Deteksi Infeksi pada Daun Kapas menggunakan Kombinasi Metode Ekstraksi Fitur Warna dan Tekstur

Siti Khotimatul Wildah, Abdul Latif, Suharyanto Suharyanto

Abstract


Tanaman kapas merupakan salah satu tanaman penting dalam industri tekstil dan pertanian, akan tetapi sering mengalami kendala terutama dalam masalah infeksi yang disebabkan oleh patogen seperti jamur dan bakteri. Deteksi dini dan akurat infeksi pada daun kapas menjadi kunci untuk mengambil langkah pencegahan dan pengendalian yang tepat guna sehingga dapat mengurangi dampak kerugian pada hasil panen dan kualitas serat kapas. Teknologi pengolahan citra telah menunjukkan potensi untuk digunakan dalam deteksi infeksi pada tanaman, khususnya dengan menggunakan metode ekstraksi fitur warna dan tekstur. Penelitian ini bertujuan untuk melakukan kombinasi metode ekstraksi fitur warna untuk mengidentifikasi perubahan warna pada daun kapas yang terinfeksi dan fitur tekstur untuk mengenali pola atau struktur tekstur yang khas dari daun kapas yang terinfeksi serta metode pengklasifikasian Random Forest. Dataset yang digunakan pada penelitian ini terdiri dari 4 jenis citra dengan jumlah citra sebanyak 1786 citra. Hasil penelitian menunjukkan bahwa penggunaan kombinasi metode ekstraksi fitur warna dan tekstur meningkatkan akurasi deteksi infeksi pada daun kapas secara signifikan dibandingkan dengan penggunaan metode ekstraksi fitur tunggal. Model deteksi yang dihasilkan mampu mengenali infeksi pada daun kapas dengan tingkat akurasi yang tinggi dan meminimalkan kesalahan dalam pengklasifikasian. Nilai akurasi yang dihasilkan dari penelitian ini sebesar 0.982683

Full Text:

PDF

References


Agustiani, S., Arifin, Y. T., Junaidi, A., Wildah, S. K., & Mustopa, A. (2022). Klasifikasi Penyakit Daun Padi menggunakan Random Forest dan Color Histogram. 10(1).

Ashir, A. M., Ibrahim, S., Abdulghani, M., Ibrahim, A. A., & Anwar, M. S. (2021). Diabetic Retinopathy Detection Using Local Extrema Quantized Haralick Features with Long Short-Term Memory Network. International Journal of Biomedical Imaging, 2021. https://doi.org/10.1155/2021/6618666

Azath, M., Zekiwos, M., & Bruck, A. (2021). Deep Learning-Based Image Processing for Cotton Leaf Disease and Pest Diagnosis. Journal of Electrical and Computer Engineering, 2021. https://doi.org/10.1155/2021/9981437

Caldeira, R. F., Santiago, W. E., & Teruel, B. (2021). Identification of cotton leaf lesions using deep learning techniques. Sensors, 21(9). https://doi.org/10.3390/s21093169

Ferdita Nugraha, A., Aziza, R. F. A., & Pristyanto, Y. (2022). Penerapan metode Stacking dan Random Forest untuk Meningkatkan Kinerja Klasifikasi pada Proses Deteksi Web Phishing. Jurnal Infomedia, 7(1), 39. https://doi.org/10.30811/jim.v7i1.2959

Hamid, H., Abubakar, H., & Jahuddin, R. (2023). Deteksi Dini Cendawan Terbawa Benih Kapas Impor Di Sulawesi Selatan. Journal Agro Ecotech Indonesia, 86–92.

Karthika, J., Mathan Kumar, K., Santhose, M., Sharan, T., & Sri Hariharan, S. (2021). Retraction: Disease Detection in Cotton Leaf Spot Using Image Processing. Journal of Physics: Conference Series, 1916(1). https://doi.org/10.1088/1742-6596/1916/1/012224

Khotimatul, S., & Latif, A. (2023). Kombinasi Metode Fitur Ekstraksi untuk Indentifikasi Penyakit pada Daun Teh Combination of Feature Extraction for Identification Disease in Tea Leaves. 11(3), 447–452. https://doi.org/10.26418/justin.v11i3.

Khultsum, U., & Subekti, A. (2021). Penerapan Algoritma Random Forest dengan Kombinasi Ekstraksi Fitur Untuk Klasifikasi Penyakit Daun Tomat. Jurnal Media Informatika Budidarma, 5(1), 186. https://doi.org/10.30865/mib.v5i1.2624

Kumbhar, S., Patil, S., Nilawar, A., Mahalakshmi, B., & Nipane, M. (2019). Farmer Buddy-Web Based Cotton Leaf Disease Detection Using CNN. International Journal of Applied Engineering Research, 14(11), 2662–2666. http://www.ripublication.com

Liang, X. (2021). Few-shot cotton leaf spots disease classification based on metric learning. Plant Methods, 17(1), 1–11. https://doi.org/10.1186/s13007-021-00813-7

Löfstedt, T., Brynolfsson, P., Asklund, T., Nyholm, T., & Garpebring, A. (2019). Gray-level invariant Haralick texture features. PLoS ONE, 14(2), 1–18. https://doi.org/10.1371/journal.pone.0212110

Martina, S., & Abdillah, F. (2020). Pola Komersialisasi Teh Hijau Pada Industri Hospitality : Pandangan Pelaku Usaha. Sadar Wisata: Jurnal Pariwisata, 3(1), 1–12. https://doi.org/10.32528/sw.v3i1.3368

Prashar, K., Talwar, R., & Kant, C. (2019a). CNN based on Overlapping Pooling Method and Multi-layered Learning with SVM KNN for American Cotton Leaf Disease Recognition. 2019 International Conference on Automation, Computational and Technology Management, ICACTM 2019, 330–333. https://doi.org/10.1109/ICACTM.2019.8776730

Prashar, K., Talwar, R., & Kant, C. (2019b). Inconsistent cluster analysis with disease feature enhancement (ICADFE) for American cotton leaf disease recognition. International Journal of Engineering and Advanced Technology, 8(5), 1497–1505. https://doi.org/10.35940/ijeat.E1220.0585C19

Sandag, G. A. (2020). Prediksi Rating Aplikasi App Store Menggunakan Algoritma Random Forest. CogITo Smart Journal, 6(2), 167–178. https://doi.org/10.31154/cogito.v6i2.270.167-178

Sany, D. S. (2021). Implementasi dan Pengujian Algoritma Fitur Warna pada Image Retrieval. Media Jurnal Informatika, 12(1), 1. https://doi.org/10.35194/mji.v12i1.1187

Shah, N., & Jain, S. (2019). Detection of Disease in Cotton Leaf using Artificial Neural Network. Proceedings - 2019 Amity International Conference on Artificial Intelligence, AICAI 2019, 473–476. https://doi.org/10.1109/AICAI.2019.8701311

Tantyoko, H., Sari, D. K., & Wijaya, A. R. (2023). Prediksi Potensial Gempa Bumi Indonesia Menggunakan Metode Random Forest Dan Feature Selection. 6, 83–89.

Tripathy, S. (2021). Detection of cotton leaf disease using image processing techniques. Journal of Physics: Conference Series, 2062(1). https://doi.org/10.1088/1742-6596/2062/1/012009




DOI: https://doi.org/10.31294/ijse.v9i1.16950

Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

 

ISSN : 2714-9935 


Published by LPPM Universitas Bina Sarana Informatika

Jl. Kramat Raya No.98, Kwitang, Kec. Senen, Kota Jakarta Pusat, DKI Jakarta 10450


This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License