Perpustakaan Digital ITB

Salah satu metode indirect dalam menentukan kadar air (moisture content / MC) pada material granular adalah melakukan regresi menggunakan machine learning (ML) dengan mengekstrak fitur warna dan tekstur dari citra permukaan material. Penelitian ini bertujuan untuk menganalisis hubungan kadar air dengan karakteristik visual citra, mengidentifikasi fitur paling berpengaruh, dan menentukan model ML terbaik. Sampel yang digunakan meliputi pasir pantai A, pasir pantai B, dan pasir vulkanik merah. Pengambilan citra dilakukan secara terkontrol menggunakan lightbox pada berbagai variasi tingkat kelembapan. Fitur yang diekstrak mencakup RGB, HSV, HSL, HSI, grayscale, indeks warna, dan GLCM, yang kemudian dimodelkan menggunakan MLR, SVR, RFR, dan GPR. Hasil penelitian menunjukkan adanya hubungan berbanding terbalik antara kadar air dan intensitas warna pada pasir pantai A dan B. Fitur warna menjadi prediktor paling dominan pada kedua pasir tersebut, sedangkan fitur tekstur mendominasi pada pasir vulkanik merah. Model Random Forest Regression (RFR) dengan 25 fitur terbukti menjadi model terbaik untuk pasir pantai A dan B dengan rata-rata galat yang dihasilkan pada test set masing-masing sebesar 16,72% dan 17,41%. Namun, pendekatan ini kurang efektif pada pasir vulkanik merah dengan rata-rata galat yang mencapai 1537,74%, yang diakibatkan oleh tingkat pantulan balik (albedo) material yang sangat rendah sehingga perubahan warna akibat variasi MC menjadi tidak signifikan.