PENDAHULUAN
Latar Belakang Belimbing manis (Averrhoa carambola L.) termasuk salah satu komoditas tanaman hortikultura yang banyak digemari masyarakat. Bentuknya khas terlihat seperti bintang apabila diiris melintang. Orang Barat menyebutnya sebagai starfruits. Kandungan gizinya cukup lengkap terutama kandungan vitamin A dan vitamin C. Ciri-ciri jenis belimbing manis yang diunggulkan adalah bentuknya besar, warnanya menarik, seratnya halus, berair banyak, dan rasanya manis segar. Proses pascapanen belimbing manis yang cukup penting, salah satunya adalah tahap sortasi buah. Pada tahap ini buah dikelompokkan menurut ukuran dan fase masak. Hanya buah yang manis yang dipasarkan segar. Belimbing manis yang dipasarkan harus memenuhi standar yang diterima konsumen secara luas, baik di pasar dalam negeri maupun pasar global. Hal ini dalam rangka memberikan jaminan mutu serta meningkatkan daya saing produk yang dihasilkan petani (RSNI Belimbing 2007). Penentuan tingkat kemanisan belimbing manis umumnya dilakukan berdasarkan warna buah secara visual. Namun, perubahan warna yang gradual menyulitkan penentuan rasa buah. Selain itu, penilaian secara manual untuk menentukan tingkat kemanisan buah seringkali menghasilkan pengelompokkan buah yang tidak seragam. Saat ini, proses pengolahan citra (image processing) telah berkembang luas. Termasuk di dalamnya proses pengolahan citra untuk mengelompokkan atau pengenalan buah. Pada umumnya teknologi pengolahan citra digunakan untuk menentukan kualitas buah berdasarkan ukuran, bentuk, dan warna. Irmansyah (2008) telah mengembangkan aplikasi pengolahan citra menggunakan analisis warna untuk klasifikasi tingkat ketuaan belimbing manis. Analisis warna yang digunakan yaitu model warna RGB, HSI, L*a*b* dan L*u*v*. Analisis warna citra yang diperoleh dari pengolahan citra tersebut dapat dipertimbangkan untuk mengklasifikasi belimbing manis berdasarkan tingkat ketuaan. Metode pengolahan citra lainnya yang dapat digunakan untuk pemutuan buah salah satunya yaitu model Probabilistic Neural Networks (PNN). Model ini mengambil dasar Jaringan Syaraf Tiruan (JST). PNN telah banyak terbukti
menghasilkan tingkat akurasi yang tinggi, misalnya untuk sortasi mentimun (Ferianto 2003) dan kurma (Fadel 2007). Hasil akurasi PNN lebih baik daripada JST Back Propagation pada sortasi mentimun, yaitu akurasi PNN mencapai 95,625% dan akurasi JST Back Propagation sebesar 90%, sedangkan akurasi pada klasifikasi kurma bervariasi bahkan mencapai 100%. Metode pembelajaran sekali lewat pada PNN juga menyebabkan PNN banyak digunakan pada proses pengolahan citra. Pengembangan model PNN juga telah digunakan untuk menentukan kematangan buah belimbing manis. Fathurohman (2009) menggunakan model PNN dengan nilai RGB dan HSI pada citra belimbing manis. Akurasi yang diperoleh mencapai 90,68%. Tingkat kematangan buah tersebut diklasifikasi ke dalam tingkat kematangan panen 40 hari, panen 50 hari, panen 60 hari, panen 70 hari, dan panen 80 hari. Pada penelitian ini akan dikembangkan model PNN untuk sortasi belimbing manis berdasarkan nilai RGB citra. Tujuan Penelitian ini bertujuan mengembangkan model Probabilistic Neural Networks untuk sortasi belimbing manis berdasarkan citra RGB dan membuat prediksi nilai Total Padatan Terlarut (TPT) belimbing manis. Ruang Lingkup Ruang lingkup penelitian ini yaitu data yang digunakan adalah citra belimbing manis kultivar Dewi dari penelitian Irmansyah (2008) beserta nilai TPT tiap citra. Data citra belimbing manis merupakan hasil dari empat kali masa panen yang masing-masing masa panen berjumlah 75 citra sehingga total data yang digunakan sebanyak 300 citra.
TINJAUAN PUSTAKA
Belimbing Manis (Averrhoa carambola L.) Berdasarkan klasifikasinya, tanaman belimbing terbagi menjadi dua spesies, yaitu Averrhoa bilimbi (belimbing wuluh) dan Averrhoa carambola L. (belimbing manis). Belimbing wuluh berasal dari daratan Malaysia, sedangkan belimbing manis merupakan tanaman asli Indonesia. Belimbing manis merupakan tanaman buah-buahan tahunan, bercabang, dan ditanam terutama untuk diambil buahnya. Buah belimbing dicirikan oleh sayap/linggir buah yang apabila dipotong
1
melintang seperti bintang, sehingga dalam bahasa Inggris disebut starfruits. Jumlah linggir sebanyak 4 atau 5 segi. Oleh karenanya apabila buahnya diiris secara melintang menghasilkan penampang yang menarik seperti bintang, maka sering digunakan untuk hiasan nasi atau sebagai salad. Sari buah belimbing kaya akan vitamin C, selain dimakan segar, juga dibuat manisan, minuman, dan jeli (Ashari 2006).
siripnya pun berwarna kehijauan (Santoso 1999).
Taksonomi belimbing manis adalah termasuk dalam kingdom Plantae, divisi Spermatophyta, sub divisi Angiospermae, kelas Dicotyledonae, ordo Oxalidales, famili Oxalidaceae, dan genus Averrhoa. Sewaktu muda buahnya berwarna hijau muda dan berubah kuning sampai kemerahan setelah tua. Jenis belimbing manis yang diunggulkan ciricirinya adalah bentuknya besar, warnanya menarik, seratnya halus, berair banyak, dan rasanya manis segar. Buah Belimbing Manis sangat lezat jika dimakan dalam keadaan segar, tetapi juga nikmat untuk dikonsumsi dalam bentuk juice maupun produk olahan lainnya. Selain sebagai sumber nutrisi tubuh manusia, buah belimbing juga digunakan untuk pencegahan bahkan terapi berbagai macam penyakit, antara lain bermanfaat dalam menurunkan tekanan darah, anti kanker, memperlancar pencernaan, menurunkan kolesterol, dan membersihkan usus (Anonim 2002).
Gambar 1 Belimbing Dewi (Santoso 1999).
Belimbing manis di daerah-daerah di Indonesia dikenal dengan bermacam nama, misalnya Asom Jorbing (Batak), Balimbing Manih (Minangkabau), Belimbing Manis (Melayu), Balimbing Amis (Sunda), Blimbing Legi (Jawa Tengah), Bhalimbhing Manes (Madura), Lembetua (Gorontalo), Lombituka Gula (Buol), Takule (Baree), Bainang Sulapa (Makasar), Balireng (Bugis), Baknil Kasluir (Kai), Totofuko (Ternate), Toiuo (Tidore), dan Balibi Totofuko (Halmahera). Ragam varietas belimbing manis di Indonesia cukup banyak, di antaranya varietas Sembiring, Siwalan, Dewi, Demak Kapur, Demak Kunir, Demak Jingga, Pasar Minggu, Wijaya, Paris, Filipina, Taiwan, Bangkok, dan varietas Malaysia. Tahun 1987 telah dilepas dua varietas. Belimbing manis kultivar Dewi, seperti pada Gambar 1, memiliki ciri khas buah besar dan panjang, rasanya manis, dan kadar airnya sedikit sehingga tahan disimpan lama pada suhu ruangan atau di kamar tanpa berkurang rasanya. Ketika sudah matang, warnanya kuning mengkilat sampai kemerahan, dan kelima sisi
Warna Belimbing Manis Metode yang paling dapat dipercaya untuk meramalkan waktu panen dan penerimaan penjualan di pasar adalah dengan mengamati perkembangan warna dan ukurannya. Pertimbangan perubahan warna pada starfruits dipahami dengan baik (Nakasone & Paull 1998). Serupa dengan buah-buahan lainnya yang menunjukkan suatu perilaku monocarpic, starfruits terlihat hijau pada awal waktu ketuaan. Warna ini secara berangsur-angsur berubah ke medium hijau ketika matang dan akhirnya menjadi kuning kemerahan ketika ranum. Saat warna kulit berkembang, kadar gula belimbing manis meningkat dan keasamannya berkurang. Pada prinsipnya hilangnya warna hijau berkaitan dengan berkurangnya kadar klorofil pada subcellular organelles khusus yang disebut chloroplasts. Secara umum, penurunan warna hijau (degreening) dekat juga hubungannya dengan umur dan berkurangnya kesegaran starfruits setelah panen. Berkaitan dengan ini, standar FAMA untuk kelas starfruits didefinisikan ke dalam empat kelas ketuaan: mentah (unripe), sedang (underripe), matang (ripe), dan ranum (overrripe) seperti ditunjukkan pada Gambar 2 (Abdullah et al. 2005).
Gambar 2 Empat kelompok starfruits sebagai acuan empat kelas ketuaan yang berbeda; (a) unripe, (b) underripe, (c) ripe dan (d) overripe (Abdullah et al. 2005).
2
Total Padatan Terlarut (TPT)
Pengolahan Model Warna RGB
TPT merupakan bahan-bahan terlarut dalam air yang tidak tersaring dengan kertas saring millipore dengan ukuran pori 0,45 ยตm. Padatan ini terdiri dari senyawa-senyawa anorganik dan organik yang terlarut dalam air, mineral dan garam-garamnya.
Sebuah citra warna RGB adalah matriks MรNร3 piksel warna, yang mana tiap piksel warna merupakan triplet komponen merah, hijau, dan biru dari sebuah citra RGB seperti ditunjukkan pada Gambar 3 (Gonzalez et al. 2002).
Nilai TPT berkorelasi dengan kandungan sukrosa di dalam buah. Warna yang diperoleh dari pengolahan citra mempunyai korelasi terhadap nilai TPT. Korelasi antara TPT dengan warna menggambarkan bahwa seiring dengan peningkatan ketuaan, pada buah terjadi penurunan kandungan klorofil dan peningkatan kandungan pigmen karoten dan flavonoid dan buah memiliki kandungan sukrosa yang semakin besar (Irmansyah 2008). Sortasi Buah Pada tahap sortasi, buah yang baik dengan yang tidak baik dipisahkan. Hal ini untuk mendapatkan buah yang memiliki keseragaman varietas, berat, tingkat kesegaran, dan tingkat ketuaan. Buah dikelompokkan menurut ukuran dan fase masak. Buah dengan ukuran besar (250-300 gr) dan fase masak penuh, dipisahkan untuk penjualan ke pasar swalayan. Selama 24 jam dapat terjadi sedikit perubahan warna dan rasa. Setelah itu, praktis tidak terjadi peningkatan rasa manis. Buah yang lebih kecil (150 - 250 gr) dan kematangannya penuh dapat dipasarkan ke pasar tradisional, sedangkan buah yang lebih kecil, dengan matang penuh yang tadinya dipisahkan karena kerusakan mekanis maupun gangguan organisme pengganggu tanaman dapat diproses lebih lanjut untuk sari buah dan sebagainya (Santoso 1999).
Gambar 3 Skema tiga komponen warna citra RGB (Gonzalez et al. 2002). Pengolahan model warna RGB dilakukan dengan menormalisasi terhadap ketiga komponen warna, yaitu merah (R), hijau (G), dan biru (B). Cara melakukan normalisasi adalah sebagai berikut (Irmansyah et al. 2008):
๐= ๐= ๐=
๐
๐
+๐บ+๐ต ๐บ ๐
+๐บ+๐ต ๐ต ๐
+๐บ+๐ต
, , .
Hierarchical Clustering Hierarchical clustering adalah sebuah teknik clustering yang umumnya ditampilkan menggunakan diagram pohon (tree) yang disebut dendrogram seperti pada Gambar 4.
Pengolahan Citra (Image Processing) Citra digital merupakan suatu matriks. Indeks baris dan kolomnya menyatakan suatu titik pada citra dan elemen matriksnya menyatakan tingkat keabuan pada titik tersebut. Setiap elemen telah memiliki lokasi dan nilai yang khusus. Elemen-elemen ini sering disebut sebagai picture elements, image elements, pels, atau pixels. Pengolahan citra digital merupakan proses yang masukan dan keluarannya adalah citra dan meliputi proses pengekstrakan atribut dari citra dan pengenalan citra. Selain itu, yang dimaksud dengan pengolahan citra digital biasanya adalah pengolahan citra menggunakan komputer digital (Gonzalez & Woods 2002).
Gambar 4 Ilustrasi hierarchical clustering dari empat objek dengan dendrogram (Tan et al. 2005). Struktur hierarki yang dibentuk pada hierarchical clustering menempatkan setiap objek sebagai suatu cluster tersendiri, kemudian menggabungkan cluster-cluster yang memiliki kemiripan menjadi cluster yang lebih besar, sampai akhirnya setiap objek berada pada satu
3
cluster atau sampai pada kondisi yang memuaskan. Penggabungan atau pembentukan cluster yang lebih besar tersebut didasarkan dari kemiripan antar cluster. Model Box Plots Model box plots dari sebuah data sample menghasilkan sebuah kotak (box) dan whisker plot (kumis kucing) untuk masing-masing kolom dari suatu matriks atau suatu garis vektor yang dikelompokkan oleh garis vektor lainnya. The box mempunyai garis pada nilai kuartil yang lebih rendah, nilai tengah, dan nilai kuartil bagian atas. The whisker merupakan garis yang memanjang dari akhir masing-masing box yang menunjukkan tingkat sisa dari data. Outliers adalah data dengan nilai di luar dari the whisker. Jika tidak ada data di luar the whisker, sebuah titik diletakkan pada dasar the whisker (Velleman & Hoaglin 1981). Contoh box plots dapat dilihat pada Gambar 5.
Gambar 5 Box plots nilai TPT dalam 3 cluster. Analisis Regresi Berganda Persamaan matematik yang memungkinkan kita meramalkan nilai-nilai suatu peubah tak bebas dari nilai-nilai satu atau lebih peubah bebas disebut persamaan regresi. Istilah ini berasal dari telaah kebakaan yang dilakukan oleh Sir Francis Galton (1822-1911) yang membandingkan tinggi badan anak laki-laki dengan tinggi badan ayahnya. Galton menunjukkan bahwa tinggi badan anak laki-laki dari ayah yang tinggi setelah beberapa generasi cenderung mundur (regressed) mendekati nilai tengah populasi (Walpole 1992). Model regresi linear berganda melibatkan lebih dari satu peubah bebas. Contoh acak berukuran n dari populasi dapat dituliskan sebagai {(x1, x2, โฆ, xki, yi); i = 1, 2, โฆ, n}. Nilai yi adalah nilai yang berasal dari suatu peubah acak Yi. Kita asumsikan berlakunya persamaan:
Y ๏ฝ ๏ข 0 ๏ซ ๏ข1 x1 ๏ซ ๏ข 2 x2 ๏ซ ... ๏ซ ๏ข k xk .
Lambang ฮฒ0, ฮฒ1, โฆ, ฮฒk adalah parameter yang harus diduga dari data. Dengan melambangkan nilai dugaannya dengan b0, b1, โฆ, bk, maka kita dapat menuliskan persamaan regresi contohnya dalam bentuk:
Y ๏ฝ b0 ๏ซ b1 x1 ๏ซ b2 x2 ๏ซ ... ๏ซ bk xk . Misalkan model regresi dengan kasus 2 peubah bebas x1 dan x2 maka modelnya:
Y ๏ฝ ๏ข 0 ๏ซ ๏ข1 x1 ๏ซ ๏ข 2 x2 , sehingga setiap pengamatan {(x1i, x2i; yi); i = 1, 2, โฆ, n} akan memenuhi persamaan:
Y ๏ฝ b0 ๏ซ b1 x1 ๏ซ b2 x2 ๏ซ ei . Jaringan Syaraf Tiruan (JST) Jaringan Syaraf Tiruan (JST) merupakan suatu sistem pemrosesan informasi digital yang memiliki karakteristik-karakteristik seperti jaringan saraf pada makhluk hidup. Pada dasarnya, pemrosesan informasi pada JST mengacu pada pemrosesan informasi yang terjadi pada sel-sel saraf biologis, yaitu dengan pemancaran sinyal elektro kimia melalui serabut-serabut saraf (neuron). Pada JST, setiap neuron menerima input dari setiap neuron lain yang dikalikan dengan suatu nilai pembobotan yang sesuai. Total penjumlahan akumulatif dari himpunan input terboboti dinamakan dengan level aktivasi. Level aktivasi inilah yang akan menentukan kemungkinan apakah suatu neuron dapat meneruskan sinyal ataukah tidak kepada neuron-neuron yang lain. Sebelum dapat digunakan, JST harus diberikan pelatihan terlebih dahulu. Pelatihan ini diperlukan untuk menemukan nilai pembobotan yang tepat bagi JST agar keluarannya menjadi benar (Seminar et al. 2006). Pengklasifikasian Bayes Pengklasifikasian Bayes merupakan suatu metode klasifikasi yang menggunakan suatu fungsi diskriminan pada peluang posterior kelas. Pengklasifikasian Bayes banyak digunakan pada PNN. Dengan menggunakan metode Bayes, klasifikasi dapat dilakukan seoptimal mungkin dengan cara meminimalisir nilai kerugian yang terjadi bila terjadi kesalahan klasifikasi. Untuk mengklasifikasikan input x agar masuk ke dalam kelas A, maka harus dipenuhi syarat: dengan: hA
hAc A f A ( x)๏พhB cB f B ( x) ,
= kemungkinan contoh terambil dari kelas A,
4
hB
= kemungkinan contoh terambil dari kelas B,
cA
= biaya yang dikorbankan bila terjadi kesalahan klasifikasi input A,
cB
= biaya yang dikorbankan bila terjadi kesalahan klasifikasi input B,
fA
= fungsi kepekatan A,
fB
= fungsi kepekatan B.
Apabila syarat persamaan di atas tidak terpenuhi, maka input x dimasukkan ke dalam kelas B (Seminar et al. 2006). Penduga Kepekatan Parzen Fungsi kepekatan yang digunakan untuk PNN yang berkaitan dengan data multivariate adalah fungsi kepekatan Parzen. Fungsi Parzen merupakan suatu prosedur non parametrik yang mensintesis penduga Probability Density Function (PDF) Gauss. Fungsi Parzen akan memberikan keputusan klasifikasi setelah menghitung PDF untuk setiap kelas melalui pola pelatihan yang ada. Pada fungsi Parzen terdapat fungsi pembobot yang disebut dengan fungsi Kernel (K(x)). Fungsi Parzen untuk data multivariate dapat dinotasikan dengan (Seminar et al. 2006):
๐ ๐ฅ =
1
๐ ๐=1 ๐พ
๐๐ 2
๐ฅโ ๐ฅ ๐
,
๐
sedangkan Fungsi Kernel yang digunakan adalah fungsi Gauss dinotasikan dengan: 1
๐พ ๐ฅ = ๐
๐ (2๐ ) 2
๐๐ฅ๐
โ๐ฅ 2 2๐ 2
,
dengan JST Back Propagation. Hal ini terjadi disebabkan PNN hanya membutuhkan satu kali iterasi pelatihan bila dibandingkan dengan JST Back Propagation yang membutuhkan beberapa kali iterasi dalam proses pelatihannya. Walaupun demikian, keakuratan dari klasifikasi PNN sangat ditentukan oleh nilai faktor penghalus (ฯ) dan pola pelatihan yang diberikan. Bila nilai ฯ yang diterapkan pada PNN tepat, maka akurasi klasifikasi akan mendekati atau mencapai 100%. Bila nilai ฯ yang diterapkan tidak tepat, maka akurasi klasifikasi PNN akan berkurang. Faktor penghalus (ฯ) merupakan suatu nilai parameter yang berguna untuk menghaluskan fungsi kernel. Secara tidak langsung nilai ฯ berperan pula dalam menentukan ketepatan klasifikasi PNN. Nilai ฯ tidak dapat ditentukan secara langsung, akan tetapi bisa didapatkan melalui metode statistik maupun dari hasil coba-coba (Seminar et al. 2005). PNN adalah suatu metode JST yang menggunakan pelatihan (training) supervised. Struktur PNN ialah JST empat lapis untuk klasifikasi yang berbasis pada prinsip-prinsip statistika. Arsitektur empat lapisnya terdiri dari input layer (lapisan input), pattern layer (lapisan pola), summation layer (lapisan penjumlahan), dan output layer (lapisan output). Contoh struktur PNN dapat dilihat pada Gambar 6. Neuron pada lapisan input akan memasuki lapisan pola. Lapisan pola ini tak lain merupakan data latih itu sendiri.
dengan demikian diperoleh fungsi kepekatan untuk kelas A sebagai berikut: ๐๐ด ๐ฅ =
1 ๐ ๐๐ด ๐ ๐ (2๐) 2
โ ๐ฅโ๐ฅ ๐ด๐ ๐ (๐ฅโ๐ฅ ๐ด๐ ) ๐๐ด ๐=1 ๐๐ฅ๐ 2๐ 2
,
dengan: xAi
= pola pelatihan ke-i kelas A,
d
= dimensi vektor input,
NA
= jumlah pola pelatihan kelas A,
N
= jumlah pola pelatihan seluruh kelas,
ฯ
= faktor penghalus.
Probabilistic Neural Networks (PNN) PNN merupakan JST yang menggunakan teorema probabilitas klasik seperti pengklasifikasian Bayes dan penduga kepekatan Parzen. Proses yang dilakukan oleh PNN dapat berlangsung lebih cepat bila dibandingkan
Gambar 6 Struktur PNN untuk klasifikasi 2 target kelas (Wang et al. 2008). Pada lapisan pola, keluarannya dihitung dengan persamaan: f(x)=
๐ฅ ๐ โ๐ฅ ๐๐ ๐ ๐ =1 ๐พ ๐๐
,
dengan: d
= dimensi vektor,
5
2
K(z) = ๐ โ0.5โ๐ง ,
METODE PENELITIAN
xj
= vektor input kolom ke-j,
xij
= vektor bobot baris ke-i kolom ke-j,
hj = 1.14 ร std(j) ร n-1/5 [faktor penghalus ke-j] (Silverman 1999). Keluaran dari lapian pola yang bersesuaian dengan kelas tertentu akan masuk ke lapisan penjumlahan. Pada masing-masing neuron, kelas dihitung penjumlahan dengan persamaan: 1
P(x) = 2๐ ๐ /2 ๐
1
1 ๐ 2 โฆ๐ ๐ ๐
๐ฅ ๐ โ ๐ฅ ๐๐ ๐ ๐ =1 ๐พ ๐๐
๐ ๐=1
Proses penentuan tingkat kemanisan belimbing manis menggunakan model PNN terdiri atas beberapa tahapan yaitu ekstraksi ciri, clustering nilai TPT, analisis regresi, perancangan PNN, dan analisis hasil klasifikasi. Tahapan yang lebih detail dapat dilihat pada Gambar 7.
,
dengan: d
= dimensi vektor input,
n
= jumlah data latih di suatu kategori,
xj
= vektor data uji ke-j,
xij
= vektor data latih ke-i untuk ciri j.
Terakhir, pada lapisan output atau decision layer, vektor input akan digolongkan sebagai kelas Y jika nilai py (x) paling besar untuk kelas Y, sedangkan untuk PNN dengan h (smoothing parameter) yang tetap, dirumuskan dalam persamaan berikut: 1
1
P(x) = 2๐ ๐ /2 ๐ ๐ ๐
๐ ๐=1 ๐๐ฅ๐
โ
๐ฅโ๐ฅ ๐๐ ๐ก ๐ฅโ๐ฅ ๐๐ 2๐ 2
,
dengan (Specht 1990): x
= vektor data uji,
xai
= vektor data latih ke-i dari kategori A.
Confusion Matrix Confusion matrix merupakan sebuah tabel yang terdiri dari banyaknya baris data uji yang diprediksi benar dan tidak benar oleh model klasifikasi. Tabel ini diperlukan untuk menentukan kinerja suatu model klasifikasi (Tan et al. 2005). Contoh tabel confusion matrix dapat dilihat pada Tabel 1. Tabel 1 Confusion matrix untuk data 2 kelas
Kelas Aktual
Kelas 1 Kelas 2
Kelas Prediksi Kelas 1 Kelas 2 K 11 K12 K 21 K 22
Akurasi hasil klasifikasi dari tabel confusion matrix dihitung dengan rumus: Akurasi =
๐ฒ๐๐+๐ฒ๐๐ ๐ฒ๐๐+๐ฒ๐๐+๐ฒ๐๐+๐ฒ๐๐
Gambar 7 Metodologi Penelitian. Data Data yang digunakan adalah data citra belimbing manis kultivar Dewi dengan format .bmp berukuran 192ร256 piksel. Data citra tersebut merupakan hasil penelitian pengolahan citra yang dilakukan oleh Irmansyah (2008). Data citra belimbing manis merupakan hasil dari empat kali masa panen, seperti contohnya ditunjukkan pada Gambar 8, 9, 10, dan 11, yang masing-masing masa panen berjumlah 75 citra sehingga total data yang digunakan sebanyak 300 citra.
ร ๐๐๐% .
6
