,  vice  ve rsa.   I n  this  pa per,  we   will  inv est igate  classi ficat ion  algorit hm  r ob ust ness  ba sed o n  exter nal f eat ur e e valuate d  by  g rad e r  an d  in trinsic   crit eria base d o n  F FB o il  yi el d. T his f l ow c hart  o f  the classi fi cat ion  al gorith m  can  be  see n i n  Fig ure  4.     Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N:  20 88 - 8708       Cl as sif ic ation   of palm  o il  fres h  fr uit b un c h u sing m ulti band  opti cal se ns or s  ( Ag ung  W . Se ti awa n )   2389       Figure  4 .  Ef fec ts of sel ect ing  diff e re nt sw it c hing  unde r dyn a m ic  co nd it io n       In   t his  stu dy,  Eucli dea n  an d  Ma halan ob is  di sta nce  were  use d  to  disti ngui sh   bet ween   m od el   cl asses   assessed  by  grader  a nd  FFB  oil  yi el d.   Eucl idean  distance   wer e  us e d  to   cl us te r  sim i la r  data  points  i nt o  the   sam e  c lusters,   wh il e  Ma hal anobis  m easure   dissim i la r  or  dista nt  data   p oi nts  are  pl aced  into  dif fer e nt   cl us te rs  [27].  Be tween  tw o  da ta   po i nt  x  a nd   y,  Eucli dea n  di sta nce  m easur ed  by  ( 3 )   a nd  Ma halan ob is  di sta nce  m easur ed  b y  ( 4 ) .      = √ ∑ ( − ) 2 = 1   (3)      = √ ( − ) S − 1 ( − )   (4)     wh e re  S is the   cov a riance  m atr ix  of the  datas et .       3.   RESU LT S   A ND AN ALYSIS     Av e ra ge  relat i ve  re flect ance  vo lt age  value  f ro m   16   LE D s   is  us ed  to  dif fe ren ti at e   two  F FB  ripe ness  cat egories, r ipe   an d  unripe . U s ing   t he  box - an d - wh is ke r  plo t s,  ou tl ie r  sam ples  ind ic at ed   as   dot  m ark   in   th e  bo x  plo t  we re  rem ov e d  f ro m   the  dataset .  Th us   t otal  nu m ber   of   sa m ples  fo r  ripe  an d  unri pe  cl ass  was  57  a nd   52,  resp ect i vely .   T rainin g  dataset   f or   FFB  oil  c on te nt  w ere  17   FFB  with  oil  con te nt  m or e  t han  17. 5%   ( hi gh  oil   con te nt)  a nd  4  FFB  wit h  oil   co ntent  le ss  t han  17. 5%  (lo w  oil  c on te nt).  Four   hi gh   oil  co ntent  outl ie r  dat a   rem ov ed  f ro m   dataset .  V oltage  dif fer e ntiat ion   betwee n  two  cl asses  of   ripe ness  al m os t  fo un d  in  al l  LED.   T he b ox - an d - w hisk e r plots  of  615 nm , 6 35  nm , 6 60   nm , and 830  nm  are  s how n  in  Fig ure  5 .   The  diff e re nce s  of  volt age  va lue  in  visible  r egio n  c orrelat ed  wit h  cha nge  of   c olor  du e   to   chlo ropyl l  pr ese nce  t hat  hav e   abs orba nc e  in  66 0  nm   [10].  Palm   oil  FFB  col or   bec om e  m or e  reddish  duri ng   rip enin g.  Accor ding  to  the  Ikem efu na  and   Ad am so n,  the  m ajo r  pigm ent  chan ge s  associat ed  wit h  ripe ning  pro ses  were   decr easi ng the   chlo rop hyll  and the  m assive accum ulati on  of  car otenes   [ 28 ] .   Mod el li ng  of  FFB  ripe ness  us es  ste pw ise   appr oach   f or   var ia ble  sel ect ion ,  sta rts  by  sel ect ing   th e   m os t  discri m inati ng   var ia ble  and  ad d  ne w  va riable  in   ste pwise   m ann er,   a  com bin at ion  of  f orward  sel ect ion   and  bac kwar d  el i m inati on .   T o  f ound  t he  m os t  dis c rim inativ e  va riable,   F - te st  is  pe rform ed  at   each  ste p  of   t he   process .  In   t his  stud y,  f or  the   sel ect ion   of   L ED  wa velen gt h  set   at   0. 05  f or   the  i nclusion  va riable  an d  0.1  f or   rem ov al   var ia ble.  A  s umm a ry  of  the  res ults  from   ste pw ise   proce dure ,  includi ng  the  w avele ng t h  sel ect io n  pr ese nted   in  T able  1 .  T his  w avelen gth   was   sel ect ed  as  th e  m os t  i m po rtant  wa velen gt h  f or  disc rim i natin g  betwee n  treat m ent.  Dif fer e nt   wav el e ng t h  obta ined   f or  cl a ssific at ion   bas ed  on  FFB  oil  con te nt.  On ly   660  nm  LED  inclu de  to  the  m od el .  U sin g  li near   di scri m inant  analy sis  (LD A)   with  Ma halan ob is  dista nce,  m od el   accuracy  79. 8%   an d  88.2 %   was  ob ta ine d  f or   m od el   that  gen e rated   base d  on   grade r  e va luati on   a nd  F FB  oil  con te nt,  resp e ct ively .  This  m od el   was  use d  f or  e valuat ing   FFB  qu al i ty   fr om   sm a llh ol der  an d  ac cur acy   ob ta ine d  by  52. 1%  an d  66. 7%   for  exter nal   featur e  c rite ria  and   F FB  oil  con te nt,  res pe ct ively .  Mod el   that  gen e rated  b as e d on FFB  oil c on te nt s howe d hig her rate  of a ccur acy .   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  9 , N o.   4 ,  A ugust   201 9   :    23 86   -   2393   2390       Figure  5. Bo x - and  Wh is ker   pl ots r e presenti ng  relat ive r e flect an ce v oltage   value o f  ri pe   and un ripe pal m  o il  f resh   frui t bunc hes       Table  1.   Var ia bles in   the a nal ysi s   LE D  Wav elen g th s (n m )   Tolerance   Sig .  o f  F  to  Re m o v e   Min. D  Squ ared   LE D  76 5  n m   1 .00 0   .00 0     LE D  76 5  n m   .61 9   .00 0   .07 8   LE D  68 0  n m   .61 9   .00 0   .88 3   LE D  76 5   nm   .15 2   .00 0   .95 4   LE D  68 0  n m   .55 8   .00 0   .93 0   LE D  89 0  n m   .20 1   .01 6   2 .07 6   LE D  76 5  n m   .15 0   .00 0   1 .06 1   LE D  68 0  n m   .03 6   .00 1   2 .03 9   LE D  89 0  n m   .20 1   .01 4   2 .29 3   LE D  66 0  n m   .04 0   .04 6   2 .41 9       Ri pe  FFB  c orr el at ed  with  higher  oil  yi el d  th an  unripe  FFB ,  but  in  t he  Fi g ure   6  s howe d  that  grade r   te nd s  to  unde r est i m at e  m ai n  plantat io n  FF B  oil  yi el d  and   overe stim at e   s m al lho lder  F FB  oil  yi el d.   Gr a der  m isc la ssifie d  4  ou t  of  17  FF B  as  ripe  FFB   bu t  with  lo w  oil  con te nt  an d  m isc la ssifie d  7  ou t  of   16   F FB  as  unripe  but  with   high  oil co nte nt. Inter nal  qua li ty  o f  FFB  ha r dly determ ined  only  f r om  v isu al  insp ect io n.   Diff e re nt  cl assifi cat ion   al gori thm   was  us ed  to  get  bette r  ac cur acy .  K - NN   is  a  distance  ba sed  m et ho d  in  w hich  t he  tr ai nin g  dataset   is  store d  s o  th at   a  new   rec ord  m ay   be   cl assifi ed  by  c om par in g  it   with  the   m os t  si m il ar  reco rds   in  the  trai ning   set .  The  num ber   of   near est   neig hbors  te ste d  ra ng e d  f r om  3  to  5.  The  k  value   us e d  f or   analy s is  was  set   to  a  m axi m u m   5  w hich  was  t he  num ber   that  ap pe ared   m or e  fr e qu e ntly   in  the  cro ss - v al idati on  te sts.  Eucli dea n  dis ta nce  us e d  to  m easur e  sim il a rity .  All  pr edic tors  are  sta nda rd iz e d  to  guar antee  m easur ed  on  the  sam e  scal e.   Fo r  k - N N  m od el   base d  on   grade r  eval uatio n,   3  sel ect ed  predict ors  was  LED   660,   615,   a nd  830  nm   with  k  =  5.   For  buil t  m od el   based   on  FFB  oil  con te nt  crit er ia ,  2  pr e dictor s  were   sel ect ed,   635  a nd 61 5 nm . The accu racy f or  bo t h  m od el  w e re  80.7 %  and  88. 2%, res pecti vely .   Table  2  disp la ys  the  ov e rall   cl assifi cat ion   a ccur aci es  ac hieved   by  the  two  cl assifi cat i on   m et ho ds  us e d  in  this   stu dy.  Trai ning  da ta set   was  buil t  fr om   FFB  fro m   m a in  plantat ion   a nd   te ste d  to  FFB  sam ple  from   sm a ll ho lders .  Cl assifi cat ion   m od el   gen erat ed  from   FFB  oil  con te nt  data  showe d  m or e  accurate  resu lt   com par ed  t o  m od el   ge ner at e d  from   visu al   ins pecti on  66.7 %   com pa red   t o  52. 1%.  Th us  in di cat ing   that  FF B  oil  con te nt  was  m or e   r obus t  va riable  f or  e valua ti ng   var ia nt  of  palm   oil  FFB  than   e xtern al   fe at ur e  su c h  as   c olour   and num ber   of   detach  fruit .       Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N:  20 88 - 8708       Cl as sif ic ation   of palm  o il  fres h  fr uit b un c h u sing m ulti band  opti cal se ns or s  ( Ag ung  W . Se ti awa n )   2391       Figure  6 .  Com par is on of  ripe ness  est im at ion  and  fr es h fruit  bun c hes  o il   c onte nt       Table  2 .  A ver a ge  cl assifi cat io n  acc ur aci es  u s ing   discrim inant  an d K NN  cl assifi er   for pal m  o il  f re sh   fruit  bu nch  qu al it y p red ic ti on b a sed  on gr ader eval uation an d oil  conten t   Clas s   Linear  Discri m in a n t Analysis   k  Near est  Neig h b o u r   Calib ration   Valid atio n   Calib ration   Valid atio n   Clas sif icatio n  bas e d  on  Gr ad er  Evalu atio n   Ov erall   7 9 .8   5 2 .1   8 0 .7   62   Un ripe   6 7 .3   51   6 9 .2   68   Rip e   9 1 .2   54   9 1 .2   50   Clas sif icatio n  bas e d  on  FFB Oil Co n ten t   Ov erall   8 8 .2   6 6 .7   8 8 .2   50   <1 7 .5%   100   5 5 .6   75   3 3 .3   >=1 7 .5%   8 4 .6   100   9 2 .3   100       4.   CONCL US I O N     The  com bin at ion   of   visible  a nd   near   i nfrar e d  sp ect ru m   in  this  sens or   sys tem   can  po te nt ia ll y  us e  to  determ ining   pa l m   oil  fr es h  f r ui t  bunch  qual it y.  Lear ning  al gorithm   can  be   buil t  base d  on  exter nal  fe at ure  an d  internal  qual it y  of   palm   oil  FFB.  Lea rn i ng   al gorithm   based   on  FFB  oil  con te nt  ha ve  be tt er  perf or m a nce  f or  cl assifi cat ion   va riet y  of   palm   oil  FFB  an d  re pr ese nt  bette r  qu al it y  as  pote ntial   oil  extracti on   rate.  Th e  660  nm   LED  is   ch oose n  to   be  us e d  to   est i m at e  the  oi l  con te nt  of  F FB.  Using  li ne ar  discrim inant  analy sis  ( LD A)  wit h  Ma halan ob is   distance,   the   accuracy  of  t he  syst em s  is  79. 8%  a nd  88.2%.  From   33  FFB  oil  co ntent  m easur em ent,  gr a der  m isc la s sifie d  4  ou t  of  17  FFB   as  ripe  F FB  but  w it h  low  oil  c onte nt  (<17. 5% )  an d  m isc la ss ifie d  7  ou t  of  16  FF B  as  un ri pe  bu t  with  high  oil   con te nt  (>=17 .5 % ).   Cl assify ing   m od el   buil d  from   FFB f r om   m a i n  pla ntati on  th en  te ste d  to e va luate  FF B f rom  s m allho lder .  Cl assifi cat ion  m od el  g ener at e d  f ro m   FFB  oil  c on te nt  data  s howe d  m or e  accu ra te   resu lt   c o m par ed  t o  m od el   ge ner at ed   f rom   visu al   inspe ct ion  66.7%  com pared  to  52.1 % .   Mod el   accu r aci es  at ta ined  by  Discrim inant  A naly sis  (DA)   a nd  k - Near est   Neig hbors  ( k - NN)  we re  79.8%  an d  80. 7%,   resp ect ively   ba sed  on   gr a de r  evaluati on.  M odel   accu racies  base d  on FF B  oi l c onte nt w as  88.2%  for   both classi fyi ng alg or it hm s.       REFERE NCE S   [1]   Unite d  Sta t es  Depa rtm ent   of  Agric ult ur e.  (2016,  June  9 ).   Re tri ev ed   from  htt p://apps. f as. usda. gov/psdonl in e/ c irc ul ars/oi lse e ds.pdf   [2]   M.  Makk y ,   e t  al . ,   “ Autom at ic   no n - destruc t ive   qu al ity   inspec ti on  s y stem  for  oil   p a lm  fruit s ,”   In t.   A grophys   vol.   28 ,   pp.   319 - 329 ,  20 14.   [3]   R.   Corl e y   and  P.   Ti nk er,  “ The   Oi l  Palm ,”   4th   ed ition. Be rlin:   B lackwe ll Sc ie n ce ,  2 003.   [4]   R.   Singh,  et   a l. ,   “ The   o il   p al m   VIRESCENS   gene   cont rols  fr uit   co lour  and   enc odes  a  R2R 3 - MY B, ”   Nature   Comm unic ati ons ,  vol .   5 ,   pp .   1 - 8 ,   2014.   [5]   K.K.  Loo ,   e t  al . ,   “ Vi resce ns  co lo ur  change   and   o il   ac cumulation  in  correlation  w it h  ripen ess  in  o il   palm  fruit s,”   2nd  Inte rn at ion a l  Confer ence  on   Plant   Sci ence &  Ph y siolog y ,   201 7.   [6]   N.  Sabri,   et   a l. ,   “ Eva lua t ion   of  Color  Models  for  Palm  Oil  Fresh   Fruit  Bunch  Ripe ness  Cla ss ifi c at ion ,”   Indone si a n   Journal  of   Elec t rical   Engi ne erin g  and  Computer   Sci en ce   ( IJE ECS ) ,   vol.   11 ,   no .   2 ,   pp.   549 - 557 ,  20 18.   [7]   M.  Makk y   and  P.   Soni,  “ Deve lopment  of  an  aut om at ic   gra d ing  m ac hine   for  oil   pal m   fre sh  fruit s  bunche s   (FF B s)  base d  on  m a chi n e  vision , ”   Computers and  e lectro nic s in   agricultu re ,  vol .   93 ,   pp .   1 29 - 139 ,  2013 .   [8]   B.   Pam ornna k,   e t  al . ,   “ An  au tomatic  and   rap id  s ystem  for  gra ding   p al m   bunch   usi ng  a  Kin ec t   c amera , ”   Comput ers  and  Elec troni cs  in  Agri cul ture ,  v ol.   143 ,   pp .   227 - 237 ,  2017 .   [9]   A.  Jaffa r,   et   a l. ,   “ Photogram m et ric   gra d ing  of  oil  pal m   fre sh  fruit  bunche s ,”   Int.   J .   Me ch .   Me chat r on.   Eng ,   vo l.   9 ,   pp.   18 - 24 ,  2009 .   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  9 , N o.   4 ,  A ugust   201 9   :    23 86   -   2393   2392   [10]   J.  Rosele en a,  e t  al.,   “ As sessm ent   of  p al m   oil  fre sh  fruit   bu nche s  using   ph otogra m m et ric   gra ding  s y s te m , ”   Inte rnational   Fo od  Re search   Jou rnal ,  vol .   18 ,   no .   3 ,   2011 .   [11]   N.  Sabri,   et   a l. ,   “ Palm  oil   fre sh  fruit   bunch   ri pene ss   gra ding  ide n ti f icati on  us ing  col or  f eatur es, ”   Journal  of   Fundament al   an d  Applied  S cienc es ,  vol .   9 ,   no .   4S ,   p p .   563 - 579 ,  2 017.   [12]   S.  Utom ,   et   al . ,   “ Non - Destruc ti ve  Oil  Palm  Fresh  Fruit  Bunch  (FF B)  Gradi ng  Te chni qu e  Us ing  Optic a l  Sensor ,”   Inte rnational   Jo urnal  of  In te grat ed  Eng ine ering ,  vol.   10 ,   no .   1 ,   pp .   35 - 39 ,   2018 .   [13]   P.  Junkw on,   et   al. ,   “ H y p erspe c t ral   imaging  for   nondestruc ti v e  det ermina ti on  o f  int ern al   qua li t ie s  for  oil   pa lm  (El a ei s gui n ee ns is Ja cq. va r .   te n e ra) , ”   Agri cul tura l  Information   Res earc h ,   vol .   18 ,   pp.   130 - 141 ,  20 09.   [14]   B.   Pam ornna k ,  et   al . ,   “ Oil  con t ent   de te rm ina t io n  sche m e  of  postharve st  o il   pa l m   for  m obil e  devi ce s ,”   Bios ystem s   Engi ne ering ,  vol .   134 ,   pp .   8 - 19 ,   2015 .   [15]   A.  Ta p aru gss an agor n,   et  al . ,   “ A  non - destruc t i ve  oi l  pa lm  rip ene ss   rec ogn it io n  s y stem  using   rel a ti ve   en trop y , ”   Computers and Electronic s  in A gricul ture ,  vol .   1 18,   pp .   340 - 349 ,  2015 .   [16]   N.  Fadil ah ,  e t  al . ,   “ Inte ll ig ent   color  vision  sy st em  for  ripe ness  cl assific a ti on  of  oil   pal m   fre sh  fruit   bunc h, ”  Sensors ,  vol. 12,   no.   10,   p p.   14179 - 14195 ,   2012.   [17]   M.R.   Putta sw a m y   and  P.  B al a m uruga n,   “ Neura l  Network  App roa ch  to   Ide nt if y   H y per spe ct r al  Im age   Conte n t,”   Inte rnational   Jo urnal  of El e ct ri c al  and  Comput er  Engi n ee ring   ( IJE CE) ,  vol .   8 ,   no .   4,   pp.   2115 - 212 5 , 2 018 .   [18]   M.  Makk y   and  P.   Soni,  “ In  si tu   qualit y   assess me nt  of   intac t  oi l  pal m   fre sh  fru it   bunche s  using  r api d  por ta bl e  no n - cont a ct   and  non - destruc t ive   appr oac h, ”   J ournal  o f  Food   Engi n ee r ing ,  vo l. 120, pp.  248 - 259 ,  2014.   [19]   K.C.   Goh,  et   al . ,   “ Evol ut ion  of  Prec ision  Agric ult ur e  Com puti ng  towar d s  S ustai nable  Oil  Palm  Industry , ”   Indone sian J our nal  of   Elec tric al   Engi ne ering  and   Computer  Sc ie n ce ( IJE ECS) ,   vol   11 ,   no .   2 ,   pp .   72 5 - 732 ,  2018 .   [20]   D.D.  Silalahi,  et   al. ,   “ Nea r  infr ar ed  spec troscop y :   a  r api d  and  non - destruc t ive   te ch nique   to   assess   t he  rip ene ss   of  oi l   pal m   (El a ei s  gu ine ensis  Jac q . )  f resh  fruit ,”   Journal  of  Near  In frared  Spec trosco py ,  vol .   24 ,   no.   2 ,  pp.   179 - 190 ,   2016 .   [21]   S.  Kasem su m ran ,   et   al . ,   “ A  fea sibil i t y   stud y   o n  non - destruc ti v e  det ermina ti on   of  oil   cont ent   i n  pal m   fruit s  b y   vis ibl e – ne ar infr are d  spe ct roscop y , ”   Journal  o f  N ear  Infrared  Sp e ct ros copy ,  vol   20 ,   no .   6 ,   pp .   687 - 694 ,  2012 .   [22]   K.N.  Basri ,   e t  al. ,   “ Cla ss ifi c at i on   and  quan ti f i ca t ion  of  p al m   oil   adu lt e ration  via   port able  NI R  spec troscop y ,”   Spec troch imic a   Ac ta   Part A:  Mo le cu lar an d  Bi o molec ular S p ect ros copy ,  vol .   17 3,   pp .   335 - 342 ,  2017.   [23]   H.A.  Rahi m   and  S.N.N. A.   Rani ,   “ Cla ss ifi ca t ion  of  Fatty   Fat  Acid  in  Palm  Oil  U sing   Nea r  Infra red   Spect roscop y ,”   Sensors   &   T ran s duce rs ,  vol .   156 ,   no.   9,   pp.   247 - 2 50,   2013 .   [24]   O.M.B.   Saee d ,   e t  al . ,   “ Cla ss ifi cation  of  oil   pa lm  fre sh  fruit   bunc hes  base d  on  the ir  m at urity   usin g  p orta ble   four - band  sensor s y s t em,”   Comput ers and  Elec troni cs  in  Agr i cul ture ,   v ol.   82 ,   pp .   55 - 60 ,   2012 .   [25]   H . K.  Lichte n tha l er  and  C .   Busch m ann,   “ Chloroph y l ls  and  Caro tenoids:  Mea sure m ent   and  Charact e r iz a ti on  b y   U V - VIS   Spect roscop y , ”   Curr ent P rot ocol s in   Food   A naly tical   Chemis try ,   pp .   F4.3 . 1 - F 4. 3. 8 ,   2001 .     [26]   D - W .   Sun ,   “ H y p erspe ct r al Im aging for  Food Qua li t y   An aly sis a nd   Control ” .   San  D ie go:   Aca d emic P ress ,  2010.   [27]   A.S.  Shirkhorshidi ,  e t  al . ,   “ A Com par ison Stud y   on  Sim il ari t y   an d  Diss imila rity   Mea sure s in  Clu steri ng  Conti nuo us  Data , ”   PLOS   O NE ,   vol .   10 ,   no .   12 ,   2015 .   [28]   J .   Ike m efu na  an d  I .   Adam son ,  “ Chloroph y ll   An d  Carot enoi d  Ch ange s  In  Ripe ni ng  Palm  Fruit,   El aeis  Guinee nsis, ”   Phy to che mistry ,   v ol .   23 ,   n o .   7 ,   pp . 1413 - 1415 ,   198 4 .       BIOGR AP H I ES   OF  A UTH ORS        Agu ng   Wahy u   Setia w an   was  born  in  1982.   He  rec e ive s  th e  bachel or,   m aste r ,   an d  doct ora l   degr e e  in  el e ct r i ca l  engi n e eri ng  from   Instit ut  Te kno logi   B andung  (IT B),   I ndonesia ,   in  2005,   2008,   and  2 013,   respe ctively .   He   is  cur ren tly   fac u l t y   m ember  of  Sc hool  of  El e ct r ic a l  Eng ine er ing  an d  Inform at ic s ,   I TB.  His  rese arc h  in t ere sts  include  m edi c al   signa l  &  i m age   proc essing   for  e - health  app li c at ion ,   biomed ic a l  spec troscop y .   Dr.  Setiawan  is  a  m ember  of  t he  IE EE ,   profe ss iona l  engi n ee r   (IPM )  and  AS EAN   Engi ne er  Reg ist ere d.           Richard  Me ng ko   gra duated  fr om   Instit ut  T ek nologi   Bandung   (IT B)  in   1978   with  ba che lo r   of   engi ne eri ng  d eg ree .   He  the n   a dvanc ed  and  re ce iv ed  his  doc t ora l   degr ee   fro m   I nstit ut  National   Pol y t ec niqu e  de  Grenobl e   –   Franc e   in   1985 .   He  is   fac ulty   m embe r  of  School  of  El ec tr ic a l  Engi ne e ring   and  Inform at i cs.   His re sea r ch  in terests  i nc lude  m edi cal  imag e  and   signal   pro ce ss in g.         Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N:  20 88 - 8708       Cl as sif ic ation   of palm  o il  fres h  fr uit b un c h u sing m ulti band  opti cal se ns or s  ( Ag ung  W . Se ti awa n )   2393     Ay u P . H. P utr i   rec e ive s  the   b achel or  d egr e e  in   p har m acy   and  ph armac ist  f rom   th e  Insti tut   Te kno l ogi  Bandung  (IT B) ,   Indone sia, i n   20 10  and  2012 ,   res pec t ive l y .   Sh e   th en  adv anced and   recei v ed  his   m aste r  of  eng in ee r ing  d egr ee (Bi om edic al   Engi ne eri ng)   f rom   Instit ut Te k nologi   B andung in  2017.         Don ny   Danud i rdjo   rec ei v es  th e  bac he lor  and  m aste r   degr ee   i n  el ec tr ical  enginee ring  from   Instit ut   Te knologi  B and ung  (IT B),   Indo nesia ,   in  20 05  a nd  2007 .   He   th e n  adva n ce d   and  rec e ive d   his  doc toral   degr ee  from   Th e  Univer sit y   of  Tok y o   –   Japa n   i n   2013 .   He  is  c urre ntly   f ac u lty   m ember  of  School  of  El e ct ri ca l   Engi n ee ring   and  Info rm at ic s.  His  r ese arc h   intere sts  i ncl ude   m edi cal  imaging   and   sign a l   proc essing.           Alfie   R.  An anda   rec e ive s  the   b ac he lor   degr e e  i n  el e ct ri ca l  enginee ring  from   th e  Instit ut  Te kno logi  Nasiona l   ( I TE N AS ),   Bandung,   I ndonesia ,   in   20 15 ,   resp ec t ive l y .           Evaluation Warning : The document was created with Spire.PDF for Python.