Identifikasi Kematangan Tomat dengan Principal Component Analysis dan K-Nearest Neighbour Berdasarkan Citra Warna.

Abstract

Tomat (Lycopersicon eculentum Mill) merupakan tanaman yang masuk dalam kategori sayuran famili Solanaceae yang banyak dijumpai di daerah tropis dan subtropis. Salah satu jenis tomat yang banyak ditanam adalah tomat plum (Lycopersicon lycopersicum). Di Indonesia sendiri permintaan kebutuhan buah tomat plum semakin meningkat di pasaran, namun kebutuhan tersebut belum dapat terpenuhi dikarenakan berbagai faktor. Salah satu faktornya adalah penentuan tingkat kematangan buah tomat yang masih dilakukan dengan proses manual. Cara manual ini memiliki beberapa kelemahan, diantaranya proses penentuan kematangan yang cukup memakan waktu, memiliki akurasi rendah dan tidak konsisten. Hal ini dikarenakan standar penentuan tingkat kematangan dilakukan secara subjektif oleh para petani, sehingga dibutuhkan sebuah sistem yang dapat mengklasifikasi kematangan buah tomat dengan baik dan minim kesalahan klasifikasi. Berdasarkan permasalahan di atas, dalam penelitian ini menggusuklan fitur warna Hue Saturation Value (HSV) dan algoritma Principal Component Analysis (PCA) untuk mereduksi citra sehingga didapatkan project image dari citra buah tomat tersebut. Penelitian ini melakukan proses pembobotan sebelum dilakukan proses klasifikasi. Proses pembobotan pada penelitian ini menggunakan teknik score calculation, sehingga didapatkan bobot terbaik untuk proses pemodelan. Selanjutnya dilakukan proses klasifikasi untuk menentukan tingkat kematangan buah tomat yang terdiri dari green, turning, pink, light red dan red menggunakan algoritma K-Nearest Neighbor (KNN) dengan memanfaatkan nilai ketetanggan (k). Penelitian ini menggunakan data sekunder yang didapat pada penelitian sebelumnya. Total 400 citra yang digunakan dengan ukuran 400×400 piksel yang dikelompokkan dalam 5 tingkat kematangan yaitu green, turning, pink, light red dan red. Penelitian ini menggunakan 20 buah tomat untuk setiap kelas dengan pengambilan gambar dilakukan pada 4 sisi buah, sehingga yang digunakan setiap kelas adalah 80 citra. Data dibagi menjadi data latih dan data uji yang terbagi atas 70%-30%, 80%-20% dan 90%-10%. Pada penelitian ini ditentukan nilai k yaitu 1, 3, 5,7,9 dan 11. Nilai PC pada PCA juga ditentukan berdasarkan varian rasio 95% yaitu 5, 10, 15,…,65. Terdapat 7 skenario yang ditetapkan sebagai data dari PCA ke KNN berdasarkan ruang warna yaitu Hue (H), Saturation (S), Value (V), Hue-Saturation (HS), Hue-Value (HV), Saturation-Value (SV) dan HSV. Berdasarkan hasil pengujian yang dilakukan, dari tiga kelompok pembagian data Hue–Value adalah skenario yang mendapat nilai akurasi tertinggi yaitu pada pembagian data 70%-30% akurasi tertinggi adalah 91%, pembagian data 80%-20% akurasi tertinggi adalah 94% dan pada pembagian data 90%-10% akurasi data adalah 93%. Pada penelitian ini hasil varian rasio yang melebihi 50% data pada tiap data HSV pada PC 5, ini membuktikan bahwa PC 5 telah mewakili dari keseluruhan data. dari keseluruhan pengujian yang dilakukan, hasil tertinggi didapat pada pembagian data 80-20%. dengan akurasi tertinggi 94%.

Tomato (Lycopersicon esculentum Mill) is a plant belonging to the vegetable category within the Solanaceae family, often found in tropical and subtropical areas. One widely grown type of tomato is the plum tomato (Lycopersicon lycopersicum). In Indonesia, there is a growing demand for plum tomatoes in the market, but it is currently not being met due to various factors. One of these factors is the manual method of determining the ripeness of tomatoes. This manual process has several weaknesses, including being time-consuming, having low accuracy, and lacking consistency in determining maturity levels. This is because the standards for determining maturity levels are carried out subjectively by farmers. Therefore, a system is needed to accurately classify the ripeness of tomatoes and minimize misclassification. This study utilized the Hue Saturation Value (HSV) color feature and the Principal Component Analysis (PCA) algorithm to compress tomato images. The process involved assigning weights through score calculation techniques and using the K-Nearest Neighbor (KNN) algorithm to classify tomato ripeness levels. We used 400 images of tomatoes categorized into five maturity levels: green, turning, pink, light red, and red, with each category containing 20 tomatoes and 80 images. The data in this study split were into training and test sets, with divisions of 70%-30%, 80%-20%, and 90%-10%. This study tested k values of 1, 3, 5, 7, 9, and 11, and PC values ranging from 5 to 65 based on a 95% Variant Ratio. Seven scenarios combining PCA and KNN data are defined based on color space: Hue (H), Saturation (S), Value (V), Hue-Saturation (HS), Hue-Value (HV), Saturation-Value (SV), and HSV. The results revealed the highest accuracy levels in the 70%-30%, 80%-20%, and 90%-10% data divisions. Notably, the data division of 80-20% yielded the highest accuracy of 94%. Moreover, PCA demonstrated that PC 5 was representative of the entire data as it exceeded 50% of the data for each HSV data.