English (United Kingdom)

https://curated-unify.zendy.io/wp-json/zendy-region/v1/featured_content/oa?rat=en

https://curated-unify.zendy.io/wp-json/zendy-region/v1/highlighted_journal/

Global: Zendy Plus annual

Presents the access of premium content as premium feature

Premium Content

Presents the keyphrase highlighting as premium feature

Keyphrase Highlighting

Presents the summarisation as premium feature

Summarisation

Insights

Presents the pdf analysis as premium feature

PDF Analysis

Presents the zaia usage as premium feature

ZAIA

Global: Zendy Tools annual

Global: Zendy Free Plan

Global: Zendy Tools monthly

Global: Zendy Plus monthly

Abstrak , Penelitian ini bertujuan untuk menguji dan mengevaluasi teknologi NIRS sebagai metode non destruktif untuk memprediksi kadar gula dan vitamin C pada mangga menggunakan Support Vector Machine Regression (SVMR) dan Multiple Linear Regression (MLR) sebagai metode kalibrasi serta menentukan pretreatment terbaik menggunakan S tandar Normal Variate (SNV) dan Peak Normalalization (PN). Penelitian ini menggunakan 30 sampel mangga Arumanis dan FT-IR Science and Technology T-1516. Pengolahan data menggunakan Unscramble software ® X versi 10.5. Prediksi TPT dengan metode SVMR menghasilkan nilai RPD 1,8 dengan interpretasi yang cukup baik, sedangkan metode MLR non-pretreatment menghasilkan nilai RPD sebesar 1,04 dengan interpretasinya adalah prediksi masih kasar. Pretreatment terbaik untuk memperkirakan TPT dengan metode MLR adalah Peak Normali zation dengan nilai RPD adalah 0,98, r sebesar 0,421, R 2 sebesar 0,053 dan RMSEC sebesar 4,537. Hasil prediksi Vitamin C pada mangga dengan metode SVMR menghasilkan model kinerja yang baik dengan nilai RPD 2,4. Pretreatment terbaik untuk memperkirakan Vitamin C dengan metode Multiple Linear Regression (MLR) adalah Standard Normal Variate (SNV) dengan nilai RPD sebesar 0,92, r sebesar 0,339, R 2 sebesar 0,114 dan RMSEC sebesar 11,268. Berdasarkan penelitian ini dapat dinyatakan bahwa NIRS salah satu teknologi yang dapat digunakan untuk memprediksi kadar gula dan Vitamin C mangga dengan baik. Application of Non-Linier and Linier Method : S upport Vector Machine Regression and Multiple Linier Regression to P rediction Internal Quality of Mango (Mangifera indica LINN) Abstract, This research aims to test and evaluate NIRS technology as a non-destructive method to predict SSC and Vitamin C in mangoes using Support Vector Machine Regression (SVMR) and Multiple Linear Regression (MLR) as a calibration method and determine the best pretreatment using Standard Normal Variate (SNV) and Peak Normalalization (PN). This study used 30 samples of Arumanis mangoes and FT-IR Science and Technology T-1516. Processing data using the Unscramble software® X version 10.5. The prediction results of SSC in mangoes by the SVMR method produces an RPD value of 1.8 with a fairly good interpretation, while the MLR method non pretreatment produces an RPD value of 1.04 with its interpretation is still a rough prediction. The best pretreatment for estimating SSC using the MLR method is Peak Normalization with the value of RPD is 0.98, r is 0.421, R 2 is 0.053 and RMSEC is 4.537. The prediction results of Vitamin C in mangoes by the SVMR method produced a good performance model with a value of RPD is 2.4. The best pretreatment for estimating Vitamin C by the MLR method is Standard Normal Variate with an RPD value of 0.92, r is 0.339, R 2 is 0.114 and RMSEC of 11.268. Based on this research, it can be stated that NIRS is one of the technologies that can be used to predict SSC and Vitamin C well enough.

jurnal ilmiah mahasiswa pertanian

Penerapan metode non linier dan linier : support vector machine regression dan multiple linier regression untuk prediksi kualitas internal buah mangga (Mangifera indica LINN)