IDENTIFIKASI PENYAKIT DAUN KENTANG MENGGUNAKAN FITUR GLCM DAN ALGORITMA MULTI-SVM
DOI:
https://doi.org/10.31294/conten.v4i1.3465Keywords:
Gray Level Co-occurrence Matrix, Multi SVM, Idetifikasi PenyakitAbstract
Deteksi dini dengan cara pengklisifikasian daun pada tanaman kentang menjadi salah satu langkah yang menjanjikan menuju ketahanan pangan yang berkelanjutan pada bidang pertanian. Penyakit-penyakit yang menyebabkan kehilangan hasil yang substansial dalam kentang adalah Phytophthora infestans (late blight) dan Alternaria solani (early blight). Penyakit tersebut dapat mempengaruhi hasil pada tanaman kentang sehingga mengakibatkan gagal panen. Penyakit ini harus diklasifikasikan berdasarkan jenisnya agar bisa mendapatkan penanganan yang tepat. Penyakit ini dapat dikenali secara visual karena memiliki ciri warna dan tekstur yang unik. Tetapi pengamatan secara langsung memiliki beberapa kekurangan seperti subjektifitas serta kurang akurat. Melalui sebuah citra dapat dipelajari informasi mengenai penyakit tanaman tersebut seperti tekstur dan warna. Pengolahan citra adalah salah satu teknik yang paling banyak digunakan untuk mendeteksi dan mengklasifikasi penyakit daun pada tanaman. Penelitian ini bertujuan untuk mengembangkan sistem deteksi dini terhadap penyakit tanaman pada daun kentang yang lebih efektif dan bebas dari kesalahan. Dalam peneliatian ini, diusulkan metode identifikasi penyakit pada daun tanaman kentang berdasarkan fitur tekstur Gray Level Co-occurrence Matrix. Ekstraksi fitur tekstur dengan menggunakan metode Gray Level Co-occurrence Matrix. Algoritma Multi-SVM dilakukan untuk memproses kalsifikasi dari 3 kategori daun. Dari penelitian yang telah dilakukan menunjukkan bahwa identifikasi penyakit daun pada tanaman kentang dapat dilakukan menggunakan pengolahan citra digital. Hasil akurasi rata-rata yang diperoleh mencapai 86,67 % dari tiga kategori daun.
References
Oppenheim, D., & Shani, G. (2017). Potato Disease Classification Using Convolution Neural Networks.
Advances in Animal Biosciences, 8(2), 244–249. https://doi.org/10.1017/s2040470017001376
[9] Rakhmawati, P. U., Pranoto, Y. M., & Setyati, E. (2018). Klasifikasi Penyakit Daun Kentang
Berdasarkan Fitur Tekstur dan Fitur Warna Menggunakan Support Vector Machine. 1–8.
Barbedo, J. G. A. (2016). A Review on The Main Challenges in Automatic Plant Disease Identification
Based on Visible Range Images. Biosystems Engineering, 144, 52–60. m
https://doi.org/10.1016/j.biosystemseng.2016.01.017
Wahabzada, M., Mahlein, A. K., Bauckhage, C., Steiner, U., Oerke, E. C., & Kersting, K. (2016). Plant
Phenotyping using Probabilistic Topic Models: Uncovering the Hyperspectral Language of
Plants. Scientific Reports, 6(March), 1–11. https://doi.org/10.1038/srep22482
https://doi.org/10.1016/j.biosystemseng.2016.01.017
Macedo-Cruz, A., Pajares, G., Santos, M., & Villegas-Romero, I. (2011). Digital Image Sensor-Based
Assessment of the Status of Oat (Avena sativa L.) Crops after Frost Damage. Sensors, 11(6),
6036. https://doi.org/10.3390/s110606015
Wang, H., Li, G., Ma, Z., & Li, X. (2012). Application of Neural Networks to Image Recognition of Plant
Diseases. 2012 International Conference on Systems and Informatics, ICSAI 2012, (Icsai),
–2164. https://doi.org/10.1109/ICSAI.2012.6223479
Purnamasari, I., & Sutojo, T. (2017). Pengenalan Ciri Garis Telapak Tangan Menggunakan Ekstraksi
Fitur (GLCM) dan Metode K-NN. 32–41.
Indriani, O. R., Kusuma, E. J., Sari, C. A., Rachmawanto, E. H., & Setiadi, D. R. I. M. (2018). Tomatoes
Classification using K-NN Based on GLCM and HSV Color Space. Proceedings - 2017
International Conference on Innovative and Creative Information Technology: Computational
Intelligence and IoT, ICITech 2017, 2018–Janua, 1–6.
https://doi.org/10.1109/INNOCIT.2017.8319133
Islam, M., Dinh, A., Wahid, K., & Bhowmik, P. (2017). Detection of Potato Diseases Using image
Segmentation and Multiclass Support Vector Machine. Canadian Conference on Electrical
and Computer Engineering, 8–11. https://doi.org/10.1109/CCECE.2017.7946594
Xu, G., Zhang, F., Shah, S. G., Ye, Y., & Mao, H. (2011). Use of Leaf Color Images to Identify Nitrogen
and Potassium Deficient Tomatoes. Pattern Recognition Letters, 32(11), 1584–1590.
https://doi.org/10.1016/j.patrec.2011.04.020
Vibhute, A., & K. Bodhe, S. (2012). Applications of Image Processing in Agriculture: A Survey.
International Journal of Computer Applications, 52(2), 34–40.
https://doi.org/10.5120/81761495
Ismi, A. (2014). Pengenalan CItra Tanda Tangan Menggunakan Gray Level Co-Occurrence
Matrix(GLCM) dasn Probabilistic Neural Network(PNN). 29–34.
Ni’mah, F. S., Sutojo, T., & Setiadi, D. R. I. M. (2018). Identifikasi Tumbuhan Obat Herbal Berdasarkan
Citra Daun Menggunakan Algoritma Gray Level Co-occurence Matrix dan K-Nearest
Neighbor. Jurnal Teknologi Dan Sistem Komputer, 6(2), 51.
Downloads
Published
Issue
Section
License
Copyright (c) 2024 Hasan Muhamad
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
