Description

Berkembangnya teknologi informasi memungkinkan untuk mengidentifikasi kematangan buah berdasarkan ciri warna yang dimilikinya dengan menggunakan bantuan komputer. Cara komputerisasi ini dilakukan dengan pengamatan visual secara tidak langsung, yaitu dengan menggunakan kamera untuk mendapatkan citra buah dan kemudian citra tersebut diproses menggunakan perangkat lunak komputer. Teknik pengolahan citra digital dapat mempermudah dan mempercepat proses pengecekan tingkat kematangan buah. Dalam percobaan kali ini akan melakukan klasifikasi tingkat kematangan pada buah tomat. Dengan menggunakan ciri warna pada buah tomat, tomat dapat dikategorikan menjadi matang, setengah matang dan mentah. Untuk mendeteksi ketiga jenis kematangan tersebut, dapat dilakukan dengan memanfaatkan pengolahan citra menggunakan metode transformasi ruang warna HSI (hue, saturarion, intensity). 

Dataset dan Library Python

Dataset yang digunakan dalam percobaan ini berisi 150 citra dari buah tomat yang tediri dari 50 citra tomat matang, 50 citra tomat setengah matang dan 50 citra tomat mentah yang dapat diakses pada link https://drive.google.com/drive/folders/1PmS6z-ruIMirgSn4NdePED9TR-8Egij- dan library yang digunakan yaitu glob, cv2, numpy, math, classification_report, confusion_matrix. Serta algoritma yang akan digunakan adalah adalan KNN, Decision Tree, Support Vector Machine dan Random Forest.

Langkah-langkah percobaan

1. Membaca data dan library yang dibutuhkan

Tahap pertama adalah mengimport beberapa library yang dibutuhkan dalam percobaan ini dan membaca data citra buah tomat berdasarkan tingkat kematangan yang dimilikinya.

2. Mengubah citra RGB menjadi HSI

Tahapan selanjutnya adalah mengubah citra tomat RGB menjadi HSI. RGB (Red, Green, Blue) adalah warna dasar yang dapat diterima oleh mata manusia. RGB merupakan salah satu ruang warna yang dapat dimiliki citra, ruang warna ini terdiri dari tiga warna primer yaitu red, green, dan blue. Setiap piksel yang ada pada citra berwarna mewakili warna yang merupakan kombinasi dari ketiga warna primer RGB. Rentang nilai pada penskalaan RGB dalam setiap piksel dimulai dari skala 0 yaitu hitam sampai skala 255 yang memiliki kedalaman warna yaitu dimulai dari 8-bit.

Walaupun model warna RGB bagus untuk menampilkan informasi warna, tetapi model tersebut tidak cocok untuk beberapa penerapan aplikasi pemrosesan citra. Untuk aplikasi yang melakukan pengenalan objek, daripada menggunakan model warna RGB akan lebih mudah jika mengidentifikasi objek menggunakan perbedaan hue-nya dengan cara memberi nilai ambang batas pada rentang nilai hue yang melingkupi objek.

Model warna HSI (hue, saturaion, intensity) merupakan sistem ruang warna yang mendekati cara kerja dari mata manusia. HSI menggabungkan informasi dari sebuah citra baik warna maupun grayscale. Ruang warna HSI memiliki tiga dimensi ruang yaitu Hue (H), Saturation (S) dan Intensity (I). Hue merupakan warna dasar seperi merah, kuning, biru dan campuran dari warna-warna tersebut. Saturation merupakan ketajaman warna pada hue. Dan Intensity merupakan pencahayaan pada hue dan saturasi. Ruang warna HSI dinilai tampak lebih realistis dalam menggambarkan warna secara alami dan intuitif terhadap manusia.

3. Menggabungkan data menjadi dataset

Langkah selanjutnya adalah mengabungkan data citra menjadi dataset dengan library pandas, sekaligus memberi keterangan (kelas) tingkat kematangan yang dimiliki oleh citra buah tersebut. Berikut overview dataset setelah data citra tiap tingkat kematangan digabungkan.

4. Memisahkan fitur dataset dengan kelasnya dan melakukan split dataset

Kemudian memisahkan fitur dan kelas yang dimiliki oleh dataset serta membagi dataset kedalam data latih dan data testing. 

5. Klasifikasi dengan KNN

Melakukan klasifikasi dengan algoritma KNN yang telah disediakan oleh library KNeighborsClassifier dari sklearn.neighbors.

6. Klasifikasi dengan Decision Tree

Melakukan klasifikasi dengan algoritma KNN yang telah disediakan oleh library DecisionTreeClassifier dari sklearn.tree.

7. Klasifikasi dengan Support Vector Machine

Melakukan klasifikasi dengan algoritma KNN yang telah disediakan oleh library SVC dari sklearn.svm.

8. Klasifikasi dengan Random Forest

Melakukan klasifikasi dengan algoritma KNN yang telah disediakan oleh library RandomForestClassifier dari sklearn.ensemble.

Hasil

Dari beberapa algoritma klasifikasi yang digunakan dalam percobaan ini, model dengan algoritma decision tree memberikan performa yang paling baik. Hal ini ditandai dengan akurasi yang dimiliki oleh model ini sebesar 96% dan f1-score yang menandakan hubungan antara precision dan recall yang dimiliki oleh model ini sebesar 100% untuk kelas matang, 93% untuk kelas mentah, dan 94% untuk kelas setengah matang. Dengan hasil tersebut membuktikan bahwa metode transformai ruang warna HSI dapat digunakan untuk mendeteksi kematangan pada buah yang tingkat kematangannya ditandai dengan perbedaan warna, khususnya buah tomat.