Abstract
El método que se utiliza actualmente para determinar los parámetros del aceite de palma requiere un análisis químico que es destructivo, lento y costoso. Por lo tanto, el objetivo de esta investigación es obtener uno no destructivo, más fácil y más rápido, y reemplazar el método actual. Al mismo tiempo, establecer un procedimiento para distinguir directamente los grados de madurez de RFF. Se utilizó el software Weka para analizar los datos. Se aplicó una clasificación por regresión lineal y una SMO con validación cruzada de 10 y porcentaje dividido de 66 %. Como resultado, una combinación del sensor 3 (Emisión Red, Detector Red), sensor 2 (Emisión Dred, Detector Dred), sensor 2 (Emisión Fre, Detector Fre), sensor 4 (Emisión Blu, Detector Blu) y sensor 4 (Emisión NIR, Detector NIR) mostró la mejor precisión general para distinguir la madurez de racimos de fruta fresca con 79,8 % para sobremaduro, 69,4 % para maduro y 93,3 % para poco maduro (inmaduro). El valor promedio de ROC fue de 80,6 %. Por otra parte, el sensor 2 (Emisión Fre, Detector Fre) mostró la mejor precisión promedio para medir valores de diferentes parámetros, con 59,81 % al determinar la proporción de aceite por racimo, 73 % en la relación de aceite a pericarpio seco, 62,57 % en el índice de deterioro del blanqueo (DOBI), 71,22 % en carotenos, 48,68 % en el valor de peróxido y 35,76 % en los ácidos grasos libres (AGL). Los valores de precisión para la detección de estos últimos aumentaron al 70,94 % con la adición de temperatura promedio como sensor.  The present method used in determining oil palm parameters required chemical analysis which is destructive, time consuming and expensive. Hence, the purpose of this research is to obtain a non- destructive, easier and faster method in determining oil palm parameters to replace current method. At the same time, to obtain a method to directly distinguish the grades of FFB. Weka software was used to analyze data. Linear regression classification and SMO classification with cross validation of 10 and percentage split of 66% were applied. As a result, combination of Sensor 3(Red Emission, Red Detector), Sensor 2(Dred Emission, Dred Detector), Sensor 2(Fre Emission, Fre Detector), Sensor 4(Blu Emission, Blu Detector) and Sensor 4(NIR Emission, NIR Detector) showed the best overall accuracy to distinguish ripeness of fresh fruit bunch with 79.8% over ripe, 69.4% ripe and 93.3% under ripe. The mean average ROC value is 80.6%. On the other hand, Sensor 2(Fre Emission, Fre Detector) showed the best average accuracy in measuring different parameters values with 59.81% in determining oil to bunch ratio, 73% in determining oil to dry pericarp ratio, 62.57% in determining deterioration of bleaching index, 71.22% in determining carotene, 48.68% in determining peroxide value, 35.76% in determining free fatty acids. Accuracy values to detect free fatty acids increases to 70.94% with addition of average temperature as sensor.