ABSTRAK
Belimbing manis merupakan buah yang memiliki kualitas rasa dan tekstur yangoptimal jika berada pada tingkat kematangan yang tepat. Pada penelitian ini,sebuah pencitraan hiperspektral telah dirancang untuk memprediksi nilai solublesolids content (SSC) dan firmness serta memprediksi tingkat kematangan buahbelimbing yang diklasifikasikan dalam tiga kelas yaitu mentah, matang dan terlalumatang. Pengklasifikasian ini akan dilakukan berdasarkan informasi spasial,informasi spektral dan kombinasi informasi spektral dan spasial dari citrahiperspektral dengan wilayah panjang gelombang 400-1000 nm. Tahapan-tahapanpengolahan citra yang dilakukan adalah akuisisi citra, koreksi citra, segmentasi,ekstraksi dan seleksi fitur, pemodelan kuantitatif menggunakan algoritma principalcomponent regression (PCR) dan partial least square regression (PLSR) sertapemodelan kualitatif menggunakan algoritma support vector machines (SVM).Pengujian kinerja model kualitatif untuk memprediksi tingkat kematangan dapatdilihat berdasarkan nilai error klasifikasi dan pengujian kinerja model kuantitatifuntuk memprediksi nilai SSC dan firmness dapat dilihat dari nilai koefisien korelasidan root mean square error. Model kualitatif terbaik diperoleh dengan errorklasifikasi 6,5%. Model kuantitatif untuk memprediksi SSC diperoleh denganmengimplementasikan PLSR dengan nilai koefisien korelasi dan RMSE sebesar0,98 dan 0,42. Model kuantitatif untuk memprediksi firmness diperoleh denganmengimplementasikan PLSR dengan nilai koefisien korelasi dan RMSE sebesarserta 0,94 dan 4,72.

---

ABSTRACT
Starfruit is a fruit that has a quality of taste and texture optimal if it is at the rightlevel of ripeness. In this study, a hyperspectral imaging has been designed to predictthe soluble solids content (SSC) and firmness values and to predict the starfruitripenesslevels classified in three classe unripe, ripe and overripe. This classificationwill be based on spatial information, spectral information and a combination ofspectral and spatial information from hyperspectral image with the region of thewaveleght 400-1000 nm. Steps of image processing are image acquisition, imagecorrection, segmentation, feature extraction and selection, quantitative modelingusing principal component regression (PCR) and partial least square regression(PLSR) algorithms and qualitative modeling using support vector machines (SVM)algorithm . Qualitative model performance test to predict ripeness level can be seenbased on classification error value and quantitative model performance test topredict the value of SSC and firmness can be seen from the correlation coefficientand root mean square error. The best qualitative model is obtained with aclassification error of 6.5%. The quantitative model for predicting SSC wasobtained by implementing PLSR with correlation coefficient and RMSE of 0.98and 0.42. Quantitative models for predicting firmness are obtained by implementingPLSR with correlation coefficient and RMSE of 0.94 and 4.72.