Amp Jurnal Uji Sensoris Ke kon-WPS Office

Langsung ke konten utamaLangsung ke artikel
Logo Elsevier
Tren Ilmu & Teknologi Pangan
Volume 111 , Mei 2021 , Halaman 151-165
Analisis sensorik cepat dan non-invasif dari produk makanan dengan pencitraan hiperspektral:
Perkembangan aplikasi terkini
Tautan penulis membuka panel overlayGözde Özdoğan Da-Wen SunXiaohui Lin
Pendinginan Pangan dan Teknologi Pangan Terkomputerisasi (FRCFT), Sekolah Biosistem dan Teknik
Pangan, Pusat Ilmu Pertanian & Pangan, Universitas College Dublin (UCD), Universitas Nasional Irlandia,
Belfield, Dublin 4, Irlandia
Diterima 30 Oktober 2020, Direvisi 25 Januari 2021, Diterima 19 Februari 2021, Tersedia online 25
Februari 2021 .
tanda silang-logo
https://doi.org/10.1016/j.tifs.2021.02.044
Dapatkan hak dan konten
Di bawah lisensi Creative Commonsakses terbuka
Highlight
Pencitraan hiperspektral Vis-NIR (400-1000 nm) paling banyak digunakan dalam evaluasi sensorik.
Kemometri yang paling banyak digunakan adalah algoritma regresi linier dalam evaluasi sensorik.
Hasil paling akurat diperoleh dalam mendeteksi memar dan kematangan.

•
Model regresi diterapkan untuk memprediksi tekstur, warna, rasa dan kesegaran.
Model klasifikasi digunakan untuk mendeteksi cacat dan kematangan.
Abstrak
Latar Belakang
Analisis sensorik adalah evaluasi sinyal yang diterima melalui indera penglihatan, suara, rasa, bau, dan
sentuhan. Metode tradisional untuk analisis properti sensorik termasuk panel sensorik terlatih ,
pengukur warna dan penganalisis tekstur adalah prosedur invasif, melelahkan, dan berskala kecil. Sistem
pencitraan hiperspektral (HSI) telah muncul sebagai metode yang tidak memakan waktu lama dan tidak
merusak untuk menentukan sifat sensorik dari beragam produk makanan.
Cakupan dan pendekatan
Ulasan ini memberikan gambaran lengkap perkembangan aplikasi terbaru sejak 2010 untuk
mengidentifikasi sifat sensorik termasuk warna, cacat, tekstur, rasa, kesegaran, dan kematangan dalam
berbagai produk makanan oleh HSI.
Temuan dan kesimpulan utama
Pencitraan hiperspektral Vis-NIR (400-1000 nm) paling banyak digunakan untuk penilaian sifat sensorik.
Selain itu, analisis multivariat yang umum diterapkan dalam evaluasi sensorik oleh HSI adalah algoritma
regresi linier (PLSR dan MLR), tetapi analisis non-linier mencapai kinerja yang lebih baik untuk prediksi
fitur sensorik. Model regresi diterapkan untuk menentukan tekstur, warna, rasa, dan kesegaran produk
makanan, sedangkan model klasifikasi digunakan untuk mendeteksi cacat dan kematangan yang
menghasilkan hasil yang paling akurat. Selain itu, kombinasi algoritma dan integrasi informasi spektral
dan spasial menghasilkan hasil yang lebih akurat dalam penilaian fitur sensorik. Meskipun masih ada
beberapa keterbatasan yang harus diatasi untuk perbaikan sistem HSI,
SebelumnyaLanjut
Kata kunci
Teknologi pencitraan hiperspektralAnalisis sensorikTeksturWarnaRasa
1 . pengantar
Kesan pertama dari suatu produk pangan oleh konsumen adalah tampilan, tekstur dan rasa yang
merupakan sifat dasar sensorik . Penampilan meliputi sifat optik (warna, kilap, dan keseragaman), ciri
bentuk fisik (ukuran, bentuk dan tekstur permukaan), dan ciri bentuk presentasi (kemasan, pencahayaan
dan kontras) ( Murray et al., 2001). Selain itu, teksturnya diarahkan ke indra yang dirasakan segera
setelah penampilan. Ini dibagi menjadi dua kelompok sebagai perasaan jari (kekerasan, kelembutan dan
juiciness) dan perasaan mulut (kekenyalan, gumminess, grainy, roughness dan floury). Rasa adalah
kombinasi persepsi rasa dan bau. Selain persepsi rasa (rasa manis, asin, asam, pahit, metalik, dan
umami), sensasi hangat dan pahit juga dimungkinkan. Selain sifat ini, cacat fisik, dan mekanis dapat
berkontribusi pada banyak sifat sensorik ( Lawless & Heymann, 2013 ).
Saat ini, penilaian sensorik produk makanan menarik perhatian yang signifikan dalam industri makanan
karena konsumen lebih memilih untuk membeli makanan yang dapat menjamin penerimaan dan
kepuasan secara keseluruhan. Karena konsumen menjadi lebih berhati-hati tentang sifat sensorik seperti
warna, tekstur, dan rasa, dan industri makanan perlu menentukan penerimaan keseluruhan dari suatu
item makanan dan untuk menentukan karakteristik sensorik yang penting untuk makanan, kebutuhan
akan makanan pengembangan metode penilaian sensorik yang cepat dan andal sudah jelas.
Secara tradisional, atribut sensorik produk makanan dievaluasi oleh panelis manusia terlatih, namun,
evaluasi panel terlatih bersifat subjektif, dan tidak cocok untuk aplikasi langsung saat diperlukan.
Metode instrumental juga tersedia, termasuk analisis profil tekstur untuk karakteristik tekstur
( Szczesniak, 2002 ), kromameter untuk fitur warna ( MacDougall, 2010 ), GC-O-MS untuk senyawa rasa (
Song & Liu, 2018), tetapi metode ini masih memakan waktu, berskala kecil, dan merusak. Di sisi lain,
berbagai teknologi pencitraan dan spektroskopi telah muncul sebagai alat alternatif untuk industri
makanan, khususnya, dalam beberapa tahun terakhir, teknologi pencitraan hiperspektral telah menjadi
sangat penting sebagai metode cepat dan non-invasif untuk mendeteksi sampel skala besar ( Liu et al. ,
2017 ). Oleh karena itu, beberapa review penerapan HSI telah diterbitkan, meliputi prediksi sifat tekstur
( Lei & Sun, 2019 ; Ma et al., 2019 ; Wang et al., 2016 ; Xiong et al., 2014 ) dan warna fitur ( ElMasry, Sun,
& Allen, 2012 ; ElMasry & Nakauchi, 2016 ;Wu & Sun, 2013b ) produk makanan. Namun, tidak ada
ulasan yang berfokus pada berbagai sifat sensorik produk makanan yang dievaluasi oleh HSI.
Oleh karena itu, tinjauan kali ini bertujuan untuk memberikan informasi yang komprehensif sejak 2010
tentang penerapan teknologi pencitraan hiperspektral dalam evaluasi fitur sensorik produk makanan.
Dalam ulasan tersebut, teknologi pencitraan hiperspektral diperkenalkan secara singkat, langkah-
langkah kunci dari pemrosesan gambar dan pengembangan aplikasi dalam mengevaluasi warna, cacat,
tekstur, rasa, kesegaran, dan kematangan dibahas. Selain itu, keunggulan dan tantangan teknologi HSI
disajikan dan perspektif dalam studi masa depan juga disoroti.
2 . Dasar-dasar teknologi pencitraan hiperspektral
Sistem pencitraan hiperspektral mengintegrasikan pencitraan dan spektroskopi untuk mendapatkan

data spasial dan spektral dalam satu sistem. Sistem pencitraan hiperspektral menghasilkan hypercubes
tiga dimensi (3-D) termasuk data spasial dua dimensi dan data spektral satu dimensi, membentuk
tumpukan gambar pada panjang gelombang kontinu, dan setiap gambar pada panjang gelombang
tertentu disebut sub-gambar (lihat Gambar . 1 b dan c) dan dapat didefinisikan sebagai I ( x, y, λ ), yaitu
citra spasial I ( x, y ) pada panjang gelombang yang berbeda ( λ ) ( Kamruzzaman et al., 2013 , Xiong et
al., 2014 ).
Gambar 1
Unduh: Unduh gambar resolusi tinggi (640KB)Unduh: Unduh gambar ukuran penuh
Gambar 1 . (a) Diagram skema pencitraan hiperspektral (b) contoh sub-gambar 2-D (c) spektrum piksel
apa pun dalam hypercube ( ElMasry & Nakauchi, 2016 ).
Hypercubes biasanya diperoleh dalam tiga mode penginderaan reflektansi, transmisi, dan interaksi ( Wu
& Sun, 2013a ). Mode pemantulan umumnya digunakan untuk evaluasi sifat kualitas eksternal seperti
ukuran, tekstur permukaan, dan cacat fisik, sedangkan mode transmisi sering digunakan untuk
mengevaluasi komposisi atau cacat internal. Selain itu, untuk mendapatkan informasi yang lebih dalam
tentang produk pangan dapat dimanfaatkan mode interaksi. Dengan demikian, penting untuk memilih
mode perolehan yang paling sesuai dengan tujuan analisis dan sifat produk makanan.
Untuk akuisisi citra HSI, ada empat pendekatan berbeda yang tersedia, termasuk pemindaian titik
(whisk-broom), pemindaian garis (push-broom), pemindaian area, dan prosedur pengambilan gambar
tunggal. Di antara metode ini, pemindaian garis adalah alat yang paling banyak digunakan dalam industri
makanan, karena dapat memindai terus menerus dalam satu arah, dan dengan demikian cocok untuk
sistem sabuk konveyor ( ElMasry & Nakauchi, 2016 ).
Pada dasarnya, sistem hiperspektral terdiri dari komputer dengan perangkat lunak yang tepat,
spektograf, kamera, dan unit iluminasi ( Sun, 2010 ). Contoh diagram sistem ditunjukkan pada Gambar. 1
a. Berbagai prosedur dilakukan untuk melindungi data yang diperlukan dan untuk mengurangi informasi
yang berlebihan dan dimensi data karena hypercubes memiliki sejumlah besar data. Ada tiga langkah
utama dalam pemrosesan hypercubes: akuisisi dan pra-pemrosesan citra, ekstraksi data dan perawatan,
pemodelan data, dan pasca-pemrosesan ( Gbr. 2 ).
Gambar 2
Gambar 2 . Langkah-langkah umum proses pencitraan hiperspektral.
Pada langkah pertama, pengaturan instrumen seperti mode penginderaan, jenis detektor, dan waktu
pencahayaan disesuaikan. Kalibrasi panjang gelombang dan akuisisi citra juga diselesaikan dalam tahap
ini. Selain itu, diperlukan langkah wajib yang disebut unfolding, yaitu tentang mengurangi bentuk 3-D
hypercubes menjadi matriks data 2-D karena kemometrik dapat diterapkan untuk memproses informasi
2-D ( Cheng et al., 2017b ). Banyak pra-perawatan spektral termasuk normalisasi, penyaringan,
penghalusan, variasi normal standar (SNV), Transformasi Fourier (FT), koreksi hamburan multiplikasi
(MSC), Savitzky-Golay (SG) digunakan untuk mengurangi kebisingan dan menghilangkan informasi yang
berlebihan ( Pan dkk., 2018). Selain itu, pemilihan region of interest (ROI) dilakukan untuk segmentasi
citra menggunakan beberapa algoritma seperti thresholding, dan segmentasi berbasis tepi ( Ma et al.,
2019 ). Untuk membuat pemodelan data untuk klasifikasi atau regresi, banyak analisis multivariat,
termasuk analisis komponen utama ( PCA ), regresi linier berganda ( MLR). ), regresi kuadrat terkecil
parsial (PLSR), analisis diskriminan kuadrat terkecil parsial (PLS-DA), pemodelan independen lunak dari
analogi kelas (SIMCA), analisis diskriminan nelayan ( FDA ), mesin vektor pendukung (SVM), jaringan
saraf tiruan ( JST ) umumnya diimplementasikan ( Lin & Sun, 2020).
Selanjutnya, koefisien determinasi dan akar berarti kesalahan persegi untuk kalibrasi (R 2 C , RMSEC),
cross-validasi (R 2 CV, RMSECV) dan prediksi (R 2 P , RMSEP) digunakan untuk penilaian kinerja model. .
Agar model dianggap baik dalam kinerja, model harus memiliki nilai R 2 yang lebih tinggi dan nilai
kesalahan yang lebih rendah ( Su & Sun, 2018 ).
Dalam aplikasi pencitraan hiperspektral, evaluasi fitur sensorik produk makanan merupakan salah satu
area utama. Penentuan atribut sensorik produk makanan seperti penampilan (yaitu, warna, bentuk, dan
cacat fisik) dan sifat tekstur (yaitu, kekerasan, kekompakan, dan kekenyalan) penting untuk
mengidentifikasi kebutuhan pelanggan dan menyediakan produk makanan yang disukai dan memuaskan
. Selain itu, atribut sensorik penting untuk estimasi kualitas produk makanan selama proses pengolahan
makanan seperti pengeringan, pembekuan dan pemasakan. Oleh karena itu, pemanfaatan sistem
pencitraan hiperspektral sebagai metode penilaian sensorik kualitas sensorik makanan menarik
perhatian penelitian.
HSI pada prinsipnya mengandalkan analisis kemometri untuk mengevaluasi atribut kualitas sensorik
makanan, dan hubungan antara ikatan molekul dan gelombang sangat penting untuk memahami kimia
di balik model ( Lin & Sun, 2020 ). Oleh karena itu, penetapan pita memainkan peran kunci dalam
mengidentifikasi unsur kimia. Tabel 1 merangkum penetapan pita dalam penilaian sensorik berbagai
produk makanan oleh HSI sejak 2010.
Tabel 1 . Penugasan band HSI berdasarkan literatur.
Jenis Makanan Panjang gelombang (nm) Tugas Referensi
Daging dan Produk Daging 430 Hemoglobin Kamruzzaman et al., 2016a , Kamruzzaman et
al., 2016b
440 Deoxymyoglobin Jiang dkk. (2018)
500 Astaxanthin Dai et al. (2015)
545 Oxymyoglobin Wu, Peng, dkk. (2012)
575 Metmioglobin Wu, Peng, dkk. (2012)
635 Sulfmioglobin Wu, Peng, dkk. (2012)
780 O – H meregangkan nada ketiga Kamruzzaman et al., 2016a , Kamruzzaman et al., 2016b
880 Tekuk amina di luar bidang N – H Yang et al. (2017)
900–940 C – H merentangkan nada tambahan ketiga Cheng, Sun, Pu, Wang, dan Chen (2015)
970 O – H meregangkan nada kedua Kamruzzaman dkk. (2012)
1440 O – H meregangkan nada pertama Kamruzzaman dkk. (2012)
1211 C – H meregangkan nada kedua Kamruzzaman dkk. (2012)
1500 N – H meregangkan nada pertama ElMasry dkk. (2011)
1650–1680 C – H meregangkan nada pertama Barbin dkk. (2012)

1896 O – H meregangkan nada kedua Yang et al. (2018)
Buah-buahan dan sayur-sayuran 435 Karotenoid Huang dkk. (2014)
450 β-karoten Munera dkk., 2017a , Munera dkk., 2017b , Munera dkk., 2017c
535 Antosianin Huang dkk. (2014)
657–839 N – H meregangkan nada tambahan ketiga Ye et al. (2018)
660 Klorofil Huang dkk. (2014)
678, 705 C – H meregangkan nada keempat Xiao dkk. (2020)
780 LikopenRoy dkk. (2017)
880–890 C – H meregangkan nada ketiga Xiao dkk. (2020)
970 O – H meregangkan nada kedua Nguyen-Do-Trong dkk. (2018)
1190 C – H meregangkan nada kedua Rahman dkk., 2018a , Rahman dkk., 2018b , Rahman dkk., 2018c
1426–1489 O – H meregangkan nada pertama Esquerre dkk. (2012)
1370–1398 Kombinasi C – H nada pertama Esquerre dkk. (2012)
1580–1700 C – H meregangkan nada pertama Ferrari dkk. (2015)
1600 Tanin Rodríguez-Pulido dkk. (2014)
Lainnya (biji kopi) 1680, 2250, 2425 Kafein Caporaso dkk., 2018a , Caporaso dkk., 2018b
1668, 2269 Trigonelin Caporaso dkk., 2018a , Caporaso dkk., 2018b
1460–1700 SukrosaCaporaso dkk., 2018a , Caporaso dkk., 2018b
1430 Peregangan C – H dan getaran deformasi C – H Caporaso dkk., 2018a , Caporaso dkk., 2018b
1730 C – H meregangkan nada ketiga Caporaso dkk., 2018a , Caporaso dkk., 2018b
1760 C – H meregangkan nada kedua Caporaso dkk., 2018a , Caporaso dkk., 2018b
Tabel 2 merangkum aplikasi teknologi pencitraan hiperspektral dalam mengevaluasi sifat sensorik
makanan . Frekuensi (f) studi tentang teknologi pencitraan hiperspektral untuk evaluasi fitur sensorik
sejak 2010 ditunjukkan pada Gambar. 3. Urutan frekuensi penerapan sifat sensorik adalah tekstur (f =
42)> warna (f = 22)> cacat (f = 20)> kesegaran (f = 18)> kematangan (f = 16)> rasa (f = 15 ). Sedangkan
urutan jenis produk pangan dalam penerapan HSI untuk evaluasi sensoris adalah buah-buahan (f = 56)>
daging (f = 53)> produk lainnya (f = 15)> sayuran (f = 9). Teknologi pencitraan hiperspektral banyak
digunakan untuk prediksi tekstur pada produk makanan, terutama pada buah dan daging. Namun,
penelitian tentang prediksi rasa, kematangan, dan memar telah meningkat dalam beberapa tahun
terakhir.
Tabel 2 . Aplikasi pencitraan hiperspektral dalam evaluasi sifat sensorik produk makanan.
Produk Jenis Makanan Fitur sensorik Panjang gelombang (nm) Model Ketepatan
Referensi
Daging sapi Daging Kelembutan (WBSF) 400–1100 MLR R 2 CV = 0,91 Wu et al.

(2012b)
Warna ( L *) R 2 CV = 0,96
Warna (a *) R 2 CV = 0,96
Warna ( b *) R 2 CV = 0,97
Kelembutan (SSF) 900–1700 PLSR R 2 CV = 0.83 ElMasry, Barbin, dkk. (2012)
Warna ( L *) R 2 CV = 0.88
Warna ( b *) R 2 CV = 0.81
Tingkat Marmer400–1000 Pohon Keputusan R 2 P = 0,99 Velásquez dkk. (2017)
Tingkat Marmer (Sensorik) 400–1000 PLSR R 2 P = 0,95 Aredo dkk. (2017)
Tingkat Marmer (Sensorik) 400–1100 MLR R 2 CV = 0,92 Li et al. (2011)
WHC 910–1700 PLSR R 2 CV = 0.89 ElMasry dkk. (2011)
Warna ( L * ) 400–1000 PLSR R 2 P = 0,887 Liu dkk. (2018)
Warna ( a * ) R 2 P = 0,864
Ikan Daging Kelembutan (WBSF) 400–1000 PLSR R 2 P = 0,901 He et al., 2014a , He et

al., 2014b
LS-SVM R 2 P = 0,905
MLR R 2 P = 0,901
900–1700 PLSR R 2 P = 0,860
LS-SVM R 2 P = 0,884
Kelembutan (WBSF) 400–1000 PLSR R 2 P = 0,9078 Ma et al. (2017)
Kekerasan (TPA) R 2 P = 0,9036
Gumminess (TPA) R 2 P = 0.8774
Kekenyalan (TPA) R 2 P = 0,8958
Kekerasan (TPA) 400–1000 PLSR R 2 CV = 0,711 Wu et al. (2014)
Kekompakan (TPA) R 2 CV = 0,567
Perekat (TPA) R 2 CV = 0,639
Gumminess (TPA) R 2 CV = 0,711
Kekenyalan (TPA) R 2 CV = 0,702
Ketegasan (TPA) 400–1000 PLSR R 2 P = 0,899 Cheng dkk., 2014a , Cheng dkk., 2014b
LS-SVM R 2 P = 0,932
Kekerasan (TPA) 900–1700 PLSR R 2 CV = 0,67 Wang dkk. (2019b)
Kekompakan (TPA) R 2 CV = 0,72
Springiness (TPA) R 2 CV = 0,72
Gumminess (TPA) R 2 CV = 0,61
Kekenyalan (TPA) R 2 CV = 0,62
WHC 400–1000 PLSR R 2 CV = 0,834 Dia dkk. (2014a , 2014b)
900–1700 R 2 CV = 0,692
Warna ( L * ) 964–1631 MLR R 2 P = 0,869 Wu et al., 2012a , Wu et al., 2012b
Warna ( a * ) R 2 P = 0,729
Warna ( b * ) R 2 P = 0,788
Kesegaran 400–1000 LS-SVM R 2 P = 0,944 Cheng dan Sun (2015)
Kesegaran (TBA) 400–1000 MLR R 2 P = 0,839 Cheng dkk., 2015a , Cheng dkk., 2015b
Kesegaran ( Nilai K ) 400–1000 LS-SVM R 2 P. = 0,922 Cheng dkk., 2015a , Cheng dkk., 2015b
Kesegaran (TVB-N) 400–1000 PLSR R 2 P = 0,905 Cheng dkk. (2014b)

Kesegaran (TVB-N) 308–1105 PLSR R 2 P = 0,981 Cheng dkk. (2017)
Kesegaran (TVB-N) 400–1000 PLSR R 2 P = 0,92 Ivorra dkk. (2016)
Kesegaran (TVB-N) 900–1700 PLSR R 2 CV = 0,74 Wang dkk., 2019a , Wang dkk., 2019b
domba Daging Kelembutan (WBSF) 900–1700 PLSR R 2 CV = 0.84 Kamruzzaman dkk.

(2013)
MLR R 2 CV = 0.84
Kelembutan (Sensorik) PLSR R 2 CV = 0,70
WHC 900–1700 PLSR R 2 CV = 0,77 Kamruzzaman dkk. (2012)
Warna ( L * ) R 2 CV = 0,91
Babi Daging Kelembutan (WBSF) 400–1100 MLR R 2 CV = 0,93 Tao dkk. (2012)
Kelembutan (SSF) 910–1700 PLSR R 2 CV = 0,75 Barbin dkk. (2013)
Tingkat Marmer900–1700 MLR R 2 CV = 0,92 Liu dan Ngadi (2014)
PLSR R 2 CV = 0,93
WHC 900–1700 PLSR R 2 P = 0,89 Barbin dkk. (2012)
Warna ( L * ) R 2 P = 0,92
Warna ( a * ) R 2 P = 0,76
Warna ( b * ) R 2 P = 0.87
Warna (Hue Angle) R 2 P = 0,80
Warna (Chroma) R 2 P = 0,79
WHC 400–1000 PLSR R 2 P = 0,591 Xie dkk. (2015)
900–2500 R 2 P = 0,740
Warna (L *) 400–1000 PLSR R 2 P = 0,907 Xie dkk. (2015)
Warna (a *) R 2 P = 0,716
Warna (b *) R 2 P = 0,814
WHC 400–1100 MLR R 2 C = 0,92 Wu dan Yu (2015)
Warna ( L *) R 2 C = 0,98
Warna (a *) R 2 C = 0,94
Warna (b *) R 2 C = 0,92
Warna ( L *) 400–1000 PLSR R 2 CV = 0,751 Liu dkk. (2014)
Warna (a *) R 2 CV = 0,724
Warna (b *) R 2 CV = 0,528
Kesegaran (TVB-N) 430–960 BP-AdaBoost R 2 P = 0,932 Li et al. (2015)
Kesegaran (Nilai K) 400–1100 PLSR R 2 P = 0,924 Cheng dkk., 2016a , Cheng dkk., 2016b
Kesegaran (BAI) 400–1000 MLR R 2 P = 0,957 Cheng dkk., 2016a , Cheng dkk., 2016b
Kesegaran (TVB-N) 400–1000 MLR R 2 P = 0,861 Yang et al. (2017)
Sosis babi Daging Warna (L *) 380–1000 PLSR R 2 P = 0,73 Feng dan Makino
(2020)
Warna ( a * ) R 2 P = 0,76
Warna ( L *) 380–1000 PLSR R 2 CV = 0,76 Feng dkk. (2020)
Warna (a *) R 2 CV = 0,66
Warna (b *) R 2 CV = 0,71
Warna ( a *) 380–1000 PLSR R 2 P = 0,792 Feng dkk. (2017)
FSMR R 2 P = 0,758
Daging ham kalkun Daging Warna ( a *) 900–1700 PLSR R 2 CV = 0,74 Iqbal dkk.
(2013)
Daging merah Daging WHC 400–1000 PLSR R 2 P = 0,92 Kamruzzaman et al., 2016a ,
Kamruzzaman et al., 2016b
LS-SVM R 2 P = 0,94
Warna ( L *) 400–1000 MLR R 2 P = 0,97 Kamruzzaman et al., 2016a , Kamruzzaman et

al., 2016b
Warna (a *) R 2 P = 0,84
Warna (b *) R 2 P = 0,82
Ayam Daging Springiness (TPA) 400–1000 PLSR R 2 P = 0,89 Xiong dkk., 2015a ,
Xiong dkk., 2015b
ANN R 2 P = 0,84
WHC 1000–2500 PLSR R 2 P = 0,80 Yang et al. (2018)
Warna ( L *) 400–1000 PLSR R 2 P = 0,75 Jiang dkk. (2018)
Warna (a *) R 2 P = 0,92
Warna (b *) R 2 P = 0.87
Kesegaran (TBARS) 328–1115 PLSR R 2 P = 0,944 Xiong dkk. (2015b)
Udang Daging Kekerasan (TPA) 400–1000 LS-SVM R 2 P = 0,824 Dai et al. (2014)
Gumminess (TPA) R 2 P = 0,874
Kesegaran (TVB-N) 400–1000 BP-NN R 2 P = 0,966 Dai et al. (2015)
Udang Daging Kesegaran 867–1700 ELM R 2 P = 0,98 Ye et al. (2020)
telur Produk-produk lain Kesegaran 380–1010 SVR R 2 P = 0.87 Zhang dkk.

(2015)
Kesegaran 900–1700 PLSR R 2 P = 0.85 Suktanarak dan Teerachaichayut (2017)
Kesegaran 400–1000 SVM R 2 P = 0,78–0,98 Yao dkk. (2020)
pisang Buah Ketegasan (TPA) 400–1000 MLR R 2 P = 0,9114 Rajkumar dkk. (2012)
Ketegasan (TPA) 380–1023 PLSR R 2 P = 0,760 Xie dkk. (2018)
Warna ( L *) R 2 P = 0,802
Warna (a *) R 2 P = 0,975
Warna (b *) R 2 P = 0,842
Warna ( L *) 400–1000 PLSR R 2 P = 0,61 Nguyen-Do-Trong dkk. (2018)
Warna (a *) R 2 P = 0,53
Warna (b *) R 2 P = 0.83
Kedewasaan (Secara Visual) 400–740 PLS-DA R 2 P = 0,933 Pu et al. (2019)

apel Buah Ketegasan (MT) 400–1000 PLSR R 2 P = 0,828 Wang dkk. (2012)
Ketegasan (MT) 500–1000 PLSR R 2 P = 0,950 Mendoza dkk. (2011)
Ketegasan (MT) 400–1000 PLSR R 2 P = 0,862 Zhu dkk. (2013)
Memar 400–1000 RF R 2 P > 0,98 Che dkk. (2018)
Memar 400–1000 GS-SVM R 2 P = 0,925 Tan dkk. (2018)
Memar 900–1700 PLS-DA R 2 P = 0,56–0,96 Ferrari dkk. (2015)
Memar 400–1000 LDA R 2 P = 0,95 Baranowski dkk. (2012)
Memar 400–2500 LLR R 2 P = 0,926 Baranowski dkk. (2013)
Memar 900–2500 PLS-DA R 2 P = 0.86–0.94 Keresztes dkk. (2016)
Flavour (Manis) 380–1040 SVR R 2 P = 0,887 Liu dkk. (2020)
Rasa (Sourness) R 2 P = 0.81
Persik Buah Cedera Dingin (Sensorik) 400–1000 ANN R 2 P = 0,85–0,99 Sun

dkk. (2017b)
SVM R 2 P = 0,71–0,96
PLS-DA R 2 P = 0,65–0,96
FLDA R 2 P = 0,53–0,93
Cedera Dingin (Sensorik) 400–1000 ANN R 2 P = 0,958 Pan dkk. (2016)
Memar 780–2500 I-WSM R 2 CV = 0,965 Li et al. (2018b)
Nectarine Buah Kematangan 450–1040 PLSR R 2 P = 0,87–0,91 Munera dkk.,

2017a , Munera dkk., 2017b , Munera dkk., 2017c
Blueberry Buah Ketegasan (TPA) 500–1000 PLSR R 2 P = 0,869 Leiva-

Valenzuela dkk. (2013)
Kekerasan (TPA) 410–1113 LS-SVM R 2 P = 0,8628 Hu et al. (2015)
Springiness (TPA) R 2 P = 0,7189
Ketahanan (TPA) R 2 P = 0,7851
Memar 950–1650 LS-SVM R 2 P = 0,75–1,0 Fan dkk. (2017)

Memar 950–1650 FCN R 2 P = 0,811 Zhang dkk. (2020)
Kedewasaan (Secara Visual) 400–1010 KNN R 2 P = 0,987 Yang et al. (2014)
Stroberi Buah Kedewasaan (Secara Visual) 445–1020 SVM R 2 P = 0,933 Zhang

dkk. (2016)
Kedewasaan (Secara Visual) 370–1015 CNN R 2 P = 0,986 Gao dkk. (2020)
ceri Buah Ketegasan (TPA) 500–1600 PLSR R 2 P = 0,57 Reddy dan Li (2020)
GPR R 2 P = 0,60
Kematangan 874–1734 LDA R 2 C = 0,964 Li et al. (2018c)
Mangga Buah Ketegasan (TPA) 450–1000 PLSR R 2 CV = 0.81

Rungpichayapichet dkk. (2017)
Buah kiwi Buah Kekerasan (TPA) 400–1000 PLSR R 2 P = 0,8738 Chen dkk.
(2020)
Ketegasan (TPA) 450–1000 MLR R 2 P = 0,9812 Zhu dkk. (2017)
LS-SVM R 2 P = 0,9821
PLSR R 2 P = 0,9746
951–1670 PLSR R 2 P = 0,9579
Memar 408–1117 SVM Tidak disebutkan Lü dkk. (2011)
Prem Buah Warna ( L *) 600–975 PLSR R 2 P = 0.85 Li et al., 2018a , Li et al., 2018b ,
Li et al., 2018c
Warna (a *) R 2 P = 0,80
Warna (b *) R 2 P = 0,72
Pir Buah Ketegasan (TPA) 400–1000 PLSR R 2 CV = 0,867 Fan dkk. (2015)
Memar 950–1650 Nilai F R 2 C = 0,92 Lee dkk. (2014)
Kedewasaan (Secara Visual) 400–700 SVM R 2 P = 0,946 Yu dkk. (2020)
Delima Buah Kedewasaan (Secara Visual) 720–1050 PLS-DA R 2 P = 0,84–1,0 Munera

dkk., 2019a , Munera dkk., 2019b
Melon Buah Rasa 900–1700 PLSR R 2 P = 0,57–0,80 Sun et al., 2017a , Sun et al.,
2017b
Jujube Buah Cedera Dingin (Secara Visual) 380–1023 LDA R 2 P = 0,93 Lu dkk. (2018)
Memar 850–1730 CCN R 2 P = 0,99–1,0 Feng dkk. (2019)
LR R 2 P = 0,97–1,0
SVM R 2 P = 0,98–1,0
Kesemak Buah Rasa 450–1020 QDA R 2 P = 0,951 Munera dkk. (2017b)
Kematangan SVM R 2 CV = 0,983
Rasa 450–1040 PLS-DA R 2 P = 0.81–0.89 Munera dkk., 2019a , Munera dkk., 2019b
Kematangan 400–1000 LS-SVM R 2 P = 0,938 Wei dkk. (2014)
jeruk Buah Kematangan 390–1055 KNN R 2 P = 0,96 Wei dkk. (2017)
jeruk nipis Buah Kematangan 930–1670 PLSR R 2 P = 0,78 Teerachaichayut dan

Ho (2017)
Anggur merah Buah Rasa 950–1650 SLDA R 2 CV = 0.86 Nogales-Bueno dkk. (2015)
Anggur Putih Buah Rasa 884–1717 PLSR R 2 CV = 0,50–0,98 Jara-Palacios dkk.

(2016)
Biji Anggur Buah Rasa 950–1650 PLSR R 2 P = 0,75–0,88 Rodríguez-Pulido dkk.

(2014)
Leci Buah Kematangan 1000–2500 PLS-DA R 2 P = 0,968 Pu et al. (2016)
Timun Sayur-mayur Cedera Dingin (Sensorik) 500–1000 SVM R 2 C = 0,81–1,0

Cen dkk. (2016)
Tomat Sayur-mayur Ketegasan (TPA) 1000–1550 PLSR R 2 P = 0,82 Rahman dkk.

(2018c)
Flavour (Manis) R 2 P = 0,74
Warna (L *) 400–1000 PLSR R 2 P. = 0,86 Roy dkk. (2017)
Warna (a *) R 2 P = 0,93
Warna (Hue Angle) R 2 P = 0,95
Kedewasaan (Secara Visual) 500–950 PLS-DA R 2 CV = 0,80–0,88 Zhu dkk. (2015)
kentang Sayur-mayur Warna ( L *) 380–1030 LS-SVM R 2 P = 0,858 Xiao dkk. (2020)

Warna (a *) R 2 P = 0,957
Warna (b *) R 2 P = 0,924
Memar 400–1000 SVM R 2 P = 0,73–0,94 Ye et al. (2018)
Memar 400–1000 AdaBoost-FLDA R 2 P = 0,998 Ji et al. (2019)
Jamur Sayur-mayur Memar 880–1720 PLS-DA R 2 CV = 0,904 Esquerre dkk. (2012)
Paprika hijau Sayur-mayur Cedera Dingin (Sensorik) 400–1000 PLS-DA R 2 CV = 0,83-

0,96 Babellahi dkk. (2020)
1000–2500 R 2 CV = 0,63-0,84
Paprika hijau Sayur-mayur Rasa 1000–1600 PLSR R 2 P = 0,86 Rahman dkk., 2018a ,
Rahman dkk., 2018b , Rahman dkk., 2018c
Bawang putih Sayur-mayur Rasa 1000–1700 PLSR R 2 P = 0,86 Rahman dkk., 2018a ,
Rahman dkk., 2018b , Rahman dkk., 2018c
LS-SVM R 2 P = 0.87
Kedelai SayuranSayur-mayur Warna (ΔE) 400–1000 PLSR R 2 P = 0,862 Huang dkk.

(2014)
Daun bayam Sayur-mayur Kesegaran 380–1030 ELM R 2 P = 1.0 Zhu dkk. (2019)
Gandum Kernel Produk-produk lain Kekerasan 1000–2500 PLSR R 2 P = 0,80

Erkinbaev dkk. (2019)
ANN R 2 P. = 0,90
Kekerasan 900–1700 PLSR R 2 P = 0,8492 Zhang dkk. (2017)
iPLSR R 2 P = 0,9174
ACO R 2 P = 0,9544
Biji jagung Produk-produk lain Kekerasan (TPA) 400–1000 PLSR R 2 P = 0,9012

Wang dkk. (2015)
Springiness (TPA) R 2 P = 0,8744
Ketahanan (TPA) R 2 P = 0,8477
Kacang hitam kalengan Produk-produk lain Ketegasan (KSP)400–1000 PLSR R 2 P = 0,844

Mendoza dkk. (2018)
Kernel pistachioProduk-produk lain Kekerasan (TPA) 400–1000 PLSR R 2 P = 0,64
Mohammadi-Moghaddam dkk. (2018)
ANN R 2 P = 0.88
Kacang Produk-produk lain Kedewasaan (Secara Visual) 400–1000 FCLS R 2 P = 0,84–

0,98 Zou dkk. (2019)
Daun-daun teh Produk-produk lain Warna ( L *) 380–1030 LS-SVM R 2 P = 0,931 Xie dkk.
(2014)
Warna (a *) R 2 P = 0,973
Warna (b *) R 2 P = 0,933
Rasa 450–1000 PLSR R 2 CV = 0,66 Tu et al. (2018)
Biji Kakao Produk-produk lain Rasa 1000–2500 PLSR R 2 p = 0,70 Caporaso dkk.,
2018b , Caporaso dkk., 2018a
Biji kopiProduk-produk lain Rasa (Kafein) 980–2500 PLSR R 2 CV = 0,793 Caporaso dkk.,
2018b , Caporaso dkk., 2018a
Rasa (Trigonelline) R 2 CV = 0,733
Barley Malt Produk-produk lain Rasa 1000–2500 SVR R 2 P. = 0,98 Tschannerl dkk.
(2019)
Keju keras Produk-produk lain Kedewasaan (Sensorik) 1000–2400 PLSR R 2 P = 0,76

Priyashantha dkk. (2020)
Singkatan: R 2 C = koefisien determinasi dalam kalibrasi; R 2 CV = koefisien determinasi dalam validasi

silang, R 2 P = koefisien determinasi dalam prediksi; MLR = regresi linier berganda; PLSR = regresi
kuadrat terkecil parsial; LS-SVM = mesin vektor dukungan kuadrat-terkecil; BP-Adaboost = algoritma
peningkatan adaptif propagasi mundur ; FSMR = maju regresi berganda bertahap; ANN = jaringan saraf
tiruan; BP-NN = jaringan saraf tiruan propagasi mundur; ELM = mesin pembelajaran ekstrim; SVR =
mendukung regresi vektor; SVM = mendukung mesin vektor; PLS-DA = analisis diskriminan kuadrat
terkecil parsial; RF = hutan acak; GS-SVM = mesin vektor pendukung pencarian grid; LDA = analisis
diskriminan linier; LLR = regresi linier logistik; FLDA = Fisher analisis diskriminasi linier; I-WSM =
perbaikan metode segmentasi daerah aliran sungai; FCN = jaringan konvolusional penuh; KNNikatan
gandaK-tetangga terdekat; CNN = jaringan saraf konvolusional; GPR = Regresi proses Gaussian; LR =
regresi logistik; QDA = analisis diskriminan kuadrat; SLDA = analisis diskriminan linier bertahap; iPLSR =
interval regresi kuadrat terkecil parsial; ACO = optimasi koloni semut; FCLS = kuadrat terkecil
sepenuhnya dibatasi; WBSF = Uji geser Warner-Bratzler; SSF = uji gaya geser irisan; WHC = kapasitas
menahan air; TPA = analisis profil tekstur; TBA = asam tiobarbiturat ; TVB-N = total nitrogen dasar yang
mudah menguap; BAI = indeks amina biogenik; TBARS = reaktif asam thiobarbituric; MT = Tes penetrasi
Magness-Taylor; ΔE = perbedaan warna; KSP = Tekan geser Kramer.
Gambar 3
Unduh: Unduh gambar beresolusi tinggi (338KB)Unduh: Unduh gambar ukuran penuh
Gambar 3 . Jumlah studi yang dipublikasikan untuk penilaian sensorik dengan pencitraan hiperspektral
sejak 2010. (Gambar 1Tekstur, Gambar 2 Warna, Gambar 3 Cacat, Gambar 4 Rasa, Gambar 5 Kesegaran,
Gambar 6Kematangan). (Untuk interpretasi referensi warna dalam legenda gambar ini, pembaca
merujuk ke versi Web artikel ini.)
3 . Evaluasi fitur sensorik visual produk makanan
3.1 . Warna
Karena warna merupakan ciri pertama yang diperhatikan konsumen, maka warna merupakan salah satu
karakteristik kualitas sensorik yang paling vital , yang berdampak signifikan terhadap keputusan
pembelian konsumen dengan menunjukkan beberapa informasi tentang kualitas fisik, kimia, atau
mikrobiologis produk makanan. Misalnya, banyak konsumen yang mengasosiasikan warna cerah dan
alami dengan kualitas dan daya tarik yang superior, sedangkan warna yang tidak terduga biasanya
memberikan kesan sebaliknya. Meskipun ada instrumen seperti colorimeter memberikan X (merah), Y
(hijau) dan Z (biru) dan chromameter memberikan L * (lightness), a * (kemerahan - kehijauan) dan b
*(kebiruan - kekuningan) untuk evaluasi warna, perangkat ini dapat menjadi masalah untuk penilaian
warna, terutama bila sampelnya tidak homogen dengan karakteristik fisik yang berbeda ( Pathare et al.,
2013 ). Oleh karena itu, peneliti telah mencari prosedur yang lebih otomatis untuk mengatasi
kekurangan tersebut.
Aplikasi estimasi fitur warna oleh HSI sebagian besar difokuskan pada daging ( Barbin et al., 2012 ; Jiang
et al., 2018 ; Wu & Yu, 2015 ; Kamruzzaman et al., 2012 ; Liu et al., 2014 ; Lee et al., 2014 ; Wu et al.,
2012a , Wu et al., 2012b ; Xie et al., 2015 ) dan produk daging ( Feng & Makino, 2020 ; Feng et al., 2017 ,
2020 ; Iqbal et al. , 2013 ), tetapi banyak penelitian pada buah dan sayuran ( Huang et al., 2014 ; Li et al.,
2018b , Li et al., 2018a, Li et al., 2018c ; Nguyen-Do-Trong dkk., 2018 ; Roy dkk., 2017 ; Xie et al., 2018 ),
dan teh ( Xie et al., 2014 ) juga telah dibuktikan. Metode pemilihan panjang gelombang yang berbeda
seperti diskriminasi bertahap ( Wu et al., 2012a , Wu et al., 2012b ), koefisien β tertimbang ( ElMasry,
Sun, & Allen, 2012 ), algoritma proyeksi berurutan (SPA) ( Li, Cobo- Medina, et al., 2018 ), dan kompetitif
adaptive reweighted sampling (CARS) ( Xiao et al., 2020 ) telah digunakan untuk mengurangi informasi
yang berlebihan dan untuk menyederhanakan model multivariat. Xiao dkk. (2020)melakukan penelitian
untuk memprediksi fitur warna kentang dengan PLSR dan mesin vektor pendukung kuadrat-terkecil (LS-
SVM) dengan SPA dan CARS. Model CARS-LS-SVM memperoleh kinerja terbaik dengan R 2 P 0,851 untuk
L *, 0,957 untuk a *, dan 0,924 untuk b * . Dalam studi Kamruzzaman et al., 2016a , Kamruzzaman et al.,
2016b , PLSR, LS-SVM, dan MLR dengan SPA sebagai metode pemilihan panjang gelombang terkait
diimplementasikan untuk membandingkan performanya dalam prediksi warna daging merah. . Semua
model menghasilkan hasil prediksi yang baik dengan R 2 P mulai dari 0,94 hingga 0,97 untuk L *, 0,84–
0,95 untuka *,dan 0,81–0,85 untuk b * . Apalagi Liu et al. (2018) membuat studi untuk memprediksi
warna sampel daging sapi dengan PLSR, MLR, dan LS-SVM dengan koefisien regresi (RC), menggunakan
pra-perawatan spektral yang berbeda termasuk SG, MSC, SNV, dan turunannya untuk membandingkan
kinerja prediksi mereka dan memperoleh R 2 P sebesar 0.858 untuk prediksi L * oleh SNV-PLSR, 0.890
untuk a * oleh SG-RC-MLR, dan 0.816 untuk b * oleh MSC-LS-SVM. Lebih lanjut, Xie et al. (2018) menguji
model novel yang disebut kombinasi dua panjang gelombang untuk pemilihan panjang gelombang
optimal untuk memperkirakan fitur warna pisang dengan PLSR dan memperoleh hasil prediksi yang baik
dengan R 2P dari 0,795 untuk L *, 0,972 untuk a *, dan 0,773 untuk b *.
Teknologi pemrosesan makanan telah banyak diterapkan untuk meningkatkan kualitas makanan dan
memperpanjang umur simpan, namun, hal itu dapat menyebabkan perubahan fitur warna. Banyak
penelitian telah dilakukan untuk menentukan fitur warna oleh HSI selama prosedur pemrosesan yang
berbeda seperti pembekuan ( Xie et al. , 2015 ), memasak ( Iqbal et al. , 2013 ; Feng et al. , 2020 ), pra-
memasak ( Feng et al., 2017 ), pemanasan microwave ( Li et al., 2018b , Li et al., 2018a ), pengeringan
( Huang et al. , 2014 ; Nguyen-Do-Trong et al. , 2018; Xie et al., 2014 ), dan penggaraman ( Lee et al.,
2014 ). Secara khusus, Xie et al. (2014) melakukan penelitian untuk memprediksi perubahan warna daun
teh selama periode pengeringan yang berbeda (0, 4, 6, 8, dan 10 menit) dan menghasilkan kinerja
klasifikasi yang baik dengan R 2 P mulai dari 0,714 hingga 1,0 oleh LS-SVM. .
Meskipun hampir semua studi tentang prediksi warna oleh HSI telah diteliti dalam mode reflektansi, dua
studi ( Wu et al., 2012b , Wu et al., 2012a ; Wu & Yu, 2015) pada pencitraan hiperspektral hamburan
untuk penilaian warna telah menunjukkan hasil yang lebih akurat karena mode hamburan dapat
dipengaruhi oleh sifat struktural suatu produk, sedangkan mode pantulan hanya berisi data spektral
produk tanpa melacak informasi spasial. Selain itu, sebagai algoritma linier, PLSR telah menjadi metode
yang paling banyak digunakan dalam penilaian warna oleh HIS, tetapi algoritma non-linier seperti LS-
SVM telah memberikan hasil yang lebih kuat. Ini mungkin karena kinerja LS-SVM yang luar biasa, yang
tidak hanya dapat menganalisis korelasi linier antara warna produk dan informasi spektral, tetapi juga
dapat menemukan hubungan nonlinier di antara mereka dengan lebih baik.
3.2 . Cacat
3.2.1 . Cedera dingin
Cedera dingin adalah salah satu gangguan fisiologis paling umum pada buah dan sayuran, yang dapat
terjadi selama penyimpanan suhu rendah jangka panjang, dan dapat menyebabkan berbagai perubahan
seperti kecoklatan internal, tekstur memburuk, kurangnya juiciness, dan off-flavor ( Lurie & Crisosto,
2005 ). Oleh karena itu, penting untuk mendeteksi kerusakan akibat kedinginan pada buah dan sayuran
sebelum menjangkau konsumen. Meskipun cedera akibat kedinginan tidak dapat dinilai secara langsung
dengan instrumen, banyak properti yang digunakan sebagai indeks untuk memprediksi tingkat cedera
akibat kedinginan, termasuk warna daging, kekencangan, dan bahan kering ( Cen et al., 2016 ).
Dalam beberapa tahun terakhir, HSI dalam rentang spektral 400–1000 nm telah dipelajari untuk
mendeteksi cedera dingin pada tahap awal untuk menghilangkan produk agri-food yang terluka seperti
buah persik ( Pan et al., 2016 ; Sun et al., 2017a , Sun et al., 2017b ), mentimun ( Cen et al., 2016 ),
paprika hijau ( Babellahi et al., 2020 ), dan jujube hijau ( Lu et al., 2018 ), untuk memperbaiki rak-
kehidupan produk makanan dan untuk memastikan kepuasan konsumen. Misalnya, Sun et al. (2017b)
melakukan penelitian untuk mengklasifikasikan cedera dingin buah persik oleh PLS-DA, SVM dan
ANNdengan SPA sebagai metode pemilihan panjang gelombang optimal, dan mencapai kinerja terbaik
dengan R 2 P 0,866, 0,934, 0,967 oleh JST untuk klasifikasi empat kelas, tiga kelas dan dua kelas. Hasil ini
menunjukkan bahwa hubungan antara chilling injury dan informasi spektral terlalu rumit untuk
diselesaikan dengan algoritma multivariat linier, sehingga analisis multivariat non-linier akan
menghasilkan kinerja yang lebih baik. Lebih lanjut, Cen et al. (2016)memeriksa seleksi fitur informasi
timbal balik (MIFS), max-relevance min-redundancy (MRMR), dan sequential forward selection (SFS)
untuk memilih panjang gelombang terkait, dan naïve Bayes (NB), SVM dan K-nearest neighbour (KNN)
untuk menentukan cedera kedinginan mentimun untuk klasifikasi dua kelas dan tiga kelas, membuat
model berdasarkan analisis spektral dan analisis gambar seperti statistik orde pertama dan statistik orde
dua. Gambar produk sampel dan langkah utama penelitian ini diilustrasikan pada Gambar 4 . Studi
tersebut menunjukkan bahwa SFS-SVM memperoleh hasil yang paling akurat di antara semua model
klasifikasi dengan akurasi R 2 C > 0,90 berdasarkan fitur spektral. Performa model klasifikasi
menggunakan fusi fitur berdasarkan fitur gambar yang diekstrak dari gambar rasio dua pita yang dipilih
ternyata sebanding dengan model berdasarkan informasi spektral. Untuk studi lebih lanjut, kombinasi
fitur spektral dan gambar dapat memberikan performa yang lebih akurat untuk klasifikasi cedera dingin.
Gambar 4
Gambar 4 . Evaluasi cedera dingin mentimun dengan HSI (a) gambar sampel (b) langkah-langkah kunci
dari proses analisis gambar ( Cheng, Sun, Pu, & Liu, 2016 ).
3.2.2 . Memar
Memar adalah kerusakan mekanis pada buah dan sayuran, yang dapat terjadi selama panen,
pengemasan, dan pengangkutan, tidak hanya mempengaruhi penampilan makanan tetapi juga rasa,
tekstur, nilai gizi , dan penerimaan konsumen. Secara tradisional, memar diklasifikasikan dengan
penilaian manual dalam industri makanan, oleh karena itu, para peneliti berfokus pada menemukan
sistem penyortiran yang mengatur sendiri untuk deteksi dini memar guna mengurangi kerugian nilai
ekonomi dan gizi, dan HSI telah diselidiki untuk mendeteksi memar pada apel ( Ferrari et al., 2015 ;
Keresztes et al., 2016 ), kentang ( Ji et al., 2019 ; Ye et al., 2018 ), pir ( Lee et al., 2014 ), blueberry (Fan et
al., 2017 ; Zhang & Li, 2018 ), persik ( Li, Cobo-Medina, et al., 2018 ), buah kiwi ( Lü et al., 2011 ), jujube
musim dingin ( Feng et al., 2019 ), dan jamur ( Esquerre et al., 2012 ).
Che dkk. (2018) mendeteksi memar apel dengan pemilihan region of interest (ROI) berbasis piksel dan
SVM yang diterapkan, pohon keputusan, penurunan gradien stokastik, hutan acak, dan peningkatan
pohon gradien untuk membuat model klasifikasi, memperoleh akurasi terbaik dengan R 2 P dari 0,99
oleh hutan acak. Selain itu, Tan et al. (2018) menerapkan SVM berdasarkan optimasi parameter
pencarian grid (GS-SVM) dengan tiga metode pra-pemrosesan spektral termasuk SNV, turunan pertama
dan penghalusan SG, dan kombinasinya untuk mengidentifikasi memar apel setelah pemilihan panjang
gelombang efektif oleh SPA atau MOBIL. Mereka mencapai akurasi klasifikasi tertinggi menggunakan
SNV-SPA-GS-SVM dengan R 2 P 0,95. Sebaliknya,Fan dkk. (2017)melakukan penelitian dengan
menggunakan SPA dan CARS dengan LS-SVM untuk klasifikasi memar blueberry dan CARS-LS-SVM
menunjukkan kinerja yang lebih baik. Dalam aplikasinya, SPA memiliki panjang gelombang lebih dari
CARS dan dengan demikian kinerja yang lebih baik dapat diharapkan. Namun, dalam beberapa studi,
kemampuan klasifikasi yang lebih buruk telah ditunjukkan, yang mungkin karena adanya beberapa
kelebihan atau informasi yang tidak relevan yang dipilih oleh SPA.
Metode klasifikasi lain seperti SIMCA ( Baranowski et al., 2012 ), regresi linier logistik (LLR) dan neural
network (NN) ( Baranowski et al., 2013 ) juga telah dikembangkan, yang dapat menghasilkan hasil
klasifikasi yang baik. Baru-baru ini, Ji et al. (2019) mendeteksi awal memar kentang oleh HSI dengan
aplikasi peningkatan citra, termasuk algoritma pemerataan histogram, penghalusan rata-rata dan
algoritma gradien. Setelah menerapkan transformasi wavelet diskrit (DWT), algoritma diskriminan linier
(FLD) adaBoost-Fisher, KNN, FLD, algoritma backpropagation (BP) dan SVM diterapkan untuk klasifikasi,
dan akurasi klasifikasi terbaik dicapai dengan R 2 P sebesar 0,998 oleh pemerataan histogram dengan
adaBoost-FLD.
4 . Evaluasi fitur sensorik taktil produk makanan
4.1 . Fitur tekstur

Tekstur pangan merepresentasikan kemampuan ketahanan pangan terhadap tindakan deformasi seperti
menggigit, mengunyah, dan menggiling ( Lu & Cen, 2013 ), yang secara langsung dapat mempengaruhi
penerimaan pangan dan preferensi konsumen. Ekspektasi tekstur konsumen sangat beragam
berdasarkan produk makanan. Misalnya, konsumen umumnya lebih menyukai apel yang keras, buah
persik yang berair, dan produk daging yang empuk ( Chen & Rosenthal, 2015 ). Akibatnya, kekerasan,
kelembutan, juiciness, chewiness , dan gumminess adalah istilah yang digunakan untuk menggambarkan
produk makanan yang berbeda ( Szczesniak, 2002). Secara tradisional, selain panelis terlatih, banyak
prosedur instrumental yang diterapkan untuk penilaian tekstur seperti uji geser Warner-Bratzler (WBSF),
uji gaya geser irisan (SSF), uji penetrasi Magness-Taylor (MT), dan analisis profil tekstur (TPA). Secara
umum WBSF dan SSF digunakan untuk mengevaluasi keempukan daging sedangkan MT untuk
kekencangan buah dan sayur. Selain itu, TPA digunakan untuk berbagai produk makanan untuk
mendapatkan parameter tekstur primer seperti kekerasan, kesegaran, kekompakan, kelengketan, dan
parameter sekunder, termasuk kekenyalan dan rasa lengket ( De Huidobro et al. , 2005 ). Dalam
beberapa tahun terakhir, HSI telah dipelajari untuk menggantikan metode tradisional untuk
mengevaluasi parameter tekstur ini.
Kelembutan daging secara sederhana merupakan karakteristik tekstur yang berkaitan dengan kekuatan
menggigit yang dibutuhkan, berubah berdasarkan panjang sarcomere, derajat proteolisis (protein
myofibrillar), dan struktur, atau kandungan jaringan ikat ( Purchas, 2014 ). Konsumen mengharapkan
daging memiliki kualitas kelembutan yang baik karena mereka dapat membedakan tingkat keempukan
secara efisien ( Feuz et al., 2004 ). HSI telah banyak diteliti untuk memprediksi kelembutan (WBSF dan
SSF) daging sapi ( ElMasry, Sun, & Allen, 2012 ; Wu et al., 2012a , Wu et al., 2012b ), babi ( Barbin et al.,
2013 ; Tao et al., 2012 ; Xie dkk., 2015), ikan (He, Wu, & Sun, 2014a , 2014b ; Ma et al., 2017 ) dan
domba ( Kamruzzaman et al., 2013 ).
Studi tentang penggunaan HSI dalam evaluasi kelembutan daging biasanya dalam kisaran spektral 400-
1100 nm dan menunjukkan kinerja yang baik, seperti R 2 CV 0,91 oleh MLR ( Wu et al., 2012a , Wu et al.,
2012b ), 0,89 oleh PLSR dan 0,905 oleh LS-SVM ( He et al., 2014a , He et al., 2014b ). Tao dkk. (2012)
melakukan pencitraan hamburan hiperspektral untuk prediksi kelembutan (WBSF) daging babi dan
memperoleh R 2 Pmulai dari 0,831 hingga 0,930 berdasarkan parameter Lorentzian. Hasil yang baik ini
dapat memberikan bukti untuk mendukung klaim dalam penelitian sebelumnya bahwa pencitraan
hamburan di dalam daging dipengaruhi oleh karakteristik struktural otot termasuk panjang sarkomer
dan kandungan kolagen yang berhubungan dengan nyeri tekan. Barbin dkk. (2013) menggabungkan citra
HSI dan computer vision untuk estimasi kelembutan ( SSF ) daging babi dan memperoleh hasil prediksi
yang wajar dengan R 2 P 0,75 dari model Plsr berdasarkan informasi spektral dan fitur statistik dari
transformasi wavelet diskrit, yang lebih tinggi dari model PLSR berdasarkan data spektral saja.
Selain itu, HSI juga telah diuji untuk memprediksi skor TPA, termasuk kekerasan, gumminess, dan
kekenyalan produk daging ( Dai et al., 2014 ; Wang et al., 2019b , Wang et al., 2019a ; Wu et al., 2014 ;
Xiong, Sun, Pu, et al., 2015 ), kekerasan pisang ( Rajkumar et al., 2012 ; Xie et al., 2018 ), apel ( Mendoza
et al., 2011 ; Zhu et al., 2013 ), blueberry ( Leiva-Valenzuela et al. 2013 ), ceri manis ( Reddy & Li, 2020 ),
melon ( Sun et al., 2017a , Sun et al., 2017b ), mangga (Rungpichayapichet et al., 2017 ), buah kiwi ( Chen
et al., 2020 ), pir ( Fan et al., 2015 ), tomat ( Rahman et al., 2018a , Rahman et al., 2018b , Rahman et al.,
2018c ), dan kekerasan biji gandum ( Erkinbaev et al., 2019 ), biji jagung ( Wang et al., 2015 ), biji
pistachio ( Mohammadi-Moghaddam et al., 2018 ), dan kacang hitam kalengan ( Mendoza et al. , 2018 ).
Banyak metode telah diterapkan untuk memilih panjang gelombang yang berhubungan dengan tekstur
seperti RC ( Ma et al., 2017 ), eliminasi variabel tidak informatif (UVE) dan propagasi afinitas yang
diawasi (SAP) ( Wang et al., 2012 ), algoritma katak acak (RFA) ( Hu et al., 2015 ), variabel kepentingan
dalam proyeksi (VIP ) (Rahman et al., 2018a , Rahman et al., 2018b , Rahman et al., 2018c ) dan
Algoritma Genetika (GA) ( Cheng et al., 2014a , Cheng et al., 2014b ).
Wang dkk. (2015) memprediksikan sifat tekstur biji inti jagung oleh PLSR dalam rentang spektral 400–
1000 nm. Sebelum Plsr pemodelan berdasarkan panjang gelombang penuh, koreksi spektral
menggunakan koreksi sinyal orthogonal (OSC) digunakan, yang memberikan hasil prediksi yang baik
dengan R 2 P dari 0,9012, 0,8744, 0,8477 untuk estimasi kekerasan, pegas dan ketahanan masing-
masing. Studi lain tentang prediksi kekerasan buah kiwi digunakan oleh Zhu et al. (2017) yang
membandingkan kinerja model PLSR, MLR dan LS-SVM, dan meraih R 2 P tertinggi sebesar 0,9821 oleh
SPA-LS-SVM. Selain itu, optimasi koloni semut (ACO) dan regresi kuadrat terkecil interval (iPLSR) ( Zhang
et al., 2017), synergy interval PLSR (siPLSR) ( Chen et al., 2020 ), backpropagation neural network (BP-
NN) ( Wang et al., 2012 ) juga telah digunakan untuk memprediksi fitur tekstur dan menunjukkan hasil
prediksi yang baik dengan R 2 P dari 0,828–0,9544.
Selain evaluasi sifat tekstur produk makanan mentah, penentuan karakteristik tekstur makanan olahan
juga penting untuk mengidentifikasi hilangnya indera selama pemrosesan. Oleh karena itu, HSI telah
diimplementasikan untuk menentukan perubahan tekstur selama proses yang berbeda seperti
pembekuan (Xie et al. , 2015), pengeringan beku vakum ( Ma et al., 2017 ), penyimpanan beku ( Cheng
et al., 2014a , Cheng et al. al., 2014b ), pengalengan (Mendoza et al., 2017), memasak (Kamruzzaman et
al. , 2013), dan pemanggangan ( Mohammadi-Moghaddam et al., 2018), dan hasil dari penelitian ini
menunjukkan kinerja yang menggembirakan dalam menggunakan HSI untuk memprediksi fitur tekstur
produk makanan olahan.
4.2 . Fitur terkait tekstur
4.2.1 .Tingkat marmer

Marbling merupakan karakteristik kualitas daging untuk menentukan ukuran, jumlah, dan distribusi
lemak yang terlihat dengan lemak pada otot, yang berkaitan erat dengan sifat tekstur seperti
kelembutan dan juiciness ( Corbin et al., 2015 ; Miller, 2014 ; Thompson, 2004 ). Distribusi marbling yang
seragam dinilai sebagai salah satu indikator kualitas daging yang baik oleh konsumen. Secara tradisional,
pembuatan marmer dinilai secara visual oleh perata terlatih sesuai dengan standar referensi pembuatan
marmer. Di sisi lain, HSI telah dieksplorasi menjadi teknik alternatif untuk menentukan tingkat marbling
daging seperti daging sapi ( Aredo et al., 2017 ; Li et al., 2011 ; Velásquez et al., 2017 ) dan babi (Cheng,
Sun, Pu, & Wei, 2018 ; Liu & Ngadi, 2014 ; Ma, Pu, & Sun, 2018 ), menunjukkan hasil prediksi yang baik
dengan koefisien determinasi mulai dari 0,92 hingga 0,99. Baru-baru ini, model pohon keputusan
diterapkan untuk menghilangkan beberapa keterbatasan metode multivariat tentang menghasilkan
gambar biner dan hasil yang lebih akurat dengan R 2 P = 0,99 dicapai dengan binarisasi wilayah yang
diminati ( Velásquez et al., 2017 ). Selain itu, Plsr dan MLR model yang digunakan untuk memperkirakan
marbling skor dengan R 2 p 0,95, dan 0,92, masing-masing ( Aredo et al, 2017. ; . Li et al, 2011 ).
4.2.2 . Kapasitas menahan air
Water holding capacity (WHC) atau drip-loss (DL) pada daging diidentifikasikan sebagai kemampuan
daging dalam mempertahankan air didalamnya terhadap faktor eksternal seperti gravitasi dan
temperatur ( Fischer, 2007 ). Meskipun tampak seperti sifat kimiawi, WHC merupakan karakteristik yang
memberikan informasi tentang kesegaran dan kelembutan daging segar atau yang dimasak dan
akibatnya, kualitas makan secara keseluruhan. Banyak metode telah digunakan untuk evaluasi WHC,
termasuk gaya mekanis eksternal, gravimetri dan prosedur memasak ( Bowker, 2017 ). Namun, prosedur
yang cepat dan tidak berulang merupakan kebutuhan mendesak untuk industri daging, dan dengan
demikian, ketersediaan HSI untuk estimasi WHC dalam kisaran spektral 400–1000 nm ( Cheng, Sun, &
Pu, 2016c ;Dia dkk., 2014a , 2014b ; Kamruzzaman dkk., 2016a , Kamruzzaman dkk., 2016b ; Ma, Sun, &
Pu, 2017 ; Wu & Yu, 2015 ; Xie et al., 2015 ), dan 900–2000 nm ( Barbin et al., 2012 ; ElMasry et al.,
2011 ; Kamruzzaman et al., 2012 ; Yang et al., 2018 ) telah diteliti oleh banyak peneliti. Secara khusus,
Barbin et al. (2012) membentuk model PLSR untuk membandingkan efek pra-perawatan spektral pada
kemampuan prediksi dan melaporkan bahwa prediksi terbaik R 2 Psebesar 0,89 diperoleh dengan
penerapan turunan pertama. Koefisien prediksi ini secara signifikan lebih tinggi dari R 2 P dari 0,77 yang
diperoleh Plsr berdasarkan data spektral mentah ( Kamruzzaman et al., 2012 ). Hasil ini menunjukkan
bahwa pre-processing citra dapat meningkatkan kemampuan prediksi analisis multivariate namun hal ini
menjadi kelemahan dalam aplikasi yaitu pemilihan metode pre-treatment hanya berdasarkan trial and
error. Selain PLSR, LS-SVM ( Kamruzzaman et al., 2016a , Kamruzzaman et al., 2016b ) dan MLR ( Wu &
Yu, 2015 ) juga digunakan untuk prediksi WHC dan menghasilkan koefisien prediksi yang dapat diterima
mulai dari 0,78 hingga 0,94. Baru-baru ini, Yang et al. (2018)memperkirakan WHC fillet dada ayam
dengan PLSR dan memperoleh R 2 p sebesar 0,73, dan untuk meningkatkan prediksi, menggabungkan
data panjang gelombang optimal dan variabel tekstur yang diekstraksi oleh matriks co-kejadian tingkat
abu-abu (GLCM) dan mencapai hasil yang lebih kuat dengan R 2 P = 0,80.
5 . Evaluasi fitur multisensori produk makanan
5.1 . Rasa
Rasa adalah kesan sensorik dari produk makanan, yang diidentifikasi oleh gabungan indra kimiawi dari
sistem rasa dan bau, dan persepsi rasa dapat diringkas dalam tiga tahap: evaluasi bau, rasa di mulut, dan
sisa rasa. Pada dasarnya, ada lima kelas rasa, termasuk rasa manis, asin, asam, pahit, dan umami yang
dirasakan oleh mulut, namun berbagai rasa terbentuk dengan kombinasi rasa dan bau ( Choi & Han,
2015, hlm. 1–14). Penilaian rasa umumnya diterapkan oleh panelis terlatih atau metode instrumental
seperti spektrometri massa kromatografi gas, tetapi sulit untuk dideteksi karena jumlah jejak bau. Oleh
karena itu, HSI telah diperkenalkan untuk menghindari tantangan ini dengan menggabungkan informasi
spektral dan spasial. Banyak penelitian terkait rasa telah diteliti oleh HSI untuk prediksi astringency dari
kesemek ( Munera et al., 2017a , Munera et al., 2017b , Munera et al., 2017c ; Munera et al., 2017a ,
Munera et al. , 2017b , Munera et al., 2017c ), kandungan fenolik (terkait dengan rasa pahit dan asam)
pada biji anggur merah dan putih (Rodríguez-Pulido et al., 2014 ), biji kakao tunggal ( Caporaso et al.,
2018a , Caporaso et al., 2018b ), malt barley ( Tschannerl et al., 2019 ), kulit, biji dan batang anggur putih
( Jara -Palacios et al., 2016 ), dan kultivar teh ( Tan et al., 2018 ), kandungan antosianin (terkait dengan
kepahitan) anggur merah ( Nogales-Bueno et al., 2015 ), kemanisan melon ( Sun et al., 2017a , Sun et al.,
2017b ) dan tomat ( Rahman et al., 2018a , Rahman et al., 2018b , Rahman et al., 2018c ), rasa manis dan
asam apel (Liu et al., 2020 ), kepedasan cabai hijau ( Rahman et al., 2018a , Rahman et al., 2018b ,
Rahman et al., 2018c ), kandungan allicin bawang putih menciptakan cita rasa khas bawang putih
( Rahman et al., 2018a , Rahman et al., 2018b , Rahman et al., 2018c ), kandungan allicin bawang putih
menciptakan rasa khas bawang putih ( Rahman et al. al., 2018a , Rahman et al., 2018b , Rahman et al.,
2018c ), dan komponen terkait rasa dari biji kopi hijau tunggal ( Caporaso et al., 2018a , Caporaso et al.,
2018b ).
Jara-Palacios dkk. (2016) melakukan penelitian untuk memprediksi 27 senyawa fenolik individu biji, kulit,
dan batang anggur putih oleh HSI pada rentang spektral 880–1720 nm dengan PCA-PLSR, dan
memperoleh hasil prediksi yang baik, terutama untuk epikatekin (R 2). cv = 0,96), kaempferol-3-O-
galaktosida (R 2 cv = 0,98), kaempferol-3-O-glukosida (R 2 cv = 0,98), dan kaempferol (R 2 cv = 0,97).
Selain itu, Rahman dkk., 2018a , Rahman dkk., 2018b , Rahman dkk., 2018cmendemonstrasikan prediksi
kandungan allicin dalam bawang putih di wilayah Vis-NIR (400–1000 nm) dan NIR (1000–1700 nm).
Mereka menggunakan kemometri yang berbeda untuk membandingkan efeknya pada prediksi,
termasuk lima pra-perawatan spektral yang berbeda (normalisasi, MSC, SNV, SG-1st, SG-2nd), metode
pemilihan tiga panjang gelombang (RC, VIP, SPA), dan dua multivariat. analisis (PLSR, LS-SVM). Hasilnya
menunjukkan bahwa wilayah NIR dengan aplikasi SG-1st memperoleh hasil prediksi yang lebih akurat
dan hasil prediksi terbaik adalah R 2 P = 0.87 dari model LS-SVM berdasarkan panjang gelombang
penuh, dan R 2 p. = 0,83 dari model VIP-LS-SVM. Ini mungkin karena kedua spektrum NIR lebih terkait
dengan komposisi kimia sampel dan spektrum Vis-NIR dapat dipengaruhi oleh beberapa faktor termasuk
warna dan bentuk. Baru-baru ini, Liu et al. (2020) diterapkan partikel swarm optimasi-support vector
regresi (PSO-SVR) dengan CARS untuk seleksi panjang gelombang untuk memprediksi asam dan
manisnya apel dan diperoleh R 2 P dari 0.810, dan 0,887 untuk prediksi asam, dan manis yang , masing-
masing.
5.2 . Kesegaran
Kesegaran merupakan karakteristik multisensori (penciuman, gustatori, taktil, trigeminal, visual, dan
auditori), yang dapat mempengaruhi penerimaan dan kualitas total produk pangan. Ini merupakan
konsep yang sangat luas karena ekspektasi konsumen dibedakan menurut jenis makanannya ( Roque et
al., 2018 ). Misalnya, orang menganggap bahwa buah segar harus berwarna cerah dan tekstur yang
diharapkan, sedangkan daging merah segar harus berwarna merah dan baunya enak. Sejalan dengan itu,
penelitian telah menunjukkan bahwa ada korelasi antara kesegaran dan sifat sensorik , seperti
penampilan, tekstur, rasa dan bau ( Howgate, 2015 ; Péneau et al. , 2006). Ada banyak prosedur yang
akan digunakan untuk mengevaluasi kesegaran, termasuk metode fisik seperti analisis tekstur dan
warna, metode kimiawi seperti indeks amina biogenik dan nitrogen basa volatil total, dan analisis
mikrobiologi, namun untuk penentuan yang lebih tepat, panel sensorik adalah satu-satunya metode
( Wang et al., 2018 ). Untuk mengatasi kesulitan tersebut, HSI telah diuji potensi dan kelayakannya
dalam evaluasi kesegaran yang akurat sehingga banyak penelitian telah dilakukan, terutama untuk
daging dan produk daging ( Cheng et al., 2015a , Cheng et al., 2015b ; Cheng dkk. , 2017 ; Cheng dkk.,
2014a , Cheng dkk., 2014b; Cheng dkk., 2015a , Cheng dkk., 2015b ; Cheng, Sun, Pu, & Liu, 2016 ; Ivorra
dkk., 2016 ; Dai, Cheng, Sun, Zhu, & Pu, 2016 ; Li dkk., 2015 ; Xiong, Sun, Pu, dkk., 2015 ; Yang et al., 2017
), telur ( Suktanarak & Teerachaichayut, 2017 ; Zhang et al., 2015 ), dan daun bayam ( Zhu et al., 2019 ).
Cheng et al., 2016a , Cheng et al., 2016b memprediksi kesegaran daging babi oleh HSI dengan perlakuan
awal yang berbeda (penghalusan MSC, SNV, dan SG), algoritma pemilihan panjang gelombang (SPA dan
RC) dan dua analisis multivariat (PLSR dan MLR) , dan performanya dibandingkan, menunjukkan bahwa
SG smoothing-MLR mencapai performa prediksi terbaik dengan R 2 P sebesar 0,957 berdasarkan
sembilan panjang gelombang optimal yang dipilih oleh RC. Dalam studi untuk memperkirakan
kesegaran, LS-SVM ( Cheng & Sun, 2015 ), PLS-DA, random forest (RF), extreme learning machine (ELM) (
Ye et al., 2020 ), clustering-based partial least squares (C-PLSR) ( Wang dkk., 2019b , Wang dkk., 2019a),
dan AdaBoost dan BP-NN ( Dai et al., 2015 ) juga telah diterapkan dengan prediksi yang baik R 2 P mulai
dari 0,74 hingga 0,981. Baru-baru ini, Yao et al. (2020) mendeteksi kesegaran telur oleh HSI dalam
kisaran spektral 400-1000 nm. Mereka menggunakan metode pra-pemrosesan gambar yang berbeda
seperti jarak Mahalanobis (MD), SG, SNV, dan wavelet threshold denoising (WTD), dan tiga algoritma
pemilihan panjang gelombang yang berbeda termasuk secara iteratif mempertahankan variabel
informatif (IRIV), CARS, dan variabel penyusutan ruang iteratif pendekatan (VISSA). Setelah aplikasi
WTD-SNV, yang merupakan metode terbaik untuk denoising dan smoothing spektrum ( Gbr. 5 ), IRIV-
SVM yang dioptimalkan oleh GA menunjukkan akurasi terbaik dalam sampel uji dengan R2 P sebesar
0,9787, yang secara signifikan lebih tinggi dari IRIV-SVM (R 2 P = 0,8936).
Gambar 5
Gambar 5 . Kurva spektral untuk prediksi kesegaran telur dengan HSI (a) spektrum asli (b) spektra
setelah aplikasi WTD-SNV (Yao et al. , 2020).
5.3 . Kematangan
Kedewasaan atau kematangan merupakan tahapan yang dapat menunjukkan kesiapan pangan untuk
dimakan, yang dapat ditentukan oleh karakteristik internal dan eksternal produk pangan tersebut. Selain
itu, produk makanan dapat memperoleh karakteristik sensorik yang diinginkan seperti rasa yang enak,
tekstur yang diinginkan, dan warna tertentu selama pematangan ( Cascales et al., 2005 ; Cliff &
Toivonen, 2017 ). Misalnya, beberapa produk seperti kesemek dan pisang kemungkinan tidak akan
dikonsumsi sebelum mencapai kematangan karena rasanya yang sepat dan teksturnya yang keras. Oleh
karena itu, penentuan tahap kematangan makanan dapat menjamin kualitas sensorisnya, yang
mengarah pada pemeliharaan pangsa pasar dengan memastikan kepuasan konsumen. Umumnya,
penilaian kematangan dapat ditentukan oleh panel terlatih atau parameter berbasis laboratorium
seperti warna, tekstur, dan kandungan padatan total. Namun, jelas bahwa sistem pemantauan online
dibutuhkan dalam industri, dan dengan demikian HSI telah banyak diteliti untuk klasifikasi dan prediksi
tingkat kematangan makanan seperti keju ( Priyashantha et al., 2020 ), kacang tanah ( Zou et al. ., 2019 ),
kesemek ( Wei et al., 2014 ), cherry ( Li et al., 2018a , Li et al., 2018b , Li et al., 2018c ), strawberry ( Gao
et al., 2020 ), tomat ( Zhu dkk., 2015), jeruk nipis ( Teerachaichayut & Ho, 2017 ), delima ( Munera et al.,
2019a , Munera et al., 2019b ), jeruk ( Wei et al., 2017 ), buah leci ( Pu et al., 2016 ), dan pir ( Yu et al.,
2020 ).
Yang et al. (2014) mengklasifikasikan kematangan blueberry dalam kisaran spektral 400-1000 nm dan
menggunakan diskriminabilitas kelas berpasangan (PWCD), pengurangan dimensi hierarki (HDR), dan
algoritma pengukuran non-Gaussianitas (NG) untuk pemilihan pita, dan KNN , SVM, dan adaBoost
sebagai metode klasifikasi. Semua model menghasilkan akurasi klasifikasi yang baik dengan R 2 P > 0.88,
tetapi hasil terbaik diperoleh dengan R 2 P = 0.987 oleh NG-KNN. Lebih lanjut, Zhang et al.
(2016)menggunakan dua rentang spektral yang berbeda dari 380-1030 nm dan 874-1734 nm dan
membandingkan kinerja klasifikasi di antara model yang berbeda berdasarkan spektrum penuh, panjang
gelombang optimal yang dipilih oleh PCA, fitur tekstur yang diekstraksi oleh GLCM dan fusi data, masing-
masing. Mereka menunjukkan bahwa rentang spektral dari 380-1030 nm menghasilkan akurasi lebih
dari kisaran lainnya dan kinerja klasifikasi terbaik adalah R 2 P 0,95 dari model SVM berdasarkan fusi
data. Alasannya mungkin karena efek pigmen, yang diamati dalam rentang Vis-NIR di antara berbagai
tahap pematangan, lebih signifikan daripada komposisi kimia. Selain analisis multivariat tersebut, LDA,
analisis diskriminan kuadratik (QDA) ( Munera et al., 2017a , Munera et al., 2017b ,Munera et al.,
2017c ), PLSR ( Munera et al., 2017a , Munera et al., 2017b , Munera et al., 2017c ), PLS-DA, SIMCA ( Pu
et al., 2019 ) juga telah diterapkan untuk mengklasifikasikan tingkat kematangan dengan akurasi yang
baik mulai dari 0,71 hingga 1,0.
6 . Tantangan dan pekerjaan masa depan
Dalam ulasan ini, perkembangan aplikasi terbaru dari teknologi pencitraan hiperspektral sejak 2010
tercerahkan dalam penilaian sifat sensorik berbagai produk makanan, yang menegaskan bahwa
teknologi pencitraan hiperspektral akan memiliki potensi besar sebagai alat cepat dan non-invasif untuk
analisis sensorik.
Meskipun teknologi pencitraan hiperspektral telah menunjukkan kinerja yang bagus untuk memprediksi
evaluasi sensorik produk agri-food, masih ada beberapa tantangan yang harus dipertimbangkan dalam
penelitian selanjutnya:
(1)
Mode reflektansi paling sering digunakan untuk akuisisi gambar dalam studi evaluasi sensorik, namun,
menggunakan mode ini untuk mendapatkan analisis yang akurat untuk produk makanan dengan bentuk
bulat seperti buah-buahan merupakan tantangan tersendiri. Baru-baru ini, mode hamburan juga
diterapkan dan menunjukkan lebih banyak akurasi daripada mode reflektansi, tetapi aplikasi mode
akuisisi citra lainnya sangat terbatas dalam penilaian sensorik dan oleh karena itu penyelidikan mode ini
diperlukan dalam penelitian selanjutnya.
(2)
Sekitar 70% dari aplikasi HSI dalam penilaian sensorik dilakukan dalam kisaran spektral 400–1000 nm,
sementara hanya sekitar 25% yang berada dalam kisaran spektral 900–1700 nm. Namun, aplikasi HSI di
daerah spektral seperti UV (220–400 nm), SWIR (1000–2500 nm), dan MWIR (3500–5000 nm) sangat
terbatas, oleh karena itu kinerja rentang spektral ini tetap menjadi teka-teki. . Untuk alasan ini,
penelitian selanjutnya dapat mengeksplorasi kelayakan rentang spektral ini untuk memajukan teknologi
ini lebih jauh.
(3)
Karena sebagian besar penelitian berfokus pada analisis data spektral dan beberapa penelitian telah
menunjukkan keberhasilan kombinasi informasi spektral dan spasial, maka lebih banyak penelitian harus
dilakukan untuk menggunakan teknik fusi data. GLCM adalah metode yang paling banyak digunakan
untuk mengekstrak informasi spasial dalam analisis sensorik, tetapi kelayakan metode lain seperti filter
Gabor, transformasi wavelet diskrit dua dimensi, dan pola biner lokal juga harus diselidiki untuk
meningkatkan ketahanan teknologi.
(4)
Karena gambar hiperspektral berisi sejumlah besar data dengan informasi yang berlebihan dan biaya
tinggi, penggalian data yang efektif untuk mengekstraksi informasi yang paling berguna tetap menjadi
tantangan untuk mengurangi biaya komputasi dan meningkatkan kinerja sistem. Pemilihan panjang
gelombang yang efektif adalah metode yang paling banyak digunakan untuk mengatasi tantangan ini.
Namun, metode lain harus dipelajari dan dikembangkan, misalnya, menerapkan pemilihan ulang
panjang gelombang yang optimal untuk mencari panjang gelombang yang paling penting dapat
membantu pembangunan sistem pencitraan multispektral sehingga kamera spektral multi-band dapat
digunakan, yang lebih praktis. untuk aplikasi industri yang berkaitan dengan kecepatan dan biaya.
Penggunaan kamera spektral multi-band juga dapat diintegrasikan dengan smartphone, yang mengarah
pada adopsi teknologi ini untuk aplikasi kehidupan sehari-hari.
(5)
Tidak perlu diragukan lagi dalam efisiensi teknologi HSI untuk evaluasi sensorik, produk makanan yang
belum dipelajari seperti produk kental harus dieksplorasi dan studi juga harus diperluas ke produk
makanan yang lebih luas dari berbagai asal dan wilayah geografis, mengingat bahwa Produk makanan
dalam kategori yang sama dapat memiliki karakteristik yang sangat berbeda seperti bentuk dan ukuran.
(6)
Saat ini, sistem HSI mahal, dan merupakan tantangan untuk mengurangi biayanya. Oleh karena itu,
diperlukan perkembangan teknologi baru pada perangkat keras seperti sensor dan unit iluminasi. Selain
itu, perangkat lunak tersebut juga memiliki harga jual yang tinggi dan menemukan perangkat lunak atau
pendekatan baru yang mampu melakukan fungsi serupa dengan MATLAB atau ENVI dapat semakin
memudahkan pengurangan biaya teknologi ini.
(7)
Sebagian besar penelitian tentang penerapan pencitraan hiperspektral dalam evaluasi sensorik terbatas
di laboratorium. Sebelum penerapan HSI skala industri, prototipe dapat digunakan dalam penilaian
sensorik dengan sedikit modifikasi pada peralatan seperti menggunakan tahap mikro untuk mengatur
jarak sampel berdasarkan ukuran dan bentuk sampel yang berbeda, menggunakan sistem pendingin
termoelektrik untuk mengurangi kebisingan sistem berdasarkan peningkatan suhu operasi, dan
menggunakan sabuk konveyor panjang untuk mensimulasikan akuisisi gambar online waktu nyata.
(8)
Terakhir, keberhasilan HSI dalam analisis sensorik makanan terutama di laboratorium, dan
penerjemahan awal hasil laboratorium ke aplikasi industri merupakan tantangan. Namun demikian,
dengan pesatnya perkembangan teknologi terutama pada perangkat keras dan lunak, diharapkan
teknologi HSI dapat menjadi salah satu alternatif alat evaluasi sifat sensorik produk pangan yang efektif
dan efisien untuk industri pangan di masa yang akan datang.
7 . Kesimpulan
Ulasan ini memberikan gambaran menyeluruh tentang perkembangan aplikasi terbaru sejak 2010 untuk
mengidentifikasi properti sensoriktermasuk tekstur, warna, cacat, rasa, kesegaran, dan kematangan
dalam berbagai produk makanan dengan teknologi pencitraan hiperspektral. Untuk evaluasi sensorik,
daerah spektral yang paling banyak digunakan adalah Vis-NIR (400-1000 nm), sedangkan analisis
multivariat yang paling banyak digunakan adalah model regresi linier (PLSR dan MLR). Namun, beberapa
algoritma regresi non-linier dapat memberikan hasil yang lebih akurat. Metode klasifikasi yang diawasi
terutama diterapkan untuk mendeteksi cacat dan kematangan produk makanan dengan hasil paling
akurat dalam evaluasi sensorik oleh HSI. Di sisi lain, analisis multivariat regresi banyak digunakan untuk
memprediksi tekstur, warna, rasa, dan kesegaran. Selain itu, banyak penelitian yang berfokus pada
pengurangan redundansi data dan meningkatkan kinerja prediksi dengan menggunakan analisis
kemometri baru, mengembangkan algoritme baru, atau memilih panjang gelombang yang optimal
menggunakan algoritma yang berbeda, namun, pemilihan panjang gelombang yang efektif
menyebabkan masalah besar kehilangan informasi dalam beberapa penelitian. Selain itu,
menggabungkan informasi spektral dan spasial hypercubes untuk evaluasi sifat sensorik dapat
menghasilkan performa yang lebih baik. Selain itu, beberapa penelitian telah membuktikan keberhasilan
pencitraan hiperspektral waktu nyata, yang dapat mendorong adopsi awal teknologi HSI oleh industri.
Ucapan Terima Kasih
Gözde Özdoğan berterima kasih kepada Program Beasiswa YLSY , Kementerian Pendidikan Nasional ,
Turki, atas beasiswa untuk mendukung studi PhD-nya di University College Dublin , Irlandia.
Referensi
Aredo dkk., 2017
V. Aredo , L. Velásquez , R. Siche
Prediksi marmer sapi menggunakan pencitraan hiperspektral (HSI) dan regresi kuadrat terkecil parsial
(PLSR)
Scientia Agropecuaria , 8 ( 2 ) ( 2017 ) , hlm. 169 - 174 , 10,17268 / sci.agropecu.2017.02.09
CrossRefLihat Record di Scopusbeasiswa Google
Babellahi dkk., 2020
F. Babellahi , J. Paliwal , C. Erkinbaev , ML Amodio , MMA Chaudhry , G. Colelli
Deteksi dini cedera dingin pada paprika hijau dengan pencitraan hiperspektral dan kemometri
Biologi dan Teknologi Pascapanen , 162 ( 2020 ) , hal. 111100 , 10.1016 / j.postharvbio.2019.111100
ArtikelUnduh PDFLihat Record di Scopusbeasiswa Google
Baranowski dkk., 2013
P. Baranowski , W. Mazurek , J. Pastuszka-Woźniak
Klasifikasi apel memar yang diawasi sehubungan dengan waktu setelah memar berdasarkan data
pencitraan hiperspektral
Biologi pascapanen dan Teknologi , 86 ( 2013 ) , hlm. 249 - 258 , 10,1016 / j.postharvbio.2013.07.005
Baranowski dkk., 2012
P. Baranowski , W. Mazurek , J. Wozniak , U. Majewska
Deteksi awal memar pada apel menggunakan data hiperspektral dan pencitraan termal
Journal of Food Engineering , 110 ( 3 ) ( 2012 ) , hlm 345 - 355 , 10.1016 / j.jfoodeng.2011.12.038
Barbin dkk., 2012
DF Barbin , G. ElMasry , DW Sun , P. Allen
Memprediksi atribut kualitas dan sensorik daging babi menggunakan pencitraan hiperspektral
inframerah-dekat
Analytica Chimica Acta , 719 ( 2012 ) , hlm. 30 - 42 , 10,1016 / j.aca.2012.01.004

Barbin dkk., 2013
DF Barbin , NA Valous , D.-W. Matahari
Prediksi nyeri tekan pada otot babi longissimus dorsi menggunakan pengukuran instrumental bersama
dengan citra hiperspektral NIR dan penglihatan komputer
Inovatif Food Science & Emerging Technologies , 20 ( 2013 ) , hlm. 335 - 342 , 10,1016 /
j.ifset.2013.07.005
Bowker, 2017
B. Bowker
Perkembangan pemahaman kita tentang kapasitas menahan air
M. Petracci , C. Berri (Eds.) , Evaluasi kualitas unggas: Atribut kualitas dan nilai konsumen , Woodhead
Publishing , Duxford, United Kingdom ( 2017 ) , hlm. 77 - 113 , 10.1016 / B978-0-08-100763-1.00004 -0
Caporaso dkk., 2018a
N. Caporaso , MB Whitworth , MS Fowler , ID Fisk
Pencitraan hiperspektral untuk prediksi indeks fermentasi yang tidak merusak, kandungan polifenol dan
aktivitas antioksidan dalam biji kakao tunggal
Food Chemistry , 258 ( 2018 ) , hlm. 343 - 351 , 10,1016 / j.foodchem.2018.03.039
Caporaso dkk., 2018b
N. Caporaso , MB Whitworth , S. Grebby , ID Fisk
Analisis non-destruktif sukrosa, kafein dan trigonelline pada biji kopi hijau tunggal dengan pencitraan
hiperspektral
Food Research International , 106 ( 2018 ) , hlm. 193 - 203 , 10.1016 / j.foodres. 2017.12.031
Cascales dkk., 2005

AI Cascales , E. Costell , F. Romojaro
Pengaruh tingkat kematangan terhadap komposisi kimia, sifat fisik dan atribut sensoris buah persik
( Prunus persica ) cv. Caterin
Ilmu dan Teknologi Pangan Internasional , 11 ( 5 ) ( 2005 ) , pp. 345 - 352 , 10,1177 / 1082013205057943
Cen dkk., 2016
H. Cen , R. Lu , Q. Zhu , F. Mendoza
Deteksi nondestruktif cedera dingin pada buah mentimun menggunakan pencitraan hiperspektral
dengan pemilihan fitur dan klasifikasi yang diawasi
Cheng dkk., 2014a
J.-H. Cheng , J.-H. Qu , D.-W. Sun , X.-A. Zeng
Prediksi pencitraan hiperspektral terlihat / inframerah dekat dari kekencangan tekstur ikan mas rumput
( Ctenopharyngodon idella ) yang dipengaruhi oleh penyimpanan beku
Food Research International , 56 ( 2014 ) , hlm. 190 - 198 , 10.1016 / j.foodres. 2013.12.009
Cheng dan Sun, 2015
J.-H. Cheng , D.-W. Matahari
Fusi data dan pencitraan hiperspektral bersama-sama dengan mesin vektor dukungan kuadrat terkecil
untuk prediksi skor indeks kualitas sensorik fillet ikan
Lebensmittel-Wissenschaft und -Technologie- Ilmu dan Teknologi Pangan , 63 ( 2 ) ( 2015 ) , hlm. 892 -
898 , 10,1016 / j.lwt.2015.04.039
Cheng dkk., 2016a
W. Cheng , D.-W. Sun , J.-H. Cheng
Penentuan indeks biogenic amine (Bai) babi berdasarkan analisis kemometri data pencitraan
hiperspektral
Lebensmittel-Wissenschaft und -Technologie- Ilmu dan Teknologi Pangan , 73 ( 2016 ) , hlm. 13 - 19 ,
10.1016 / j.lwt.2016.05.031
Cheng dkk., 2016b
W. Cheng , D.-W. Sun , H. Pu , Y. Liu
Integrasi data spektral dan tekstur untuk meningkatkan prediksi hiperspektral nilai K dalam daging babi
Lebensmittel-Wissenschaft und -Technologie- Ilmu dan Teknologi Pangan , 72 ( 2016 ) , hlm. 322 - 329 ,
10.1016 / j.lwt.2016.05.003
Cheng dkk., 2016c
J.-H. Cheng , D.-W. Sun , H. Pu
Menggabungkan algoritme genetika dan algoritme proyeksi berurutan untuk pemilihan panjang
gelombang fitur untuk mengevaluasi karakteristik eksudatif pada otot ikan yang dicairkan beku
Kimia Pangan , 197 ( Pt A ) ( 2016 ) , hlm. 855 - 863 , 10.1016 / j.foodchem. 2015.11.019
Cheng dkk., 2015a
J.-H. Cheng , D.-W. Sun , H.-B. Pu , Q.-J. Wang , Y.-N. Chen
Kesesuaian pencitraan hiperspektral untuk evaluasi cepat nilai asam thiobarbituric (TBA) pada fillet ikan
mas rumput ( Ctenopharyngodon idella )
Food Chemistry, 171 (2015), pp. 258-265, 10.1016/j.foodchem.2014.08.124
ArticleDownload PDFView Record in ScopusGoogle Scholar
Cheng et al., 2015b
J.-H. Cheng, D.-W. Sun, H. Pu, Z. Zhu
Development of hyperspectral imaging coupled with chemometric analysis to monitor K value for
evaluation of chemical spoilage in fish fillets
Food Chemistry, 185 (2015), pp. 245-253, 10.1016/j.foodchem.2015.03.111

Cheng et al., 2017
J.-H. Cheng , D.-W. Sun , Q. Wei
Meningkatkan prediksi pencitraan hiperspektral yang terlihat dan inframerah dekat dari level TVB-N
untuk evaluasi kesegaran fillet ikan dengan menyaring variabel optimal
Metode Analisis Makanan , 10 ( 6 ) ( 2017 ) , hlm. 1888 - 1898 , 10.1007 / s12161-016-0742-9
Cheng dkk., 2017b
J.-H. Cheng , D.-W. Sun , H. Pu , Q. Wei
Ketertelusuran tingkat pembusukan kimiawi dari dua jenis daging babi olahan menggunakan satu sistem
multispektral yang dikembangkan oleh pencitraan hiperspektral dikombinasikan dengan metode
pemilihan variabel yang efektif
Food Chem , 221 ( 2017 ) , hlm. 1989 - 1996 , 10.1016 / j.foodchem. 2016.11.093
Lihat Record di Scopusbeasiswa Google
Cheng dkk., 2018
J.-H. Cheng , D.-W. Sun , H. Pu , Q. Wei
Analisis korelasi dua dimensi heterospektral dengan pencitraan hiperspektral inframerah dekat untuk
memantau kerusakan oksidatif miofibril babi selama penyimpanan beku
Cheng dkk., 2014b
J.-H. Cheng , D.-W. Sun , X.-A. Zeng , H.-B. Pu
Penentuan konten TVB-N yang tidak merusak dan cepat untuk evaluasi kesegaran ikan mas rumput
( Ctenopharyngodon idella ) dengan pencitraan hiperspektral
Innovative Food Science & Emerging Technologies , 21 ( 2014 ) , hlm. 179 - 187 , 10.1016 /
j.ifset.2013.10.013
Chen dan Rosenthal, 2015
J. Chen , A. Rosenthal
Tekstur dan struktur makanan
J. Chen , A. Rosenthal (Eds.) , Memodifikasi tekstur makanan: Volume 1 , Bahan-bahan baru dan teknik
pemrosesan , Vol. 1 , Woodhead Publishing , Oxford, UK ( 2015 ) , hlm. 3 - 24 , 10.1016 / B978-1-78242-
333-1.00001-2
Chen dkk., 2020
X. Chen , L. Zheng , Z. Kang
Kajian metode uji kekerasan buah Kiwi berdasarkan teknik hiperspektral
Jurnal Fisika: Seri Konferensi , 1453 ( 2020 ) , Artikel 012143 , 10.1088 / 1742-6596 / 1453/1/012143
Che dkk., 2018
W. Che , L. Sun , Q. Zhang , W. Tan , D. Ye , D. Zhang , Y. Liu
Ekstraksi daerah memar berbasis piksel pada apel menggunakan pencitraan hiperspektral Vis-NIR
Komputer dan Elektronik di Pertanian , 146 ( 2018 ) , hlm. 12 - 21 , 10,1016 / j.compag.2018.01.013
Choi dan Han, 2015
N.-E. Choi , JH Han
Apa itu Taste?
Cara kerja rasa: Ilmu rasa dan aroma , John Wiley & Sons , UK ( 2015 ) , 10.1002 / 9781118865439.ch1
beasiswa Google
Cliff dan Toivonen, 2017
MA Cliff , PMA Toivonen
Karakteristik sensorik dan kualitas apel 'Ambrosia' terkait dengan kematangan panen untuk buah yang
disimpan hingga delapan bulan
Corbin dkk., 2015

CH Corbin , TG O'Quinn , AJ Garmyn , JF Legako , MR Hunt , T. Dinh , RJ Rathmann , JC Brooks , MF Miller
Evaluasi sensoris dari daging sapi loin steak yang empuk dari berbagai tingkat marmer dan kualitas
perawatan
Ilmu Daging , 100 ( 2015 ) , hlm. 24 - 31 , 10.1016 / j.meatsci. 2014.09.009
Dai dkk., 2015
Q. Dai , J.-H. Cheng , D.-W. Sun , H. Pu , X.-A. Zeng , Z. Xiong
Potensi pencitraan hiperspektral tampak / inframerah dekat untuk deteksi cepat kesegaran pada udang
beku dan beku
Jurnal Teknik Pangan , 149 ( 2015 ) , hlm. 97 - 104 , 10,1016 / j.jfoodeng.2014.10.001
Dai et al., 2014
Q. Dai, J.-H. Cheng, D.-W. Sun, X.-A. Zeng
Potential of hyperspectral imaging for non-invasive determination of mechanical properties of prawn

(Metapenaeus ensis)
Journal of Food Engineering, 136 (2014), pp. 64-72, 10.1016/j.jfoodeng.2014.03.013
Dai et al., 2016
Q. Dai, J.-H. Cheng, D.-W. Sun, Z. Zhu, H. Pu
Prediksi total kandungan nitrogen basa volatil menggunakan fitur wavelet dari citra hiperspektral
terlihat / inframerah dekat udang (Metapenaeus ensis)
Food Chemistry , 197 ( Pt A ) ( 2016 ) , hlm. 257 - 265 , 10,1016 / j.foodchem.2015.10.073
De Huidobro dkk., 2005
FR De Huidobro , E. Miguel , B. Blázquez , E. Onega
Perbandingan antara dua metode (Warner – Bratzler dan analisis profil tekstur) untuk menguji daging
mentah atau daging matang
Ilmu Daging , 69 ( 3 ) ( 2005 ) , hlm. 527 - 536 , 10.1016 / j.meatsci.2004.09.008
ArtikelUnduh PDFbeasiswa Google
ElMasry dkk., 2012
G. ElMasry , DF Barbin , DW Sun , P. Allen
Evaluasi kualitas daging dengan teknik pencitraan hiperspektral: Gambaran umum
Kritis Ulasan di Ilmu Pangan dan Gizi , 52 ( 8 ) ( 2012 ) , hlm. 689 - 711 , 10,1080 / 10408398.2010.507908
ElMasry dan Nakauchi, 2016
GM ElMasry , S. Nakauchi
Operasi analisis gambar diterapkan pada gambar hiperspektral untuk penginderaan non-invasif kualitas
makanan – Tinjauan komprehensif
Biosystems Teknik , 142 ( 2016 ) , hlm. 53 - 82 , 10,1016 / j.biosystemseng.2015.11.009
ElMasry dkk., 2011
G. ElMasry , D.-W. Sun , P. Allen
Penentuan non-destruktif kapasitas menahan air pada daging sapi segar dengan menggunakan
pencitraan hiperspektral NIR
Food Research International , 44 ( 9 ) ( 2011 ) , hlm. 2624 - 2633 , 10.1016 / j.foodres. 2011.05.001
ElMasry dkk., 2012
G. ElMasry , D.-W. Sun , P. Allen
Pencitraan hiperspektral inframerah-dekat untuk memprediksi warna, pH, dan kelembutan daging sapi
segar
Jurnal Teknik Pangan , 110 ( 1 ) ( 2012 ) , hlm. 127 - 140 , 10,1016 / j.jfoodeng.2011.11.028
Erkinbaev dkk., 2019
C. Erkinbaev , K. Derksen , J. Paliwal

Estimasi kekerasan gandum kernel tunggal menggunakan pencitraan hiperspektral inframerah dekat
Infrared Physics & Technology, 98 (2019), pp. 250-255, 10.1016/j.infrared.2019.03.033
Esquerre et al., 2012
C. Esquerre, A.A. Gowen, G. Downey, C.P. O'Donnell
Wavelength selection for development of a near infrared imaging system for early detection of bruise
damage in mushrooms (Agaricus bisporus)
Journal of Near Infrared Spectroscopy, 20 (5) (2012), pp. 537-546, 10.1255/jnirs.1014
CrossRefView Record in ScopusGoogle Scholar
Fan et al., 2015
S. Fan, W. Huang, Z. Guo, B. Zhang, C. Zhao
Prediction of soluble solids content and firmness of pears using hyperspectral reflectance imaging
Food Analytical Methods, 8 (8) (2015), pp. 1936-1946, 10.1007/s12161-014-0079-1
Fan et al., 2017
S. Fan, C. Li, W. Huang, L. Chen
Detection of blueberry internal bruising over time using NIR hyperspectral reflectance imaging with
optimum wavelengths
Postharvest Biology and Technology, 134 (2017), pp. 55-66, 10.1016/j.postharvbio.2017.08.012
Feng and Makino, 2020
C.-H. Feng, Y. Makino
Colour analysis in sausages stuffed in modified casings with different storage days using hyperspectral
imaging–A feasibility study
Food Control, 111 (2020), Article 107047, 10.1016/j.foodcont.2019.107047
Feng et al., 2020

C.-H. Feng, Y. Makino, J.F. García Martín
Hyperspectral imaging coupled with multivariate analysis and image processing for detection and
visualisation of colour in cooked sausages stuffed in different modified casings
Foods, 9 (8) (2020), p. 1089, 10.3390/foods9081089
Feng et al., 2017
C.-H. Feng, Y. Makino, M. Yoshimura, F.J. Rodríguez‐Pulido
Real‐time prediction of pre‐cooked Japanese sausage color with different storage days using
hyperspectral imaging
Journal of the Science of Food and Agriculture, 98 (7) (2017), pp. 2564-2572, 10.1002/jsfa.8746
Google Scholar
Feng et al., 2019
L. Feng, S. Zhu, L. Zhou, Y. Zhao, Y. Bao, C. Zhang, Y. He
Detection of subtle bruises on winter jujube using hyperspectral imaging with pixel-wise deep learning
method
IEEE Access , 7 ( 2019 ) , hlm. 64494 - 64505 , 10.1109 / ACCESS. 2019.2917267
Ferrari dkk., 2015
C. Ferrari , G. Foca , R. Calvini , A. Ulrici
Eksplorasi dan klasifikasi cepat dari kumpulan data gambar hiperspektral besar untuk deteksi dini
memar pada apel
Kemometrika dan Laboratorium Sistem Cerdas , 146 ( 2015 ) , hlm. 108 - 119 , 10,1016 /
j.chemolab.2015.05.016
Feuz dkk., 2004
DM Feuz , WJ Umberger , CR Calkins , B. Sitz
Kesediaan konsumen AS untuk membayar rasa dan kelembutan pada steak sebagaimana ditentukan
melalui lelang eksperimental
Jurnal Ekonomi Pertanian dan Sumberdaya , 501–516 ( 2004 )
Diakses tanggal 3 Oktober 2020 dari
http://www.jstor.org/stable/40987246
beasiswa Google
Fischer, 2007
K. Fischer
Kehilangan tetesan pada daging babi: Faktor yang mempengaruhi dan hubungannya dengan sifat
kualitas daging selanjutnya
Jurnal Pemuliaan dan Genetika Ternak , 124 ( 2007 ) , hlm. 12 - 18 , 10,1111 / j.1439-0388.2007.00682.x
Gao dkk., 2020
Z. Gao , Y. Shao , G. Xuan , Y. Wang , Y. Liu , X. Han
Pencitraan hiperspektral waktu nyata untuk estimasi kematangan stroberi di lapangan dengan
pembelajaran mendalam
Artificial Intelligence di Pertanian , 4 ( 2020 ) , hlm. 31 - 38 , 10,1016 / j.aiia.2020.04.003
Dia dkk., 2014a
H.-J. Dia , D. Wu , D.-W. Matahari
Potensi pencitraan hiperspektral dikombinasikan dengan analisis kemometri untuk menilai dan
memvisualisasikan distribusi kelembutan dalam fillet salmon mentah yang dibudidayakan
Dia dkk., 2014b
H.-J. Dia , D. Wu , D.-W. Matahari
Penentuan kehilangan tetesan dan distribusi pH yang cepat dan tidak merusak pada fillet salmon
Atlantik ( Salmo salar ) yang dibudidayakan menggunakan pencitraan hiperspektral tampak dan
inframerah dekat (Vis-NIR)
Howgate, 2015
P. Howgate
Sejarah perkembangan metode sensorik untuk evaluasi kesegaran ikan
Journal of Aquatic Food Product Technology, 24 (5) (2015), pp. 516-532,

10.1080/10498850.2013.783897
Huang et al., 2014
M. Huang, Q. Wang, M. Zhang, Q. Zhu
Prediction of color and moisture content for vegetable soybean during drying using hyperspectral
imaging technology
Hu et al., 2015
M.-H. Hu, Q.-L. Dong, B.-L. Liu, U.L. Opara, L. Chen
Estimating blueberry mechanical properties based on random frog selected hyperspectral data
Iqbal et al., 2013
A. Iqbal, D.-W. Sun, P. Allen
Prediction of moisture, color and pH in cooked, pre-sliced Turkey hams by NIR hyperspectral imaging
system
Journal of Food Engineering, 117 (1) (2013), pp. 42-51, 10.1016/j.jfoodeng.2013.02.001
Ivorra et al., 2016
E. Ivorra, S. Verdu, A.J. Sánchez, R. Grau, J.M. Barat

Predicting gilthead sea bream (Sparus aurata) freshness by a novel combined technique of 3D imaging
and SW-NIR spectral analysis
Sensors, 16 (10) (2016), p. 1735, 10.3390/s16101735
Jara-Palacios et al., 2016
M.J. Jara-Palacios, F.J. Rodríguez-Pulido, D. Hernanz, M.L. Escudero-Gilete, F.J. Heredia
Determination of phenolic substances of seeds, skins and stems from white grape marc by near‐infrared
Australian Journal of Grape and Wine Research, 22 (1) (2016), pp. 11-15, 10.1111/ajgw.12165
Jiang et al., 2018
H. Jiang, S.-C. Yoon, H. Zhuang, W. Wang, Y. Li, C. Lu, N. Li
Non-destructive assessment of final color and pH attributes of broiler breast fillets using visible and
near-infrared hyperspectral imaging: A preliminary study
Infrared Physics & Technology, 92 (2018), pp. 309-317, 10.1016/j.infrared.2018.06.025
Ji et al., 2019
Y. Ji , L. Sun , Y. Li , D. Ye
Deteksi kentang memar menggunakan teknik pencitraan hiperspektral berdasarkan transformasi

wavelet diskrit
Fisika & Teknologi Inframerah , 103 ( 2019 ) , hal. 103054 , 10.1016 / j.infrared. 2019.103054
Kamruzzaman dkk., 2012
M. Kamruzzaman , G. ElMasry , D.-W. Sun , P. Allen
Prediksi beberapa atribut kualitas daging domba menggunakan pencitraan hiperspektral inframerah
dekat dan analisis multivariat
Analytica Chimica Acta , 714 ( 2012 ) , hlm. 57 - 67 , 10,1016 / j.aca.2011.11.037

M. Kamruzzaman , G. ElMasry , D.-W. Sun , P. Allen
Penilaian non-destruktif kelembutan instrumental dan sensorik daging domba menggunakan pencitraan
hiperspektral NIR
Food Chemistry , 141 ( 1 ) ( 2013 ) , hlm. 389 - 396 , 10,1016 / j.foodchem.2013.02.094
M. Kamruzzaman , D.-W. Sun , G. ElMasry , P. Allen
Deteksi cepat dan visualisasi pemalsuan daging domba cincang menggunakan pencitraan hiperspektral
NIR dan analisis gambar multivariat
Talanta , 103 ( 2013 ) , hlm. 130 - 136 , 10,1016 / j.talanta.2012.10.020
Kamruzzaman dkk., 2016a
M. Kamruzzaman , Y. Makino , S. Oshita
Pencitraan hiperspektral untuk pemantauan waktu nyata dari kapasitas menahan air dalam daging
merah
LWT-Ilmu dan Teknologi Pangan , 66 ( 2016 ) , hlm. 685 - 691 , 10.1016 / j.lwt.2015.11.021
Kamruzzaman dkk., 2016b
M. Kamruzzaman , Y. Makino , S. Oshita
Pemantauan warna daging merah secara online menggunakan pencitraan hiperspektral
Daging Sains , 116 ( 2016 ) , hlm. 110 - 117 , 10,1016 / j.meatsci.2016.02.004
Keresztes dkk., 2016
JC Keresztes , M. Goodarzi , W. Saeys

Deteksi memar apel dini berbasis piksel secara real-time menggunakan pencitraan hiperspektral
inframerah gelombang pendek yang dikombinasikan dengan teknik kalibrasi dan koreksi silau
Makanan Kontrol , 66 ( 2016 ) , hlm. 215 - 226 , 10,1016 / j.foodcont.2016.02.007
Lawless dan Heymann, 2013
HT Pelanggar Hukum , H. Heymann
Evaluasi sensorik makanan: Prinsip dan praktik
Springer Science & Business Media , New York ( 2013 ) , 10.1007 / 978-1-4615-7843-7
beasiswa Google
Lee dkk., 2014
W.-H. Lee , MS Kim , H. Lee , SR Delwiche , H. Bae , D.-Y. Kim , B.-K. Cho
Pencitraan inframerah dekat hiperspektral untuk mendeteksi kerusakan fisik buah pir
Journal of Food Engineering , 130 ( 2014 ) , pp. 1 - 7 , 10.1016 / j.jfoodeng.2013.12.032
ArtikelUnduh PDFCrossRefLihat Record di Scopusbeasiswa Google
Lei dan Sun, 2019
T. Lei , D.-W. Matahari
Perkembangan teknik nondestruktif untuk mengevaluasi atribut kualitas keju: Tinjauan
Trends in Food Science & Technology , 88 ( 2019 ) , hlm. 527 - 542 , 10.1016 / j.tifs.2019.04.013
Leiva-Valenzuela dkk., 2013
GA Leiva-Valenzuela , R. Lu , JM Aguilera
Prediksi kekencangan dan kandungan padatan terlarut blueberry menggunakan pencitraan reflektansi
hiperspektral
Journal of Food Engineering , 115 ( 1 ) ( 2013 ) , hlm 91 - 98 , 10.1016 / j.jfoodeng.2012.10.001
Li et al., 2018a
J. Li , L. Chen , W. Huang
Deteksi awal memar pada buah persik ( Amygdalus persica L.) menggunakan pencitraan hiperspektral
ditambah dengan algoritma segmentasi daerah aliran sungai yang ditingkatkan
Li dkk., 2015
H. Li , Q. Chen , J. Zhao , M. Wu
Nondestructive detection of total volatile basic nitrogen (TVB-N) content in pork meat by integrating
hyperspectral imaging and colorimetric sensor combined with a nonlinear data fusion
LWT-Food Science and Technology, 63 (1) (2015), pp. 268-274, 10.1016/j.lwt.2015.03.052
Li et al., 2018b
B. Li, M. Cobo-Medina, J. Lecourt, N. Harrison, R.J. Harrison, J.V. Cross
Application of hyperspectral imaging for nondestructive measurement of plum quality attributes
Lin dan Sun, 2020
X. Lin , D.-W. Sun
Perkembangan terkini dalam teknik spektroskopi getaran untuk analisis kualitas dan keamanan teh
Tren di Food Science & Technology , 104 ( 2020 ) , hlm. 163 - 176 , 10,1016 / j.tifs.2020.06.009
Li et al., 2011
Y. Li , J. Shan , Y. Peng , X. Gao
Penilaian tidak merusak kelas marmer daging sapi menggunakan teknologi pencitraan hiperspektral
2011 konferensi internasional tentang teknologi baru pertanian ( 2011 ) , hlm. 779 - 783 , 10,1109 /
ICAE.2011.5943908

Liu dkk., 2020
J. Liu , S. Liu , S. Shin , F. Liu , T. Shi , C. Lv , H. Men
Deteksi informasi rasa apel menggunakan model berdasarkan pencitraan hiperspektral dan data lidah
elektronik
Sensor dan Bahan , 32 ( 5 ) ( 2020 ) , hlm. 1767 - 1784 , 10.18494 / SAM.2020.2715
Liu dkk., 2014
D. Liu , J. Ma , D.-W. Sun , H. Pu , W. Gao , J. Qu , X.-A. Zeng
Prediksi warna dan pH daging babi asin menggunakan pencitraan hiperspektral terlihat dan inframerah
dekat
Teknologi Pangan dan Bioproses , 7 ( 11 ) ( 2014 ) , hlm. 3100 - 3108 , 10.1007 / s11947-014-1327-5
Liu dan Ngadi, 2014
L. Liu , MO Ngadi
Memprediksi kandungan lemak intramuskular babi menggunakan pencitraan hiperspektral
Liu dkk., 2017
Y. Liu , H. Pu , D.-W. Matahari
Teknik pencitraan hiperspektral untuk mengevaluasi kualitas dan keamanan makanan selama berbagai
proses: Tinjauan aplikasi terbaru
Tren di Food Science & Technology , 69 ( 2017 ) , hlm. 25 - 35 , 10,1016 / j.tifs.2017.08.013
Liu dkk., 2018
Y. Liu , D.-W. Sun , J.-H. Cheng , Z. Han
Penginderaan pencitraan hiperspektral dari perubahan kadar air dan warna daging sapi selama proses
pemanasan microwave
Metode Analisis Makanan , 11 ( 9 ) ( 2018 ) , hlm. 2472 - 2484 , 10.1007 / s12161-018-1234-x
Li dkk., 2018c
X. Li, Y. Wei, J. Xu, X. Feng, F. Wu, R. Zhou, J. Jin, K. Xu, X. Yu, Y. He
SSC and pH for sweet assessment and maturity classification of harvested cherry fruit based on NIR
hyperspectral imaging technology
Lu and Cen, 2013
R. Lu, H. Cen
Non-destructive methods for food texture assessment
Instrumental assessment of food sensory quality: A practical guide, Woodhead Publishing, Cambridge,
UK (2013), pp. 230-255e
ArticleDownload PDFCrossRefGoogle Scholar
Lurie and Crisosto, 2005
S. Lurie, C.H. Crisosto
Chilling injury in peach and nectarine
Biologi dan Teknologi Pascapanen , 37 ( 3 ) ( 2005 ) , hlm. 195 - 208 , 10.1016 /

j.postharvbio.2005.04.012
Lü dkk., 2011
Q. Lü , M.-J. Tang , J.-R. Cai , J.-W. Zhao , S. Vittayapadung
Pencitraan hiperspektral Vis / NIR untuk mendeteksi memar tersembunyi pada buah kiwi
Republik Jurnal Ilmu Pangan , 29 ( 6 ) ( 2011 ) , hlm. 595 - 602 , 10,17221 / 69/2010-CJFS
Lu dkk., 2018
H. Lu , X. Yu , L. Zhou , Y. He
Pemilihan resolusi spektral dan kecepatan pemindaian untuk mendeteksi cedera dinginnya jujube hijau
berdasarkan pencitraan reflektansi hiperspektral
Ilmu Terapan , 8 ( 4 ) ( 2018 ) , hal. 523 , 10.3390 / app8040523
MacDougall, 2010
DB MacDougall
Pengukuran warna makanan: Prinsip dan praktik
Pengukuran warna: Prinsip, kemajuan dan aplikasi industri , Woodhead Publishing , UK ( 2010 ) , hlm.
312 - 342 , 10.1533 / 9780857090195.2.312
Ma et al., 2017
J. Ma , D.-W. Sun , H. Pu
Perbaikan model untuk memprediksi kadar air (MC) pada otot longissimus dorsi babi dalam kondisi
pemrosesan yang beragam dengan pencitraan hiperspektral
Ma dkk., 2019
J. Ma , D.-W. Sun , H. Pu , J.-H. Cheng , Q. Wei
Teknik lanjutan untuk pencitraan hiperspektral dalam industri makanan: Prinsip dan aplikasi terkini
Ulasan tahunan Ilmu dan Teknologi Pangan , 10 ( 2019 ) , hlm. 197 - 220 , 10,1146 / annurev-makanan-
032.818-121.155
Ma et al., 2017
J. Ma , D.-W. Sun , J.-H. Qu , H. Pu
Prediction of textural changes in grass carp fillets as affected by vacuum freeze drying using
hyperspectral imaging based on integrated group wavelengths
LWT-Food Science and Technology, 82 (2017), pp. 377-385, 10.1016/j.lwt.2017.04.040

Ma et al., 2018
J. Ma, H. Pu, D.-W. Sun
Predicting intramuscular fat content variations in boiled pork muscles by hyperspectral imaging using a
novel spectral pre-processing technique
LWT, 94 (2018), pp. 119-128, 10.1016/j.lwt.2018.04.030
Mendoza et al., 2018
F.A. Mendoza, K.A. Cichy, C. Sprague, A. Goffnett, R. Lu, J.D. Kelly
Prediction of canned black bean texture (Phaseolus vulgaris L.) from intact dry seeds using visible/near
infrared spectroscopy and hyperspectral imaging data
Journal of the Science of Food and Agriculture, 98 (1) (2018), pp. 283-290, 10.1002/jsfa.8469
Mendoza et al., 2011
F. Mendoza, R. Lu, D. Ariana, H. Cen, B. Bailey
Integrated spectral and image analysis of hyperspectral scattering data for prediction of apple fruit
firmness and soluble solids content
Postharvest Biology and Technology, 62 (2) (2011), pp. 149-160, 10.1016/j.postharvbio.2011.05.009
Miller, 2014
R.K. Miller
Chemical and physical characteristics of meat/palatability
M. Dikeman, C. Devine (Eds.), Encyclopedia of meat sciences (2nd ed.), Academic Press, Oxford (2014),
pp. 252-261
Mohammadi-Moghaddam et al., 2018
T. Mohammadi-Moghaddam, S.M. Razavi, M. Taghizadeh, B. Pradhan, A. Sazgarnia, A. Shaker-Ardekani

Hyperspectral imaging as an effective tool for prediction the moisture content and textural
characteristics of roasted pistachio kernels
Journal of Food Measurement and Characterization, 12 (3) (2018), pp. 1493-1502, 10.1007/s11694-018-
9764-x
Munera et al., 2019a
S. Munera, N. Aleixos, C. Besada, J. Gómez-Sanchis, A. Salvador, S. Cubero, J. Blasco
Discrimination of astringent and deastringed hard ‘Rojo Brillante’persimmon fruit using a sensory
threshold by means of hyperspectral imaging
Munera et al., 2017a
S. Munera, J.M. Amigo, J. Blasco, S. Cubero, P. Talens, N. Aleixos
Ripeness monitoring of two cultivars of nectarine using VIS-NIR hyperspectral reflectance imaging
Munera et al., 2017b
S. Munera, C. Besada, N. Aleixos, P. Talens, A. Salvador, D.-W. Sun, S. Cubero, J. Blasco
Non-destructive assessment of the internal quality of intact persimmon using colour and VIS/NIR
LWT-Food Science and Technology, 77 (2017), pp. 241-248, 10.1016/j.lwt.2016.11.063
Munera et al., 2017c
S. Munera, C. Besada, J. Blasco, S. Cubero, A. Salvador, P. Talens, N. Aleixos
Astringency assessment of persimmon by hyperspectral imaging

Munera et al., 2019b
S. Munera, F. Hernández, N. Aleixos, S. Cubero, J. Blasco
Maturity monitoring of intact fruit and arils of pomegranate cv. ‘Mollar de Elche’ using machine vision
and chemometrics
Postharvest Biology and Technology, 156 (2019), Article 110936, 10.1016/j.postharvbio.2019.110936
Murray et al., 2001
J.M. Murray, C.M. Delahunty, I.A. Baxter
Descriptive sensory analysis: Past, present and future
Food Research International, 34 (6) (2001), pp. 461-471, 10.1016/S0963-9969(01)00070-9
ArticleDownload PDFCrossRefView Record in ScopusGoogle Scholar
Nguyen-Do-Trong et al., 2018
N. Nguyen-Do-Trong, J.C. Dusabumuremyi, W. Saeys
Cross-polarized VNIR hyperspectral reflectance imaging for non-destructive quality evaluation of dried
banana slices, drying process monitoring and control
Nogales-Bueno dkk., 2015
J. Nogales-Bueno , FJ Rodríguez-Pulido , FJ Heredia , JM Hernández-Hierro
Studi banding penggunaan profil antosianin, analisis citra warna dan pencitraan hiperspektral
inframerah-dekat sebagai alat untuk membedakan empat kultivar anggur merah autochthonous dari La
Rioja (Spanyol)
Pan dkk., 2018
Y. Pan , D.-W. Sun , J.-H. Cheng , Z. Han

Deteksi non-destruktif dan skrining ketidakseragaman dalam sterilisasi microwave menggunakan analisis
Pan dkk., 2016
L. Pan , Q. Zhang , W. Zhang , Y. Sun , P. Hu , K. Tu
Deteksi cedera dingin pada buah persik dengan pencitraan reflektansi hiperspektral dan jaringan saraf
tiruan
Pathare dkk., 2013
PB Pathare , UL Opara , FAJ Al-Said
Pengukuran dan analisis warna dalam makanan segar dan olahan: Tinjauan
Makanan dan Teknologi Bioproses , 6 ( 1 ) ( 2013 ) , hlm. 36 - 60 , 10,1007 / s11947-012-0867-9
Péneau dkk., 2006
S. Péneau , E. Hoehn , HR Roth , F. Escher , J. Nuessli
Pentingnya dan persepsi konsumen tentang kesegaran apel
Kualitas dan Preferensi Pangan , 17 ( 1–2 ) ( 2006 ) , hlm. 9 - 19 , 10.1016 / j.foodqual.2005.05.002
Priyashantha dkk., 2020
H. Priyashantha , A. Höjer , KH Saedén , Å. Lundh , M. Johansson , G. Bernes , M. Hetta
Penggunaan pencitraan near-infrared hyperspectral (NIR-HS) untuk memvisualisasikan dan memodelkan

kematangan keju keras yang tahan lama
Journal of Food Engineering , 264 ( 2020 ) , hal. 109687 , 10.1016 / j.jfoodeng. 2019.109687
Pu dkk., 2016
H. Pu , D. Liu , L. Wang , D.-W. Matahari
Kandungan padatan terlarut dan prediksi pH serta diskriminasi kematangan buah leci menggunakan
pencitraan hiperspektral inframerah yang terlihat dan dekat
Makanan Analytical Metode , 9 ( 1 ) ( 2016 ) , hlm. 235 - 244 , 10,1007 / s12161-015-0186-7
Pembelian, 2014
Pembelian RW
Pengukuran kelembutan
M. Dikeman , C. Devine (Eds.) , Encyclopedia of meat sciences ( edisi ke-2nd ) , Academic Press , Oxford
( 2014 ) , hlm. 452 - 459
Pu dkk., 2019
Y Y. Pu , D.-W. Sun , M. Buccheri , M. Grassi , TM Cattaneo , A. Gowen
Klasifikasi kematangan buah pisangito ( Musa acuminata , AA): Studi perbandingan spektroskopi tampak
dan pencitraan hiperspektral
Rahman dkk., 2018a
A. Rahman , MA Faqeerzada , BK Cho
Pencitraan hiperspektral untuk memprediksi kandungan allicin dan padatan terlarut bawang putih
dengan algoritma pemilihan variabel dan model kemometri
Jurnal Ilmu Pangan dan Pertanian , 98 ( 12 ) ( 2018 ) , hlm. 4715 - 4725 , 10.1002 / jsfa.9006
Rahman dkk., 2018b
A. Rahman , H. Lee , MS Kim , B.-K. Cho
Memetakan kepedasan paprika hijau menggunakan pencitraan hiperspektral
Metode Analisis Makanan , 11 ( 11 ) ( 2018 ) , hlm.3042 - 3052 , 10.1007 / s12161-018-1275-1

Rahman dkk., 2018c
A. Rahman , E. Park , H. Bae , B.-K. Cho
Teknik pencitraan hiperspektral untuk mengevaluasi kekencangan dan indeks kemanisan tomat
Korea Journal of Animal Science , 45 ( 4 ) ( 2018 ) , hlm. 823 - 837 , 10,7744 / kjoas.20180075
Rajkumar dkk., 2012
P. Rajkumar , N. Wang , G. EImasry , GSV Raghavan , Y. Gariepy
Studi kualitas buah pisang dan tahapan kematangannya menggunakan pencitraan hiperspektral
Journal of Food Engineering , 108 ( 1 ) ( 2012 ) , hlm. 194 - 200 , 10.1016 / j.jfoodeng.2011.05.002
Reddy dan Li, 2020
RP Reddy , M. Li
Penilaian ketidakpastian untuk kekencangan dan total padatan terlarut dari ceri manis menggunakan
pencitraan hiperspektral dan statistik multivariat
Jurnal Teknik Pangan ( 2020 ) , hal. 110177 , 10.1016 / j.jfoodeng.2020.110177
beasiswa Google
Rodríguez-Pulido dkk., 2014
FJ Rodríguez-Pulido , JM Hernández-Hierro , J. Nogales-Bueno , B. Gordillo , ML González-Miret , FJ

Heredia
Sebuah metode baru untuk mengevaluasi flavanol dalam biji anggur dengan pencitraan hiperspektral
inframerah dekat
Roque dkk., 2018
J. Roque , M. Auvray , J. Lafraire
Memahami persepsi kesegaran dari mekanisme kognitif rasa: Kasus minuman

Frontiers in Psychology , 8 ( 2018 ) , hal. 2360 , 10.3389 / fpsyg.2017.02360
Roy dkk., 2017
Jv Roy , JC Keresztes , N. Wouters , B. De Ketelaere , W. Saeys
Mengukur warna tomat anggur menggunakan pencitraan hiperspektral
Rungpichayapichet dkk., 2017
P. Rungpichayapichet , M. Nagle , P. Yuwanbun , P. Khuwijitjaru , B. Mahayothee , J. Müller
Pemetaan prediksi sifat fisikokimia mangga dengan pencitraan hiperspektral
Biosystems Teknik , 159 ( 2017 ) , hlm. 109 - 120 , 10,1016 / j.biosystemseng.2017.04.006
Song dan Liu, 2018
H. Song , J. Liu
Teknik GC-O-MS dan aplikasinya dalam analisis rasa makanan
Food Research International , 114 ( 2018 ) , hlm. 187 - 198 , 10,1016 / j.foodres.2018.07.037
Suktanarak dan Teerachaichayut, 2017
S. Suktanarak , S. Teerachaichayut
Penilaian kualitas telur ayam yang tidak merusak menggunakan gambar hiperspektral
Minggu, 2010
D.-W. Sun (Ed.) , Pencitraan hiperspektral untuk analisis dan kontrol kualitas makanan , Elsevier , Inggris
( 2010 )
beasiswa Google
Sun dkk., 2017a
Y. Sun , X. Gu , K. Sun , H. Hu , M. Xu , Z. Wang , K. Tu , L. Pan
Pencitraan reflektansi hiperspektral dikombinasikan dengan kemometri dan algoritma proyeksi

berturut-turut untuk klasifikasi cedera dingin pada buah persik
LWT-Ilmu dan Teknologi Pangan , 75 ( 2017 ) , hlm. 557 - 564 , 10,1016 / j.lwt.2016.10.006
Sun dkk., 2017b
M. Sun , D. Zhang , L. Liu , Z. Wang
Cara memprediksi tingkat gula dan kekerasan melon: Metode pencitraan hiperspektral inframerah-
dekat
Su dan Sun, 2018
W.-H. Su , D.-W. Matahari
Fourier mengubah inframerah dan Raman dan teknik pencitraan hiperspektral untuk penentuan kualitas
makanan tepung: Tinjauan
Komprehensif Ulasan di Ilmu Pangan dan Keamanan Pangan , 17 ( 1 ) ( 2018 ) , hlm. 104 - 122 , 10,1111 /
1541-4337,12314
Szczesniak, 2002
SEBAGAI Szczesniak
Tekstur adalah properti sensorik
Kualitas makanan dan Preferensi , 13 ( 4 ) ( 2002 ) , pp. 215 - 225 , 10,1016 / S0950-3293 (01) 00.039-8
Tan dkk., 2018
W. Tan, L. Sun, F. Yang, W. Che, D. Ye, D. Zhang, B. Zou
Study on bruising degree classification of apples using hyperspectral imaging and GS-SVM
Optik, 154 (2018), pp. 581-592, 10.1016/j.ijleo.2017.10.090
Tao et al., 2012
F. Tao, Y. Peng, Y. Li, K. Chao, S. Dhakal
Penentuan kelembutan dan kontaminasi Escherichia coli secara simultan pada daging babi
menggunakan teknik hamburan hiperspektral
Ilmu Daging , 90 ( 3 ) ( 2012 ) , hlm. 851 - 857 , 10.1016 / j.meatsci.2011.11.028
Teerachaichayut dan Ho, 2017
S. Teerachaichayut , HT Ho
Prediksi non-destruktif dari total padatan terlarut, keasaman yang dapat dititrasi, dan indeks
kematangan jeruk nipis dengan pencitraan hiperspektral inframerah dekat
Thompson, 2004
JM Thompson
Efek marbling pada skor rasa dan kesegaran daging sapi yang dimasak, setelah disesuaikan dengan
kelembutan yang konstan
Australia Journal of Experimental Pertanian , 44 ( 7 ) ( 2004 ) , hlm. 645 - 652 , 10,1071 / EA02171
Tschannerl dkk., 2019
J. Tschannerl , J. Ren , F. Jack , J. Krause , H. Zhao , W. Huang , S. Marshall
Potensi pencitraan hiperspektral UV dan SWIR untuk penentuan kadar senyawa rasa fenolik pada malt
jelai gambut
Tu dkk., 2018
Y. Tu , M. Bian , Y. Wan , T. Fei
Klasifikasi kultivar teh dan estimasi parameter biokimia dari citra hiperspektral yang diperoleh dengan
UAV
PeerJ , 6 ( 2018 ) , Artikel e4858 , 10.7717 / peerj.4858
Velásquez dkk., 2017
L. Velásquez , JP Cruz-Tirado , R. Siche , R. Quevedo
Aplikasi berdasarkan pohon keputusan untuk mengklasifikasikan marbling daging sapi dengan
Daging Sains , 133 ( 2017 ) , hlm. 43 - 50 , 10,1016 / j.meatsci.2017.06.002
Wang dkk., 2018
M. Wang , F. Gao , Q. Wu , J. Zhang , Y. Xue , H. Wan , P. Wang
Penilaian kesegaran makanan secara real-time di lemari es berdasarkan miniatur hidung elektronik
Metode Analisis , 10 ( 39 ) ( 2018 ) , hlm. 4741 - 4749 , 10.1039 / C8AY01242C
Wang dkk., 2012
S. Wang , M. Huang , Q. Zhu
Fusi model untuk prediksi kekencangan apel menggunakan citra hamburan hiperspektral
Computers and Electronics in Agriculture, 80 (2012), pp. 1-7, 10.1016/j.compag.2011.10.008
Wang et al., 2015
L. Wang, H. Pu, D.-W. Sun, D. Liu, Q. Wang, Z. Xiong
Application of hyperspectral imaging for prediction of textural properties of maize seeds with different
storage periods
Food Analytical Methods, 8 (6) (2015), pp. 1535-1545, 10.1007/s12161-014-0029-y

Wang et al., 2019a
X. Wang, M. Russel, Y. Zhang, J. Zhao, Y. Zhang, J. Shan
A clustering-based partial least squares method for improving the freshness prediction model of crucian
carps fillets by hyperspectral image technology
Wang et al., 2019b
X. Wang, J. Shan, S. Han, J. Zhao, Y. Zhang
Optimization of fish quality by evaluation of total volatile basic nitrogen (TVB-N) and texture profile
analysis (TPA) by near-infrared (NIR) hyperspectral imaging
Analytical Letters, 52 (12) (2019), pp. 1845-1859, 10.1080/00032719.2019.1571077
Wang et al., 2016
N.-N. Wang, D.-W. Sun, Y.-C. Yang, H. Pu, Z. Zhu
Recent advances in the application of hyperspectral imaging for evaluating fruit quality
Wei et al., 2017
X. Wei, J.-C. He, D.-P. Ye, D.-F. Jie
Navel orange maturity classification by multispectral indexes based on hyperspectral diffuse

transmittance imaging
Journal of Food Quality (2017), pp. 1-7, 10.1155/2017/1023498
2017
Wei et al., 2014
X. Wei, F. Liu, Z. Qiu, Y. Shao, Y. He
Ripeness classification of astringent persimmon using hyperspectral imaging technique

Food and Bioprocess Technology, 7 (5) (2014), pp. 1371-1380, 10.1007/s11947-013-1164-y
Wu et al., 2012a
J. Wu, Y. Peng, Y. Li, W. Wang, J. Chen, S. Dhakal
Prediction of beef quality attributes using VIS/NIR hyperspectral scattering imaging technique
Journal of Food Engineering, 109 (2) (2012), pp. 267-273, 10.1016/j.jfoodeng.2011.10.004
Wu and Sun, 2013a
D. Wu, D.-W. Sun
Advanced applications of hyperspectral imaging technology for food quality and safety analysis and
assessment: A review—Part I: Fundamentals
Innovative Food Science & Emerging Technologies, 19 (2013), pp. 1-14, 10.1016/j.ifset.2013.04.014
Wu and Sun, 2013b
D. Wu, D.-W. Sun
Aplikasi lanjutan dari teknologi pencitraan hiperspektral untuk analisis dan penilaian kualitas dan
keamanan pangan: Tinjauan — Bagian II: Aplikasi
Innovative Food Science & Emerging Technologies , 19 ( 2013 ) , hlm. 15 - 28 , 10.1016 /

j.ifset.2013.04.016
Wu et al., 2012b
D. Wu , D.-W. Sun , Y. He
Penerapan pencitraan hiperspektral inframerah dekat gelombang panjang untuk pengukuran distribusi
warna pada fillet salmon
Inovatif Food Science & Emerging Technologies , 16 ( 2012 ) , hlm. 361 - 372 , 10,1016 /
j.ifset.2012.08.003

Wu dkk., 2014
D. Wu , D.-W. Sun , Y. He
Pengukuran distribusi non-invasif baru dari analisis profil tekstur (TPA) pada fillet salmon dengan
menggunakan pencitraan hiperspektral inframerah dekat dan tampak
Wu dan Yu, 2015
J. Wu , Y. Yu
Prediksi kualitas daging babi segar menggunakan teknik pencitraan hamburan hiperspektral (HSI)
Ilmu Peternakan dan Pakan , 7 ( 3 ) ( 2015 ) , hal. 144
Xiao dkk., 2020
Q. Xiao , X. Bai , Y. He
Penyaringan warna dan kadar air secara cepat dari irisan umbi kentang segar menggunakan pencitraan
hiperspektral ditambah dengan analisis multivariat
Foods , 9 ( 1 ) ( 2020 ) , hal. 94 , 10.3390 / foods9010094
Xie dkk., 2018
C. Xie , B. Chu , Y. Dia
Prediksi warna dan kekencangan pisang menggunakan metode pemilihan panjang gelombang baru dari
Kimia Pangan , 245 ( 2018 ) , hlm. 132 - 140 , 10.1016 / j.foodchem.2017.10.079
Xie dkk., 2014
C. Xie , X. Li , Y. Shao , Y. Dia
Pengukuran warna daun teh pada periode pengeringan yang berbeda menggunakan teknik pencitraan
hiperspektral
PloS One , 9 ( 12 ) ( 2014 ) , Artikel e113422 , 10.1371 / journal.pone.0113422
Xie dkk., 2015
A. Xie , D.-W. Sun , Z. Xu , Z. Zhu
Deteksi cepat kualitas daging babi beku tanpa pencairan dengan teknik pencitraan hiperspektral Vis-NIR
Xiong dkk., 2015a
Z. Xiong , D.-W. Sun , Q. Dai , Z. Han , X.-A. Zeng , L. Wang
Penerapan pencitraan hiperspektral yang terlihat untuk prediksi springiness daging ayam segar
Makanan Analytical Metode , 8 ( 2 ) ( 2015 ) , hlm. 380 - 391 , 10,1007 / s12161-014-9853-3
Xiong dkk., 2015b
Z. Xiong , D.-W. Sun , H. Pu , A. Xie , Z. Han , M. Luo
Prediksi non destruktif nilai zat reaktif asam thiobarbituric (TBARS) untuk evaluasi kesegaran daging
ayam menggunakan pencitraan hiperspektral
Kimia Pangan , 179 ( 2015 ) , hlm. 175 - 181 , 10.1016 / j.foodchem. 2015.01.116
Xiong dkk., 2014
Z. Xiong , D.-W. Sun , X.-A. Zeng , A. Xie
Perkembangan terbaru dari sistem pencitraan hiperspektral dan aplikasinya dalam mendeteksi atribut
kualitas daging merah: Tinjauan
Jurnal Teknik Pangan , 132 ( 2014 ) , pp. 1 - 13 , 10,1016 / j.jfoodeng.2014.02.004
Yang dkk., 2014
C. Yang , WS Lee , P. Gader

Pemilihan pita hiperspektral untuk mendeteksi berbagai tahap kematangan buah blueberry
Komputer dan Elektronik di Pertanian , 109 ( 2014 ) , hlm. 23 - 31 , 10,1016 / j.compag.2014.08.009
Yang dkk., 2017
Q. Yang , D.-W. Sun , W. Cheng
Pengembangan model yang disederhanakan untuk pemantauan pencitraan hiperspektral nondestruktif

konten TVB-N dalam daging yang diawetkan selama proses pengeringan
Yang dkk., 2018
Y. Yang , W. Wang , H. Zhuang , S.-C. Yoon , H. Jiang
Perpaduan data spektrum dan tekstur pencitraan hiperspektral untuk prediksi kapasitas menahan air
dari filet dada ayam segar
Ilmu Terapan , 8 ( 4 ) ( 2018 ) , hal. 640 , 10.3390 / app8040640
Yao dkk., 2020
K. Yao, J. Sun, X. Zhou, A. Nirere, Y. Tian, X. Wu
Nondestructive detection for egg freshness grade based on hyperspectral imaging technology
Journal of Food Process Engineering (2020), Article e13422, 10.1111/jfpe.13422
View Record in ScopusGoogle Scholar
Ye et al., 2020
R. Ye, Y. Chen, Y. Guo, Q. Duan, D. Li, C. Liu
NIR hyperspectral imaging technology combined with multivariate methods to identify shrimp freshness
Applied Sciences, 10 (16) (2020), p. 5498, 10.3390/app10165498
Ye et al., 2018
D. Ye, L. Sun, W. Tan, W. Che, M. Yang
Detecting and classifying minor bruised potato based on hyperspectral imaging
Chemometrics and Intelligent Laboratory Systems, 177 (2018), pp. 129-139,

10.1016/j.chemolab.2018.04.002
Yu et al., 2020
D. Yu, T. Xu, K. Song
Identification of Nanguo pear maturity based on information fusion
Journal of Applied Spectroscopy (2020), 10.1007/s10812-020-01008-z
Google Scholar
Zhang et al., 2017
H. Zhang, B. Gu, J. Mu, P. Ruan, D. Li
Wheat hardness prediction research based on NIR hyperspectral analysis combined with ant colony
optimization algorithm
Procedia Engineering, 174 (2017), pp. 648-656, 10.1016/j.proeng.2017.01.202
Zhang et al., 2016
C. Zhang, C. Guo, F. Liu, W. Kong, Y. He, B. Lou
Hyperspectral imaging analysis for ripeness evaluation of strawberry with support vector machine
Zhang et al., 2020
M. Zhang, Y. Jiang, C. Li, F. Yang
Fully convolutional networks for blueberry bruising and calyx segmentation using hyperspectral
transmittance imaging
Biosystems Engineering, 192 (2020), pp. 159-175, 10.1016/j.biosystemseng.2020.01.018

Zhang et al., 2015
W. Zhang, L. Pan, S. Tu, G. Zhan, K. Tu
Non-destructive internal quality assessment of eggs using a synthesis of hyperspectral imaging and
multivariate analysis
Zhu et al., 2017
H. Zhu, B. Chu, Y. Fan, X. Tao, W. Yin, Y. He
Hyperspectral imaging for predicting the internal quality of kiwifruits based on variable selection
algorithms and chemometric models
Scientific Reports, 7 (1) (2017), pp. 1-13, 10.1038/s41598-017-08509-6
Zhu et al., 2019
S. Zhu, L. Feng, C. Zhang, Y. Bao, Y. He
Identifying freshness of spinach leaves stored at different temperatures using hyperspectral imaging
Foods, 8 (9) (2019), p. 356, 10.3390/foods8090356
Zhu et al., 2015
Q. Zhu, C. He, R. Lu, F. Mendoza, H. Cen
Ripeness evaluation of ‘Sun Bright’ tomato using optical absorption and scattering properties
Zhu et al., 2013
Q. Zhu, M. Huang, X. Zhao, S. Wang
Wavelength selection of hyperspectral scattering image using new semi-supervised affinity propagation
for prediction of firmness and soluble solid content in apples

Zou et al., 2019
S. Zou, Y.C. Tseng, A. Zare, D.L. Rowland, B.L. Tillman, S.C. Yoon
Peanut maturity classification using hyperspectral imagery
Biosystems Engineering, 188 (2019), pp. 165-177, 10.1016/j.biosystemseng.2019.10.019
View Abstract
© 2021 The Authors. Published by Elsevier Ltd.
Logo Elsevier
About ScienceDirect
Remote access
Shopping cart
Advertise
Contact and support
Terms and conditions
Privacy policy
Kami menggunakan cookie untuk membantu menyediakan dan meningkatkan layanan kami serta
menyesuaikan konten dan iklan. Dengan melanjutkan, Anda menyetujui penggunaan cookie .
Hak Cipta © 2021 Elsevier BV atau pemberi lisensinya atau kontributornya. ScienceDirect ® adalah
merek dagang terdaftar dari Elsevier BV
ScienceDirect ® adalah merek dagang terdaftar dari Elsevier BV
Berikan umpan balik

Amp Jurnal Uji Sensoris Ke kon-WPS Office

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Amp Jurnal Uji Sensoris Ke kon-WPS Office

Diunggah oleh

Hak Cipta:

Format Tersedia

Langsung ke konten utamaLangsung ke artikel

Tren Ilmu & Teknologi Pangan

Volume 111 , Mei 2021 , Halaman 151-165

Tautan penulis membuka panel overlayGözde Özdoğan Da-Wen SunXiaohui Lin

Dapatkan hak dan konten

Di bawah lisensi Creative Commonsakses terbuka

Hasil paling akurat diperoleh dalam mendeteksi memar dan kematangan.

Model klasifikasi digunakan untuk mendeteksi cacat dan kematangan.

Cakupan dan pendekatan

Temuan dan kesimpulan utama

Teknologi pencitraan hiperspektralAnalisis sensorikTeksturWarnaRasa

2 . Dasar-dasar teknologi pencitraan hiperspektral

Sistem pencitraan hiperspektral mengintegrasikan pencitraan dan spektroskopi untuk mendapatkan

Gambar 2 . Langkah-langkah umum proses pencitraan hiperspektral.

Tabel 1 . Penugasan band HSI berdasarkan literatur.

Jenis Makanan Panjang gelombang (nm) Tugas Referensi

440 Deoxymyoglobin Jiang dkk. (2018)

500 Astaxanthin Dai et al. (2015)

545 Oxymyoglobin Wu, Peng, dkk. (2012)

575 Metmioglobin Wu, Peng, dkk. (2012)

635 Sulfmioglobin Wu, Peng, dkk. (2012)

880 Tekuk amina di luar bidang N – H Yang et al. (2017)

970 O – H meregangkan nada kedua Kamruzzaman dkk. (2012)

1440 O – H meregangkan nada pertama Kamruzzaman dkk. (2012)

1211 C – H meregangkan nada kedua Kamruzzaman dkk. (2012)

1500 N – H meregangkan nada pertama ElMasry dkk. (2011)

1650–1680 C – H meregangkan nada pertama Barbin dkk. (2012)

Buah-buahan dan sayur-sayuran 435 Karotenoid Huang dkk. (2014)

535 Antosianin Huang dkk. (2014)

657–839 N – H meregangkan nada tambahan ketiga Ye et al. (2018)

660 Klorofil Huang dkk. (2014)

678, 705 C – H meregangkan nada keempat Xiao dkk. (2020)

780 LikopenRoy dkk. (2017)

880–890 C – H meregangkan nada ketiga Xiao dkk. (2020)

970 O – H meregangkan nada kedua Nguyen-Do-Trong dkk. (2018)

1426–1489 O – H meregangkan nada pertama Esquerre dkk. (2012)

1370–1398 Kombinasi C – H nada pertama Esquerre dkk. (2012)

1580–1700 C – H meregangkan nada pertama Ferrari dkk. (2015)

1600 Tanin Rodríguez-Pulido dkk. (2014)

1668, 2269 Trigonelin Caporaso dkk., 2018a , Caporaso dkk., 2018b

1460–1700 SukrosaCaporaso dkk., 2018a , Caporaso dkk., 2018b

Daging sapi Daging Kelembutan (WBSF) 400–1100 MLR R 2 CV = 0,91 Wu et al.

Kelembutan (SSF) 900–1700 PLSR R 2 CV = 0.83 ElMasry, Barbin, dkk. (2012)

Tingkat Marmer400–1000 Pohon Keputusan R 2 P = 0,99 Velásquez dkk. (2017)

Tingkat Marmer (Sensorik) 400–1000 PLSR R 2 P = 0,95 Aredo dkk. (2017)

Tingkat Marmer (Sensorik) 400–1100 MLR R 2 CV = 0,92 Li et al. (2011)

WHC 910–1700 PLSR R 2 CV = 0.89 ElMasry dkk. (2011)

Warna ( L * ) 400–1000 PLSR R 2 P = 0,887 Liu dkk. (2018)

Ikan Daging Kelembutan (WBSF) 400–1000 PLSR R 2 P = 0,901 He et al., 2014a , He et

900–1700 PLSR R 2 P = 0,860

Kekerasan (TPA) R 2 P = 0,9036

Gumminess (TPA) R 2 P = 0.8774

Kekenyalan (TPA) R 2 P = 0,8958

Kekerasan (TPA) 400–1000 PLSR R 2 CV = 0,711 Wu et al. (2014)

Kekompakan (TPA) R 2 CV = 0,567

Perekat (TPA) R 2 CV = 0,639

Gumminess (TPA) R 2 CV = 0,711

Kekenyalan (TPA) R 2 CV = 0,702

Kekerasan (TPA) 900–1700 PLSR R 2 CV = 0,67 Wang dkk. (2019b)

Kekompakan (TPA) R 2 CV = 0,72

Springiness (TPA) R 2 CV = 0,72

Gumminess (TPA) R 2 CV = 0,61

Kekenyalan (TPA) R 2 CV = 0,62