Jurnal Ilmu Komputer dan Informasi, Volume 2, Nomor 1, ISSN 1979 – 0732__________________________________________1

PENGENALAN KADAR TOTAL PADAT TERLARUT PADA BUAH BELIMBING MANIS
BERDASAR CITRA RED-GREEN-BLUE DENGAN ANALISIS KOMPONEN UTAMA SEBAGAI
EKSTRAKSI CIRI DAN JARAK EUCLIDEAN SEBAGAI PENGENAL POLA

Agus Buono
1
dan Irmansyah
2

1
Departemen Ilmu Komputer, FMIPA, IPB, Kampus IPB Darmaga, Jawa Barat, Indonesia
pudesha@yahoo.co.id
2
Departemen Fisika, FMIPA, IPB, Kampus IPB Darmaga, Jawa Barat, Indonesia
nynykusumo@yahoo.com

Abstrak

Pada paper ini, dilakukan pemilihan feature dari citra RGB (Red-Green-Blue) untuk memprediksi
tingkat kemanisan 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. Kemudian dilanjutkan dengan proses
pengenalan tingkat kemanisan yang dalam paper ini dikelompokkan menjadi tiga, yaitu manis,
sedang, dan asam. Nilai batas tiap kelompok didasarkan pada bentuk histogram nilai TPT. 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, 2D-PCA 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 2D-PCA mampu menerangkan sekitar 95%
model hubungan tersebut yang dikembangkan pada ruang asal. Teknik PCA digabungkan dengan
jarak Euclidean untuk pengenalan mampu mengenali buah kelompok manis dengan akurasi 100%.
Sedangkan untuk kelompok asam dan sedang teknik yang dilakukan gagal melakukan pengenalan
dengan baik.

Kata kunci : Analisis komponen utama 1 dimensi dan 2 dimensi, belimbing manis, total padat
terlarut (TPT), jarak Euclidean.


1. Pendahuluan

Belimbing manis (Averrhoa carambola L)
termasuk 1 dari 60 komoditas tanaman buah-buahan
binaan Direktorat Jenderal Hortikultura Departemen
Pertanian RI [1]. Dalam ilmu taksonomi, belimbing
manis termasuk dalam divisi Spermatophyta,
subdivisi Angiospermae, kelas Dicotyledonae,
bangsa Geraniales, dan suku Oxalidaceae. Buah
yang di pasaran dikenal dengan nama starfruit dan
terdapat di banyak daerah di Indonesia ini
mempunyai khasiat sebagai obat batuk, dan obat
tekanan darah tinggi [2]. Panjang buah berkisar dari
4 hingga 13 cm dengan warna hijau untuk buah
muda dan kuning kehijauan untuk yang sudah tua.
Guna menjamin mutu dan meningkatkan daya
saing produk, dilakukan penggolongan mutu
terhadap belimbing manis. Sesuai dengan [3],
dikenal 3 kelas mutu untuk belimbing manis, yakni:
(1) kelas super, (2) kelas A, dan (3) kelas B. Hal ini
penting agar produk yang dihasilkan dapat diterima
konsumen sesuai segmennya. Oleh karena itu, salah
satu penanganan pascapanen adalah melakukan
sortasi buah sesuai mutu yang diinginkan. Sortasi
secara konvensional, memakan waktu lama serta
rentan menyebabkan kecacatan kepada buah.
Sebagai contoh misalnya sortasi sesuai tingkat
manisnya. Pada kasus ini untuk mengetahui tingkat
kemanisan buah dilakukan dengan melakukan
pemeriksaan laboratorium kandungan Total Padat
Terlarutnya (TPT). Analisis laboratorium ini akan
menyebabkan buah yang diperiksa akan rusak. Oleh
karena itu diperlukan teknik yang mampu
memprediksi kemanisan buah belimbing tanpa
merusaknya.
Beberapa teknik pemrosesan citra telah

Gambar 1. Buah Belimbing Umur : (a)
40 Hari dengan (b) 70 Hari
(a) (b)
Agus Buono dan

Irmansyah
diterapkan untuk melakukan pemutuan terhadap
buah. Zaki 2009 [4] melakukan pemutuan buah
belimbing manis dengan probabilistic neural
networks (PNN) dengan hasil klasifikasi sekitar
90.86%. Dengan JST multi-layer perceptron,
Abdullah et al. (2005) [5] telah mengembangkan
sistem sortasi buah belimbing dengan akurasi
90,5%. Teknik yang digunakan adalah dengan
mengekstrak citra RGB (Red-Green-Blue) buah
belimbing menjadi beberapa nilai ciri, seperti jumlah
R, jumlah G, jumlah B, selisih R dengan G, R/G,
ataupun nilai HSI-nya. Untuk satu buah, nilai ciri
tersebut diperoleh dengan merata-ratakan atau
menjumlahkan semua piksel yang ada, dan berdasar
nilai inilah dilakukan pengenalan. Jadi dari teknik
yang ada, proses pengenalan tidak berdasarkan
semua piksel tetapi berdasarkan besaran yang
merupakan rata-rata atau jumlah dari semua piksel.
Hal ini akan menyebabkan hilangnya distribusi
spasial nilai ciri sehingga pada akhirnya tingkat
akurasi sistem rendah. Oleh karena itu, pada
penelitian ini dilakukan proses pengenalan mutu
buah berdasar tingkat kemanisan dengan
menggunakan informasi dari nilai setiap piksel.
Untuk itu dilakukan proses reduksi dimensi yang
tetap mempertahankan informasi spasial maupun
intensitasnya dari buah belimbing. Penelitian akan
melakukan pembandingan dua teknik reduksi
dimensi, yaitu analisis komponen utama satu
dimensi (1D-PCA) dengan dua dimensi (2D-PCA).
Selanjutnya, paper ini disajikan dengan susunan
sebagai berikut: Bagian 2 mengenai teknik reduksi
dimensi yang terdiri dari 1D-PCA, 2D-PCA, dan
proses pengenalan dengan jarak Euclidean.
Deskripsi mengenai data buah belimbing yang
digunakan dalam percobaan ini disajikan pada
bagian 3. Bagian 4 akan menyajikan rancangan
percobaan, data yang digunakan serta hasilnya.
Akhirnya, kesimpulan serta saran untuk penelitian
selanjutnya disajikan pada Bagian 5.

2. Reduksi Dimensi dengan Ruang Eigen

Prinsip dasar dari reduksi dimensi dengan ruang
eigen adalah mentransformasi titik-titik pada ruang
asal ke ruang baru yang dibentuk oleh sumbu-sumbu
yang merupakan vektor eigen (ciri) dari matriks
koragam sumbu-sumbu pembangkit ruang asal.
Teknik ini dikenal dengan analisis komponen utama.
Analisis komponen utama merupakan salah satu
analisis peubah ganda yang bertujuan untuk
mereduksi dimensi data tanpa harus kehilangan
informasi yang berarti. Peubah hasil transformasi
ini merupakan kombinasi linear dari peubah asli,
tidak berkorelasi antar sesama, serta tertata berdasar
informasi yang dikandungnya.
Hal yang mendasari analisis komponen utama
ini adalah bahwa dari suatu obyek, diamati p
peubah. Kemungkinan yang menjadi masalah
adalah ukuran p mungkin sangat besar, seperti pada
proses pengenalan wajah. Untuk citra wajah yang
berukuran 50x40 piksel akan menghasilkan vektor
amatan dengan dimensi 50x40=2000. Jika algoritma
pengenalan harus memproses vektor yang
berdimensi 2000 ini, kinerja akan turun. Oleh
karena itu, perlu dilakukan transformasi ruang
vektor dari dimensi 2000 (dimensi p) menjadi ruang
lain yang berdimensi lebih rendah, namun informasi
yang dikandung dari ruang baru masih menyimpan
informasi dari ruang asli dengan baik.

2.1. Analisis Komponen Utama Satu Dimensi
Andaikan peubah asli adalah vektor x yang
berdimensi p :
x=(x
1
, x
2
, ..., x
p
)
T
, (1)

maka peubah hasil transformasi adalah y yang
berdimensi q :
y=(y
1
, y
2
, ..., y
q
), (2)

dengan q<<p. Dalam hal ini y
i
dirumuskan sebagai :
y
1
= a
11
x
1
+ a
12
x
2
+ ... + a
1p
x
p
= a
1
T
x
y
2
= a
21
x
1
+ a
22
x
2
+ ... + a
2p
x
p
= a
2
T
x
.........................................................
y
q
= a
q1
x
1
+ a
q2
x
2
+ ... + a
qp
x
p
= a
q
T
x (3)

Kalau matriks koragam (covariance matrix) dari
vektor x adalah E, maka ragam (variance) y
i

dirumuskan sebagai :
ragam(y
i
)=
2
i
y
o = a
i
T
E a
i
(4)

Dari penjabaran di atas terlihat bahwa permasalahan
transformasi adalah bagaimana memilih koefisien
dari kombinasi linear tersebut sehingga :
informasi y
1
> informasi y
2
> ... > informasi y
q

(5)
dengan kata lain :
ragam(y
1
) > ragam(y
2
) > ........ > ragam(y
q
) (6)

Dari sudut pandang geometrik, unsur-unsur dalam
vektor a
i
merupakan komponen-komponen
penyusun sumbu koordinat. Oleh karenanya dapat
dipilih vektor a
i
yang mempunyai panjang satu dan
saling ortogonal (sumbu yang ortonormal). Dengan
demikian permasalahan ini menjadi masalah
optimisasi dengan fungsi tujuan memaksimumkan
ragam (y
i
) dengan kendala a
i
T
a
i
=1 dan cov(a
i
,a
j
)=0
untuk i=j.
Agus Buono dan

Irmansyah
Penentuan a
1

Masalah optimisasi :
Maksimumkan : ragam(y
1
)= a
1
T
E a
1

Kendala : a
1
T
a
1
=1
Melalui pengganda Lagrange, fungsi yang
dimaksimumkan adalah :
f(a
1
)= a
1
T
E a
1
-ì( a
1
T
a
1
-1) (7)

Optimasi dilakukan dengan cara menurunkan fungsi
f terhadap peubah-peubah yang dicari, dan
diperoleh:
0 2 2
1 1
1
= ÷ E =
c
c
a a
a
f
ì
· 0 ) (
1 1
= ÷ E a a ì (8)
Ini berarti a
1
adalah vektor eigen dari matriks E
dengan nilai eigen ì. Berdasar hasil di atas, maka :
0 ) (
1 1
= ÷ E a a ì ·
1 1
a a ì = E ·
ì ì ì ì = = = = E 1
1 1 1 1 1 1
a a a a a a
T T T
(9)
Ini berarti ragam (y
1
) adalah ì yang merupakan nilai
eigen matriks E. Karena diinginkan peubah hasil
transformasi tertata berdasar 'pentingnya', vektor a
1

adalah vektor eigen yang bersesuaian dengan nilai
eigen terbesar pertama.
Penentuan a2
Masalah optimisasi:
maksimumkan : ragam(y
2
)= a
2
T
E a
2

kendala : a
2
T
a
2
=1 dan a
1
T
a
2
=0
Melalui pengganda lagrange, fungsi yang
dimaksimumkan adalah :
f(a
1
)= a
2
T
E a
2

2
( a
2
T
a
2
-1)-o( a
1
T
a
2
) (10)

Setelah didiferensialkan, diperoleh :
0 2 2
1 2 2 2
2
= ÷ ÷ E =
c
c
a a a
a
f
o ì (11)
Dengan mengalikan a
2
T
pada ruas kiri dan kanan
diperoleh :
0 2 2
1 2 2 2 2 2 2
= ÷ ÷ E a a a a a a
T T T
o ì ·
2 2
a a
T
E

2

(12)
Oleh karena itu Ea
2

2
a
2
yang berarti bahwa vektor
a
2
merupakan vektor eigen dari E yang bersesuaian
dengan nilai eigen terbesar kedua, ì
2
.
Penentuan a
i

Analog cara di atas, vektor a
i
merupakan vektor
eigen dari matriks E yang bersesuaian dengan nilai
eigen terbesar ke i, ì
i
. Atau dengan kata lain
berlaku [6]:

A=R
T
ER (13)

dengan matriks A=diag{ì
i
} dan R=[a
1
a
2
... a
p
]
T
.
Teknik reduksi di atas dikenal dengan analisis
komponen utama atau principle component analysis
(PCA). Gambar 2 memberikan ilustrasi proses
transformasi dengan PCA. Dalam hal ini setiap
citra mxn dibaca dari piksel demi piksel, sehingga
menjadi vektor dengan p=mxn komponen. Dengan
cara pembacaan citra seperti ini, maka teknik
reduksi tersebut dikenal dengan 1D-PCA.

2.2 Analisis Komponen Utama Dua Dimensi
Pada 1D-PCA di atas, sebuah citra berdimensi
mxn dibaca sebagai vektor dengan p=m*n elemen,
sehingga dari dari N citra akan diperoleh matriks
data, X, berdimensi Nxp. Berdasar matriks X ini
diduga matriks koragam yang berdimensi pxp.
Dengan mengambil r vektor ciri yang bersesuaian
dengan r akar ciri terbesar sebagai sumbu
tranformasi, diperoleh matriks tranformasi R yang
berdimensi pxr. Dari matrik R, maka sebuah vektor
citra x
1xp
akan ditransformasi menjadi y
1xr
=x
1xp
R
pxr
.
Pada 2D-PCA, sebuah citra berdimensi mxn
akan dibaca sebagai matriks A berdimensi mxn dan
tidak diubah menjadi bentuk vektor. Berikutnya,
matriks A ini ditransformasi menggunakan matriks
Q
nxr
menjadi Y dengan bentuk :
nxr mxn mxr
Q A Y = dengan r<<<n (14)
Terlihat bahwa hasil transformasi adalah juga
berupa matriks dengan dimensi mxq, dengan r<<<n
(r jauh lebih kecil dari n). Seperti pada sebelumnya,
permasalahan yang harus dijawab adalah bagaimana
menemukan matriks transformasi Q. Seperti pada
1D-PCA, bentuk transformasi, Q, yang dipilih
adalah yang memaksimalkan persebaran Y.
Persebaran Y dapat dikarakterisasi oleh teras matriks
koragamnya, S, yang dirumuskan sebagai, [7] :
( )( ) { }
T
Y E Y y E Y E S ) ( ) ( ÷ ÷ =
( )( ) { }
T
AQ E AQ AQ E AQ E ) ( ) ( ÷ ÷ =
( )( ) { }
T
Q A E A Q A E A E )) ( ( )) ( ( ÷ ÷ =
(15)
Oleh karena itu teras matriks S adalah :
( ) ( ) { }X A E A A E A E X S tr
T T
) ( ) ( ) ( ÷ ÷ = (16)
Nilai :
( ) ( ) { } ) ( ) ( A E A A E A E G
T
÷ ÷ = (17)
diduga dari N data citra training dengan formula :
( ) ( )
¿
=
÷ ÷ =
N
j
j
T
j
A A A A
N
G
1
1
(18)
Oleh karena itu, matriks transformasi, Q, yang
dipilih adalah :
Agus Buono dan

Irmansyah
Q=[q
1
, q
2
, q
3
, ..., q
r
] (19)
dengan q
i
merupakan vektor ciri yang bersesuaian
dengan akar ciri terbesar ke i dari matriks G.

2.3 Pengenalan Obyek dengan Jarak Euclid
Setelah matriks transformasi diperoleh, maka
setiap obyek pada data training ditransformasi, dan
dilanjutkan dengan penghitungan pusat setiap kelas
obyek, yaitu :
1D-PCA :
¿
e ¬
=
k
i i k
xr
i Y
n
k P
e ,
1
) (
1
) ( (20)
2D-PCA :
¿
e ¬
=
k
i i k
mxr
i Y
n
k P
e ,
) (
1
) ( (21)
Y(i) adalah hasil transformasi citra ke i ke ruang
baru, n
k
adalah banyaknya contoh yang termasuk
kelas k, k=1, 2, 3, ..., K, K adalah banyaknya kelas.
Setelah diperoleh pusat setiap kelas, obyek baru,
O, yang akan dikenali ditransformasi ke dalam ruang
eigen dengan matriks transformasi R (untuk 1D-
PCA) atau Q (2D-PCA) menjadi U :
1D-PCA : U
1xr
=O
1xp
R
pxr

2D-PCA : U
mxr
=O
mxn
Q
nxr

Berikutnya dilakukan penghitungan jarak Euclid dari
U ke pusat setiap kelas. Keputusan yang diambil
adalah kelas W dengan :
( ) ) ( , min arg
} ,..., 3 , 2 , 1 {
k P U d W
K ke
= (22)
Dengan rumus jarak sebagai berikut :
1D-PCA : ( ) ) ( ) ( , k P U k P U d ÷ = (23)
2D-PCA : ( )
¿
=
÷ =
r
j
j j
k p u k P U d
1
) ( ) ( ,
(24)

U=[u
1
u
2
... u
r
] (25)

] ) ( ... ) ( ) ( [ ) (
2 1 r
k p k p k p k P = (26)

Gambar 2 memberikan ilustrasi dari proses
pembentukan pusat setiap kelas dengan ekstraksi ciri
1D-PCA dan dengan 2D-PCA.

3. Data dan Pemilihan Feature

Data yang digunakan pada penelitian ini
diperoleh dari [8], yang terdiri dari 4 tahap
pemanenan (usia 40, 50, 60, dan 70 hari), masing-
masing 75 buah. Sesuai dengan permintaan
konsumen, pengelompokan yang akan dilakukan
adalah didasarkan pada tingkat kemanisan buah
belimbing, yang dapat dikarakterisasi oleh Total
Padatan Terlarut (TPT) yang diukur melalui
pengamatan laboratorium. Dalam hal ini makin
tinggi nilai TPT maka rasa buah makin manis.
Gambar 3 menyajikan perbandingan boxplot nilai
TPT antara buah manis, sedang dan asam dari
beberapa buah yang diuji cita rasa kemanisannya
oleh konsumen.



Gambar 2. Perbandingan Pembentukan Pusat Kelas
dengan Ekstraksi antara 1D-PCA dengan 2D-PCA


Agus Buono dan

Irmansyah


Gambar 3. Boxplot Tiga Cita Rasa Manis
Belimbing

Gambar tersebut menyebutkan tingkat
kemanisan buah belimbing dapat dikarakterisasi oleh
nilai TPT. Untuk mengetahui batas nilai TPT dalam
melakukan kategori, berikut disajikan histogram
nilai TPT.











Gambar 4. Histogram Nilai TPT Buah Belimbing

Berdasar gambar tersebut, pengkategorian
kemanisan buah sesuai nilai TPT menggunakan
aturan berikut :
Manis : TPT>7.6
Sedang : 5.0<TPT<7.6
Asam : TPT<5.0






Gambar 5. Perbandingan Nilai Reflektan antar
Tingkat Kemanisan (M=Manis, S=Sedang,
A=Asam)

Pada penelitian ini, pengenalan tingkat
kemanisan buah belimbing didasarkan pada citra
yang diperoleh dari pemotretan buah. Oleh karena
itu perlu ditentukan warna atau feature apa yang
dipergunakan. Gambar 5 menyajikan pola hubungan
antara nilai reflektan Red, Green, dan Blue terhadap
tingkat kemanisan. Terlihat bahwa warna merah
lebih mampu memberikan pembedaan antar buah
sesuai kemanisan dibanding warna lain (G maupun
B). Tabel 1 menyajikan nilai koefisien determinasi
(R
2
) dari persamaan regresi antara TPT sebagai
fungsi dari R, G atau B.

Tabel 1. Model Regresi dan Nilai R
2
Hubungan TPT
dengan R, G, dan B
Model : TPT=f(R,G,B) R
2

9.1+0.0768*R-0.0325*G-0.0856*B 69.9%
- 3.02 + 0.073*R 44.2%
25.8 - 0.109*G 19.2%
17.7 - 0.0951*B 19.7%
-3.22 + 11.4*(R/G) 61.6%
Berdasarkan Tabel 1, formula yang akan dipilih
adalah model pertama, sehingga nilai RGB setiap
piksel dikonversi kenilai tertentu dengan rumus:
Y=9.1+0.0768*R-0.0325*G-0.0856*B
Seperti diilustrasikan pada Gambar 6.












Gambar 6. Ilustrasi Transformasi RGB setiap
Piksel

4. Rancangan Percobaan dan Hasil

Percobaan pada penelitian ini dilakukan
mengikuti alur seperti disajikan pada Gambar 7.
Setelah melakukan analisis PCA satu dimensi,
dengan memilih 5 komponen utama, ruang yang
dibentuk mampu menagkap 89.7% keragaman data
asli. Dengan PCA dua dimensi, hal ini cukup
dengan 3 komponen saja. Hasil klasifikasi baik
dengan 1D-PCA maupun 2D-PCA disajikan pada
Gambar 8. Dari gambar tersebut terlihat bahwa
teknik yang dikembangkan mampu melakukan
klasifikasi dengan akurasi rata-rata sekitar 66%.
Kalau dikaitkan dengan keeratan citra RGB dengan
tingkat kemanisan seperti pada model regresi dengan
koefisien determinasi 69.9% (Tabel 1), teknik yang
dibangun secara relatif memberikan hasil yang
sepadan (66/69.9=94.4%).
Ada dua hal yang bisa disimpulkan dari Gambar
MM
M
M
MM
M
A
SAA
S
S
A
AA
A
A
A
50
100
150
200
0 5 10 15 20
Cit ra Red
M
M
M
M
M
MM
AS
A
A
S
SAA
A
A
A
A
50
100
150
200
0 5 10 15 20
Cit ra Green
MM
M
M
M
M
M
A
S
A
A
S
SA
AA
A
A
A
50
70
90
110
130
0 5 10 15 20
Cit ra Blue
m
n

RGB=(50 100 40)
Y=9.1+0.0768*50-0.0325*100-0.0856*40
= 6.266

|
|
|
|
|
.
|

\
|
... ... ... ...
... ... ... ...
... ... ... ...
... ... ... 266 . 6

7.6 5.0
Agus Buono dan

Irmansyah
8, yang pertama adalah bahwa secara relatif hasil
yang ditunjukkan antara teknik 1D-PCA dengan 2D-
PCA adalah sama, yaitu dengan akurasi sekitar 60%
dan 66%. Namun demikian dari segi kecepatan,
teknik 2D-PCA ternyata jauh lebih cepat dibanding
1D-PCA, khususnya dalam hal pembuatan sumbu
transformasi.

Gambar 7. Alur Percobaan


Gambar 8. Matriks Confussion Hasil Klasifikasi

Hal menarik dari Gambar 8 adalah bahwa
untuk belimbing yang memang betul-betul manis,
akurasi yang dihasilkan adalah 100% (baik dengan
1D-PCA maupun 2D-PCA). Hal ini berarti bahwa
untuk menjaga kualitas kelas belimbing yang manis,
teknik ini bisa diandalkan. Untuk kelas sedang dan
kelas asam, teknik ini tidak bisa dipergunakan.
Dengan kata lain berdasarkan tingkat kemanisan saat
petik dari umur 40 hingga 70 hari, buah belimbing
dikelompokkan menjadi 2 kelas, yaitu manis dan
tidak manis. Kalau hal ini yang dilakukan, teknik ini
mampu melakukan klasifikasi dengan baik (100%).
Pada dasarnya, belimbing dengan pemetikan saat
umur 70 hari, maka kandungan TPT lebih banyak,
sehingga lebih manis seperti ditunjukkan pada
Gambar 9.



Gambar 9. Perbandingan Boxplot TPT antar Umur
Pemetikan

Gambar tersebut juga mendukung bahwa sesuai
dengan tingkat kemanisan. Buah belimbing dapat
dikelompokkan menjadi dua kelas, yaitu manis dan
tidak manis.
Setelah dilakukan kajian lanjut terhadap hasil
klasifikasi pada buah belimbing dengan kategori
sedang, diperoleh hasil seperti disajikan pada
Gambar 10.


Gambar 10. Perbandingan Boxplot TPT pada
Belimbing Kelompok Sedang

Dari gambar tersebut terlihat salah klasifikasi
dari belimbing sedang ke manis terjadi hampir
semuanya pada buah belimbing dengan TPT yang
sebenarnya tinggi. Namun tidaklah demikian pada
kasus salah klasifikasi dari sedang ke asam.
(a). 1D-PCA (b). 2D-PCA
1D-PCA
Transformation
Mulai
300 Citra Buah
Belimbing
150 Citra
Data Uji
150 Citra
Data Latih
2D-PCA
Transformation
1. matriks
Transforma
si
2. vector pusat kelas


Data Latih
1. matriks
Transforma
si
2. matriks pusat kelas


Data Latih
1. Ekstraksi ciri
2. Pengenalan
1. Ekstraksi ciri
2. Pengenalan
analisis akurasi
1D-PCA
analisis akurasi
2D-PCA
Perbandingan
kinerja
Selesai
Agus Buono dan

Irmansyah
Belimbing sedang yang dikelompokkan ke asam
belum tentu TPT-nya rendah. Fenomena ini semakin
memperjelas bahwa sesuai tingkat kemanisan, buah
belimbing dikelompokkan menjadi dua kelas. Dari
fakta pertama, yaitu bahwa salah klasifikasi kelas
sedang ke kelas manis adalah untuk buah belimbing
yang nilai TPT-nya relatif tinggi pada kelas sedang,
menunjukkan bahwa titik potong nilai TPT antara
kelas manis dan sedang sebesar 7.6 (Gambar 4)
dinilai kurang tepat. Nilai threshold ini masih bisa
diperkecil mendekati 7. Dari fakta ini juga bisa
disebutkan bahwa teknik pengenalan yang berdasar
jarak Euclidean kurang bisa diandalkan untuk kelas
sedang maupun manis.
5. Kesimpulan dan Saran

Dari pembahasan yang telah dilakukan dapat
diambil beberapa kesimpulan, yaitu :
1. Untuk mengenali kandungan TPT pada buah
belimbing, nilai feature yang sesuai adalah :
Y=9.1+0.0768*50-0.0325*100-0.0856*40
2. Teknik 1D-PCA dan 2D-PCA dapat
dipergunakan untuk reduksi dimensi, dan mampu
menerangkan hingga sekitar 95% dari model
yang diformulasikan pada ruang asal.
3. Pengelompokkan buah belimbing berdasar
kandungan TPT dapat dikelompokkan menjadi
dua kelas, yaitu manis dan tidak manis dengan
nilai threshold sekitar 7.0 hingga 7.6.
4. Teknis pengenalan dengan jarak Euclidean
kurang mampu membedakan antar kelas
khususnya untuk obyek yang berada pada daerah
batas.
Untuk penelitian selanjutnya ada dua hal yang
bisa disarankan, yaitu melakukan kajian lanjut
terhadap variabel penentu kualitas buah belimbing
dikaitkan dengan minat konsumen, melakukan
teknik pengenalan yang lebih handal dan tidak hanya
didasarkan pada jarak Euclidean.
6. Ucapan Terima Kasih

Penulis mengucapkan terima kasih kepada Dr.
Irmansyah, Dosen Departemen Fisika FMIPA IPB,
atas penggunaan data buah belimbing pada
penelitian ini.

REFERENSI

[1] Departemen Pertanian, Kepmentan No
511/Kpts/Pd.310/9/2006 tentang Jenis
Komoditi Tanaman Binaan Ditjen Perkebunan,
Ditjen Tanaman Pangan dan Ditjen
Hortikultura,
http://ditbuah.hortikultura.go.id/docdownload/k
epmentri-511-06binaan.pdf [di akses pada
Februari, 2008], 2006.
[2] Warintek, Averrhoa Carambola L,
http://www.warintek.ristek.go.id/pangan_keseh
atan/tanaman_obat/depkes/1-038.pdf [diakses
pada Februari 2008], 2006.
[3] Departemen Pertanian, Rancangan Standar
Nasional Indonesia (RSNI) Buah Belimbing
Manis (Averrhoa Carambola L.),
http://agribisnis.deptan.go.id/Pustaka/Belimbin
g-1.htm [diakses pada Februari 2008], 2007.
[4] Zaki F, ”Pengembangan probabilistic neural
networks untuk penentuan kematangan
belimbing manis”, Skripsi Jurusan Ilmu
Komputer, tidak dipublikasikan, 2009.
[5] Abdullah M.Z., M. Saleh J., F. Syahir, dan M.
Azemi, ”Discrimination and classification of
fresh-cut starfruits (Averrhoa carambola L)
using automated machine vision system”,
Journal of Food Engineering, 2005.
[6] W.R. Dillon dan M. Goldstein, Multivariate
Analysis : Methods and Applications, New
York: John Wiley & Sons, Inc., 1984.
[7] J. Yang, D. Zhang, A. F. Frangi dan Jing-yu Y,
”Two-dimensional PCA : a new approach to
appearance-based face representation and
recognition”, IEEE Transactions on Pattern
Analysis amd Machine Intelligence, 26(1),
2004, 131-137.
[8] Irmansyah, “Evaluasi mutu belimbing dengan
pengolahan citra dan logika fuzzy”, Disertasi
Departemen Keteknikan Pertanian, Fakultas
Teknologi Pertanian IPB, Bogor, 2008.
Agus Buono dan

Irmansyah

..... jumlah G. kesimpulan serta saran untuk penelitian selanjutnya disajikan pada Bagian 5.. jumlah B. xp)T..... . Hal ini akan menyebabkan hilangnya distribusi spasial nilai ciri sehingga pada akhirnya tingkat akurasi sistem rendah.. Peubah hasil transformasi ini merupakan kombinasi linear dari peubah asli. Analisis Komponen Utama Satu Dimensi Andaikan peubah asli adalah vektor x yang berdimensi p : x=(x1... + a1pxp = a1Tx y2 = a21x1 + a22x2 + . Untuk itu dilakukan proses reduksi dimensi yang tetap mempertahankan informasi spasial maupun intensitasnya dari buah belimbing. tidak berkorelasi antar sesama.. seperti jumlah R.... yaitu analisis komponen utama satu dimensi (1D-PCA) dengan dua dimensi (2D-PCA). Oleh karena itu. Jadi dari teknik yang ada.. kinerja akan turun. Oleh karenanya dapat dipilih vektor ai yang mempunyai panjang satu dan saling ortogonal (sumbu yang ortonormal). Selanjutnya. + aqpxp = aqTx (3) Kalau matriks koragam (covariance matrix) dari vektor x adalah . x2. Dengan demikian permasalahan ini menjadi masalah optimisasi dengan fungsi tujuan memaksimumkan ragam (yi) dengan kendala aiTai=1 dan cov(ai. Hal yang mendasari analisis komponen utama ini adalah bahwa dari suatu obyek. > informasi yq (5) dengan kata lain : ragam(y1) > ragam(y2) > ... Penelitian akan melakukan pembandingan dua teknik reduksi dimensi..... perlu dilakukan transformasi ruang vektor dari dimensi 2000 (dimensi p) menjadi ruang lain yang berdimensi lebih rendah.. (1) maka peubah hasil transformasi adalah y yang berdimensi q : y=(y1. y2... Teknik yang digunakan adalah dengan mengekstrak citra RGB (Red-Green-Blue) buah belimbing menjadi beberapa nilai ciri. Untuk citra wajah yang berukuran 50x40 piksel akan menghasilkan vektor amatan dengan dimensi 50x40=2000. + a2pxp = a2Tx ..... yq). Oleh karena itu.. nilai ciri tersebut diperoleh dengan merata-ratakan atau menjumlahkan semua piksel yang ada. Akhirnya.. Untuk satu buah. Deskripsi mengenai data buah belimbing yang digunakan dalam percobaan ini disajikan pada bagian 3. 2. unsur-unsur dalam vektor ai merupakan komponen-komponen penyusun sumbu koordinat......Agus Buono dan Irmansyah diterapkan untuk melakukan pemutuan terhadap buah....... Zaki 2009 [4] melakukan pemutuan buah belimbing manis dengan probabilistic neural networks (PNN) dengan hasil klasifikasi sekitar 90.86%. maka ragam (variance) yi dirumuskan sebagai : 2 ragam(yi)=  yi = aiT ai (4) Dari penjabaran di atas terlihat bahwa permasalahan transformasi adalah bagaimana memilih koefisien dari kombinasi linear tersebut sehingga : informasi y1 > informasi y2 > .... 2D-PCA. Jika algoritma pengenalan harus memproses vektor yang berdimensi 2000 ini... (2) dengan q<<p... 2. seperti pada proses pengenalan wajah. yq = aq1x1 + aq2x2 + ..aj)=0 untuk ij.. Teknik ini dikenal dengan analisis komponen utama... paper ini disajikan dengan susunan sebagai berikut: Bagian 2 mengenai teknik reduksi dimensi yang terdiri dari 1D-PCA. ataupun nilai HSI-nya...... selisih R dengan G. data yang digunakan serta hasilnya. Dalam hal ini yi dirumuskan sebagai : y1 = a11x1 + a12x2 + . pada penelitian ini dilakukan proses pengenalan mutu buah berdasar tingkat kemanisan dengan menggunakan informasi dari nilai setiap piksel. Kemungkinan yang menjadi masalah adalah ukuran p mungkin sangat besar......... R/G.. Abdullah et al. Prinsip dasar dari reduksi dimensi dengan ruang eigen adalah mentransformasi titik-titik pada ruang asal ke ruang baru yang dibentuk oleh sumbu-sumbu yang merupakan vektor eigen (ciri) dari matriks koragam sumbu-sumbu pembangkit ruang asal. dan proses pengenalan dengan jarak Euclidean.. > ragam(yq) (6) Dari sudut pandang geometrik. . diamati p peubah. namun informasi yang dikandung dari ruang baru masih menyimpan informasi dari ruang asli dengan baik.. proses pengenalan tidak berdasarkan semua piksel tetapi berdasarkan besaran yang merupakan rata-rata atau jumlah dari semua piksel. Bagian 4 akan menyajikan rancangan percobaan.. Analisis komponen utama merupakan salah satu analisis peubah ganda yang bertujuan untuk mereduksi dimensi data tanpa harus kehilangan informasi yang berarti. Reduksi Dimensi dengan Ruang Eigen informasi yang dikandungnya.1. serta tertata berdasar ..... dan berdasar nilai inilah dilakukan pengenalan.. (2005) [5] telah mengembangkan sistem sortasi buah belimbing dengan akurasi 90. Dengan JST multi-layer perceptron.5%.

. Dalam hal ini setiap citra mxn dibaca dari piksel demi piksel. dan diperoleh: f  2a1  2a1  0 a1 dengan matriks =diag{i} dan R=[a1 a2 . dengan r<<<n (r jauh lebih kecil dari n). X. sehingga dari dari N citra akan diperoleh matriks data. Berdasar hasil di atas. Penentuan a2 Masalah optimisasi: maksimumkan : ragam(y2)= a2T a2 kendala : a2Ta2=1 dan a1Ta2=0 Melalui pengganda lagrange. Berikutnya. 2. yang dipilih adalah : . yang dirumuskan sebagai. Penentuan ai Analog cara di atas. diperoleh matriks tranformasi R yang berdimensi pxr. i. 2. vektor a1 adalah vektor eigen yang bersesuaian dengan nilai eigen terbesar pertama. Dari matrik R. Pada 2D-PCA. maka : T T T (9) a1 a1  a1 a1  a1 a1  1   Ini berarti ragam (y1) adalah  yang merupakan nilai eigen matriks . Dengan mengambil r vektor ciri yang bersesuaian dengan r akar ciri terbesar sebagai sumbu tranformasi. Teknik reduksi di atas dikenal dengan analisis komponen utama atau principle component analysis (PCA). Q. [7] : S  E Y  E ( y ) Y  E (Y )  =2 (12) Oleh karena itu a2=2a2 yang berarti bahwa vektor a2 merupakan vektor eigen dari  yang bersesuaian dengan nilai eigen terbesar kedua. fungsi dimaksimumkan adalah : f(a1)= a1T a1-( a1Ta1-1) yang (7) Optimasi dilakukan dengan cara menurunkan fungsi f terhadap peubah-peubah yang dicari. S. maka sebuah vektor citra x1xp akan ditransformasi menjadi y1xr=x1xpRpxr. Dengan cara pembacaan citra seperti ini. sebuah citra berdimensi mxn akan dibaca sebagai matriks A berdimensi mxn dan tidak diubah menjadi bentuk vektor. Karena diinginkan peubah hasil transformasi tertata berdasar 'pentingnya'. Berdasar matriks X ini diduga matriks koragam yang berdimensi pxp. matriks transformasi. fungsi yang dimaksimumkan adalah : f(a1)= a2T a2-2 ( a2Ta2-1)-( a1Ta2) (10) (a1  a1 )  0  a1  a1  Setelah didiferensialkan. sebuah citra berdimensi mxn dibaca sebagai vektor dengan p=m*n elemen. Gambar 2 memberikan ilustrasi proses transformasi dengan PCA. maka teknik reduksi tersebut dikenal dengan 1D-PCA. vektor ai merupakan vektor eigen dari matriks  yang bersesuaian dengan nilai eigen terbesar ke i. diperoleh : f (11)  2a2  22 a2  a1  0 a2 Dengan mengalikan a2T pada ruas kiri dan kanan diperoleh : 2aT a2  22 aT a2  aT a1  0  aT a2 2 2 2 2 Ymxr  AmxnQnxr dengan r<<<n (14) Terlihat bahwa hasil transformasi adalah juga berupa matriks dengan dimensi mxq. Persebaran Y dapat dikarakterisasi oleh teras matriks koragamnya. matriks A ini ditransformasi menggunakan matriks Qnxr menjadi Y dengan bentuk :  (a1  a1 )  0 (8) Ini berarti a1 adalah vektor eigen dari matriks  dengan nilai eigen . permasalahan yang harus dijawab adalah bagaimana menemukan matriks transformasi Q. yang dipilih adalah yang memaksimalkan persebaran Y. sehingga menjadi vektor dengan p=mxn komponen. Q. bentuk transformasi.. Seperti pada 1D-PCA. Atau dengan kata lain berlaku [6]: =RTR (13)     E  AQ  E ( AQ )  AQ  E ( AQ )     E  ( A  E ( A))Q ( A  E ( A))Q   T T T (15) Oleh karena itu teras matriks S adalah : tr ( S )  X T E  A  E ( A)   A  E ( A)  X (16) T   Nilai : G  E  A  E ( A) T  A  E ( A)  (17) diduga dari N data citra training dengan formula :   G 1 N  A N j 1 j  A  A j  A  T (18) Oleh karena itu.Agus Buono dan Irmansyah Penentuan a1 Masalah optimisasi : Maksimumkan : ragam(y1)= a1T a1 Kendala : a1Ta1=1 Melalui pengganda Lagrange. berdimensi Nxp. Seperti pada sebelumnya. ap]T.2 Analisis Komponen Utama Dua Dimensi Pada 1D-PCA di atas.

. . sedang dan asam dari beberapa buah yang diuji cita rasa kemanisannya oleh konsumen. Keputusan yang diambil adalah kelas W dengan : W  arg min d U . K adalah banyaknya kelas... Data dan Pemilihan Feature Data yang digunakan pada penelitian ini diperoleh dari [8]. masingmasing 75 buah.. pengelompokan yang akan dilakukan adalah didasarkan pada tingkat kemanisan buah belimbing. yang terdiri dari 4 tahap pemanenan (usia 40. ur] (25) P ( k )  [ p ( k )1 p(k ) 2 . yaitu : 1D-PCA : P ( k )1 xr  2D-PCA : P ( k ) mxr  konsumen. 2.. P ( k )    u r j 1 j  p(k ) j (24) U=[u1 u2 . 3. 2. dan 70 hari). p(k ) r ] (26) Gambar 2..Agus Buono dan Irmansyah Q=[q1. dan dilanjutkan dengan penghitungan pusat setiap kelas obyek.. 50.. K. yang dapat dikarakterisasi oleh Total Padatan Terlarut (TPT) yang diukur melalui pengamatan laboratorium. K } (22) Dengan rumus jarak sebagai berikut : 1D-PCA : d U . Setelah diperoleh pusat setiap kelas. Dalam hal ini makin tinggi nilai TPT maka rasa buah makin manis.i k Y(i) adalah hasil transformasi citra ke i ke ruang baru.i k  Y (i)  Y (i) (20) (21) i .. 1 nk 1 nk i ... P (k )  U  P (k ) (23) 2D-PCA : d U .. O. P ( k )  k{1. 2 . 3. q3. Gambar 3 menyajikan perbandingan boxplot nilai TPT antara buah manis. q2. k=1. n k adalah banyaknya contoh yang termasuk kelas k. qr] (19) dengan qi merupakan vektor ciri yang bersesuaian dengan akar ciri terbesar ke i dari matriks G. Sesuai dengan permintaan . yang akan dikenali ditransformasi ke dalam ruang eigen dengan matriks transformasi R (untuk 1DPCA) atau Q (2D-PCA) menjadi U : 1D-PCA : U1xr=O1xpRpxr 2D-PCA : Umxr=OmxnQnxr Berikutnya dilakukan penghitungan jarak Euclid dari U ke pusat setiap kelas.. obyek baru. 60.. Perbandingan Pembentukan Pusat Kelas dengan Ekstraksi antara 1D-PCA dengan 2D-PCA Gambar 2 memberikan ilustrasi dari proses pembentukan pusat setiap kelas dengan ekstraksi ciri 1D-PCA dan dengan 2D-PCA. 3. .3 Pengenalan Obyek dengan Jarak Euclid Setelah matriks transformasi diperoleh. maka setiap obyek pada data training ditransformasi.

pengenalan tingkat kemanisan buah belimbing didasarkan pada citra yang diperoleh dari pemotretan buah. Berdasarkan Tabel 1..6 n • Y=9.6% Gambar 3. Setelah melakukan analisis PCA satu dimensi. dan Blue terhadap tingkat kemanisan..  ...22 + 11.2% 19. A=Asam) Pada penelitian ini. Dengan PCA dua dimensi. berikut disajikan histogram nilai TPT.. .0.0325*G-0. teknik yang dibangun secara relatif memberikan hasil yang sepadan (66/69.0325*G-0.0951*B -3.  .1+0. ruang yang dibentuk mampu menagkap 89. Oleh karena itu perlu ditentukan warna atau feature apa yang dipergunakan..0768*R-0. .0325*100-0. . Tabel 1 menyajikan nilai koefisien determinasi (R2) dari persamaan regresi antara TPT sebagai fungsi dari R.266   .6 Sedang : 5. dengan memilih 5 komponen utama.. Gambar 5 menyajikan pola hubungan antara nilai reflektan Red. Terlihat bahwa warna merah lebih mampu memberikan pembedaan antar buah sesuai kemanisan dibanding warna lain (G maupun Percobaan pada penelitian ini dilakukan mengikuti alur seperti disajikan pada Gambar 7. Hasil klasifikasi baik dengan 1D-PCA maupun 2D-PCA disajikan pada Gambar 8.B) 9.G.266 m  6.3.1+0.1+0... . RGB=(50 100 40) 5.. Rancangan Percobaan dan Hasil MM M MM A MM SAS A AAS A A A A 200 150 100 50 0 5 10 15 20 130 M A AA A M M SS AA M M A SA A MM 110 90 70 50 0 M S A M A ASA A M M M AS A AA MM 5 10 15 20 C it ra R e d C it ra G re e n C it ra B lue Gambar 5.0.. pengkategorian kemanisan buah sesuai nilai TPT menggunakan aturan berikut : Manis : TPT>7.7 ... hal ini cukup dengan 3 komponen saja.0768*R-0.0 7.... ..0768*50-0. Model Regresi dan Nilai R2 Hubungan TPT dengan R.0856*B .. .4%). . S=Sedang..Agus Buono dan Irmansyah B).0856*40 = 6..9=94. Dari gambar tersebut terlihat bahwa teknik yang dikembangkan mampu melakukan klasifikasi dengan akurasi rata-rata sekitar 66%.. G..6 Asam : TPT<5. dan B Model : TPT=f(R.0<TPT<7. Tabel 1. . Kalau dikaitkan dengan keeratan citra RGB dengan tingkat kemanisan seperti pada model regresi dengan koefisien determinasi 69.109*G 17.  Gambar 4.  .7% keragaman data asli.0 200 150 100 50 0 5 10 15 20 Gambar 6..7% 61. sehingga nilai RGB setiap piksel dikonversi kenilai tertentu dengan rumus: Y=9. G atau B.02 + 0.8 . .2% 19..   . formula yang akan dipilih adalah model pertama.0856*B Seperti diilustrasikan pada Gambar 6...4*(R/G) R2 69.9% 44. Histogram Nilai TPT Buah Belimbing Berdasar gambar tersebut.073*R 25.9% (Tabel 1). Untuk mengetahui batas nilai TPT dalam melakukan kategori.. Green. Ada dua hal yang bisa disimpulkan dari Gambar ... Perbandingan Nilai Reflektan antar Tingkat Kemanisan (M=Manis.  . Ilustrasi Transformasi RGB setiap Piksel 4. Boxplot Tiga Cita Rasa Manis Belimbing Gambar tersebut menyebutkan tingkat kemanisan buah belimbing dapat dikarakterisasi oleh nilai TPT..

matriks pusat kelas 1. khususnya dalam hal pembuatan sumbu transformasi. yaitu dengan akurasi sekitar 60% dan 66%. belimbing dengan pemetikan saat umur 70 hari. buah belimbing dikelompokkan menjadi 2 kelas.Agus Buono dan Irmansyah 8. yaitu manis dan tidak manis. Latih DataEkstraksi ciri 2. Matriks Confussion Hasil Klasifikasi Hal menarik dari Gambar 8 adalah bahwa untuk belimbing yang memang betul-betul manis. akurasi yang dihasilkan adalah 100% (baik dengan 1D-PCA maupun 2D-PCA). Alur Percobaan (a). Mulai kelas asam. analisis akurasi 1D-PCA analisis akurasi 2D-PCA Perbandingan kinerja Selesai Gambar 7. Pengenalan 1. 300 Citra Buah Belimbing 150 Citra Data Latih 150 Citra Data Uji 1D-PCA Transformation 2D-PCA Transformation 1. teknik 2D-PCA ternyata jauh lebih cepat dibanding 1D-PCA. Pengenalan Gambar 9. Dengan kata lain berdasarkan tingkat kemanisan saat petik dari umur 40 hingga 70 hari. 1D-PCA (b). matriks Transforma si 2. vector pusat kelas 1. teknik ini mampu melakukan klasifikasi dengan baik (100%). . diperoleh hasil seperti disajikan pada Gambar 10. Hal ini berarti bahwa untuk menjaga kualitas kelas belimbing yang manis. teknik ini tidak bisa dipergunakan. 2D-PCA Gambar 8. yaitu manis dan tidak manis. Namun demikian dari segi kecepatan. Untuk kelas sedang dan Gambar 10. teknik ini bisa diandalkan. Perbandingan Boxplot TPT pada Belimbing Kelompok Sedang Dari gambar tersebut terlihat salah klasifikasi dari belimbing sedang ke manis terjadi hampir semuanya pada buah belimbing dengan TPT yang sebenarnya tinggi. Namun tidaklah demikian pada kasus salah klasifikasi dari sedang ke asam. Pada dasarnya. Buah belimbing dapat dikelompokkan menjadi dua kelas. matriks Transforma si 2. Perbandingan Boxplot TPT antar Umur Pemetikan Gambar tersebut juga mendukung bahwa sesuai dengan tingkat kemanisan. yang pertama adalah bahwa secara relatif hasil yang ditunjukkan antara teknik 1D-PCA dengan 2DPCA adalah sama. Kalau hal ini yang dilakukan. sehingga lebih manis seperti ditunjukkan pada Gambar 9. Setelah dilakukan kajian lanjut terhadap hasil klasifikasi pada buah belimbing dengan kategori sedang. maka kandungan TPT lebih banyak. Ekstraksi ciri Data Latih 2.

atas penggunaan data buah belimbing pada penelitian ini. Fakultas Teknologi Pertanian IPB. Dosen Departemen Fisika FMIPA IPB. 2008]. Fenomena ini semakin memperjelas bahwa sesuai tingkat kemanisan. buah belimbing dikelompokkan menjadi dua kelas.go..). A.id/docdownload/k epmentri-511-06binaan. . nilai feature yang sesuai adalah : Y=9.id/pangan_keseh atan/tanaman_obat/depkes/1-038. Ucapan Terima Kasih [6] [7] [8] http://ditbuah. Teknis pengenalan dengan jarak Euclidean kurang mampu membedakan antar kelas khususnya untuk obyek yang berada pada daerah batas. dan mampu menerangkan hingga sekitar 95% dari model yang diformulasikan pada ruang asal. Irmansyah. 5.0 hingga 7. F.warintek. Untuk penelitian selanjutnya ada dua hal yang bisa disarankan.6 (Gambar 4) dinilai kurang tepat. Journal of Food Engineering..pdf [diakses pada Februari 2008]. yaitu melakukan kajian lanjut terhadap variabel penentu kualitas buah belimbing dikaitkan dengan minat konsumen. IEEE Transactions on Pattern Analysis amd Machine Intelligence.id/Pustaka/Belimbin g-1. Rancangan Standar Nasional Indonesia (RSNI) Buah Belimbing Manis (Averrhoa Carambola L. Kesimpulan dan Saran [2] [3] [4] [5] Dari pembahasan yang telah dilakukan dapat diambil beberapa kesimpulan.R.. Multivariate Analysis : Methods and Applications. ”Pengembangan probabilistic neural networks untuk penentuan kematangan belimbing manis”. http://www. tidak dipublikasikan. 2008. Teknik 1D-PCA dan 2D-PCA dapat dipergunakan untuk reduksi dimensi. Disertasi Departemen Keteknikan Pertanian. yaitu bahwa salah klasifikasi kelas sedang ke kelas manis adalah untuk buah belimbing yang nilai TPT-nya relatif tinggi pada kelas sedang. Syahir.310/9/2006 tentang Jenis Komoditi Tanaman Binaan Ditjen Perkebunan. 2006. 131-137. Goldstein. Warintek. yaitu : 1. D.hortikultura.0325*100-0. Frangi dan Jing-yu Y. J. 26(1). 1984. 2009. dan M. F.deptan. Saleh J.6.go. Abdullah M. Bogor.1+0. 2004. 4. Azemi. ”Two-dimensional PCA : a new approach to appearance-based face representation and recognition”. W. 6. Dari fakta ini juga bisa disebutkan bahwa teknik pengenalan yang berdasar jarak Euclidean kurang bisa diandalkan untuk kelas sedang maupun manis. Pengelompokkan buah belimbing berdasar kandungan TPT dapat dikelompokkan menjadi dua kelas. Untuk mengenali kandungan TPT pada buah belimbing.go.Z. Zaki F. menunjukkan bahwa titik potong nilai TPT antara kelas manis dan sedang sebesar 7. yaitu manis dan tidak manis dengan nilai threshold sekitar 7. Kepmentan No 511/Kpts/Pd. melakukan teknik pengenalan yang lebih handal dan tidak hanya didasarkan pada jarak Euclidean.Agus Buono dan Irmansyah Belimbing sedang yang dikelompokkan ke asam belum tentu TPT-nya rendah. REFERENSI [1] Departemen Pertanian. Ditjen Tanaman Pangan dan Ditjen Hortikultura. “Evaluasi mutu belimbing dengan pengolahan citra dan logika fuzzy”. M. New York: John Wiley & Sons. Dillon dan M. Irmansyah. Skripsi Jurusan Ilmu Komputer. Yang. Penulis mengucapkan terima kasih kepada Dr.htm [diakses pada Februari 2008]. 2007.0856*40 2. Departemen Pertanian. Inc. Dari fakta pertama.ristek. http://agribisnis.pdf [di akses pada Februari. 2006. Averrhoa Carambola L. Nilai threshold ini masih bisa diperkecil mendekati 7. 3. Zhang.0768*50-0. 2005. ”Discrimination and classification of fresh-cut starfruits (Averrhoa carambola L) using automated machine vision system”.

Agus Buono dan Irmansyah .