Seleksi Fitur Warna Citra Digital Biji Kopi Menggunakan Metode Principal Component Analysis

Abstract

Proses klasifikasi citra digital dilakukan terhadap data fitur yang menggambarkan ciri suatu citra. Dalam penelitian sebelumnya mengenai klasifikasi biji kopi untuk menentukan tingkat roasting, digunakan fitur warna RGB dan metode klasifikasi Jaringan Syaraf Tiruan dengan algoritma Back Propagation. Namun dalam penelitian tersebut didapatkan hasil klasifikasi yang kurang memuaskan akibat dari fitur yang digunakan kurang dapat memisahkan ciri dari setiap tingkat roasting biji kopi. Pada penelitian ini dilakukan penambahan fitur warna yang digunakan melalui penggunaan representasi warna RGB dan HSI, yang kemudian dihitung nilai mean, median, standar deviasi, skewness, kurtosis, dan energy pada setiap komponen warna. Dengan demikian terdapat 33 data fitur citra biji kopi. Dengan jumlah fitur yang semakin banyak, menimbulkan masalah baru dimana tidak setiap fitur mempunyai kontribusi yang signifikan dalam proses klasifikasi, sehingga diperlukan proses seleksi fitur untuk mendapatkan fitur dengan kontribusi maksimal. Pada penelitian ini metode Principal Component Analysis diujikan sebagai metode untuk seleksi fitur. Uji coba dilakukan terhadap 240 data citra digital biji kopi, dimana terdapat 120 citra biji kopi Arabika dan 120 citra biji kopi Robusta. Setiap jenis citra biji kopi tersebut terbagi menjadi tingkat roasting mentah, light roasting, medium roasting, dan dark roasting. Hasil penelitian ini didapatkan bahwa rata-rata proses training pada data fitur setelah dilakukan proses seleksi fitur mengalami peningkatan  dibandingkan tanpa seleksi fitur. Hal ini terlihat dari 5 kali proses training dengan seleksi fitur didapatkan nilai akurasi terbaik hingga 90,8%, sedangkan tanpa seleksi fitur didapatkan akurasi terbaik adalah 89,6%.