PENGENALAN KADAR TOTAL PADAT TERLARUT PADA BUAH BELIMBING BERDASAR CITRA RED-GREEN-BLUE MENGGUNAKAN PRINCIPLE COMPONENT ANALYSIS (PCA) SEBAGAI EKSTRAKSI CIRI DAN KLASIFIKASI K-NEAREST NEIGHBORHOOD (KNN)

Abstract

Proses pemilihan feature dari citra RGB (Red-Green-Blue) dilakukan untuk memprediksi buah belimbing yang dicirikan dengan kandungan TPT (Total Padat Terlarut). Dari feature terpilih, dilakukan transformasi komponen utama satu dimensi (1D-PCA) dan dua dimensi (2D-PCA)  untuk mereduksi dimensi citra dengan proses pengenalan tingkat kemanisan yang dikelompokkan menjadi tiga, yaitu manis, sedang, dan asam. Dari 300 citra buah belimbing diperoleh hasil bahwa secara akurasi, teknik 1D-PCA maupun 2D-PCA memberikan  hasil  yang relatif  sama.  Namun  dari  segi kecepatan, 2DPCA jauh lebih cepat dibanding  1D-PCA, khususnya  pada  bagian  pembentukan  sumbu. Model hubungan  tingkat kemanisan sebagai fungsi dari  nilai RGB memberikan tingkat determinasi terbesarnya 69.9%. Percobaan  menunjukkan  bahwa 1D-PCA maupun 2DPCA mampu  menerangkan  sekitar  95% model hubungan tersebut yang dikembangkan pada ruang asal. Teknik PCA digabungkan dengan teknik klasifikasi KNN untuk pengenalan mampu mengenali buah kelompok manis dan asam dengan akurasi 100%. Sedangkan untuk kelompok sedang memiliki akurasi 83%.