Article Sidebar

Download
pdf
Statistic
Read Counter : 533 Download : 465

Main Article Content

Abstract

Tumbuhan memiliki peranan penting dalam menjaga keseimbangan ekosistem karena sebagai sumber makanan dalam suatu rantai makanan. Tumbuhan Tomat (Lycopersicon esculentum) merupakan salah satu sumber bahan makanan yang kaya akan nutrisi, gizi dan juga dapat memberikan energi. Tomat banyak digunakan diberbagai negara termasuk Indonesia dan menjadi buruan untuk dikreasikan dalam berbagai rempah masakan, sehingga tomat memiliki peranan dalam perekonomian yang disebabkan oleh banyaknya permintaan. Dalam menjaga pasokan tomat terus tersedia perlu adanya proses budidaya, dalam proses ini tumbuhan tomat mudah diserang oleh hama dan penyakit yang menyebabkan terjadinya bercak dan hawar pada daun tomat. Identifikasi citra daun tomat yang terserang penyakit dapat tersegmentasi pada hasil pengurangan channel warna [Green – Red] dalam citra RGB. Ciri penyakit hasil segmentasi diekstrak menggunakan GLCM dengan sudut 0o dan jarak ketetanggaan nilai antar pixel citra yang digunakan adalah 1 nilai piksel citra. Berdasarkan hasil yang diperoleh nila akurasi terbesar dari model SVM yang digunakan adalah 65% dengan kernel radial basis function, untuk membedakan dua jenis penyakit pada daun tomat. Nilai akurasi model SVM yang diperoleh dari hasil ekstraksi ciri GLCM diambil menggunakan persamaan Energy dan Entropy. Nilai akurasi model masih dapat ditingkatkan dengan menambahkan penciri lain yang terdapat pada GLCM.

Keywords

Ekstraksi Ciri, GLCM, Identifikasi Penyakit, Segmentasi, SVM

Article Details

References

  1. [1] Marx, R. Wulandari, D. Tyas, Referensi Biologi Lengkap Ekologi. Jakarta: Erlangga, 2017.
  2. [2] E. M. Yahia, P. García-Solís, M. E. M. Celis, “Contribution of Fruits and Vegetables to Human Nutrition and Health (Chapter 2)”, in Postharvest Physiology and Biochemistry of Fruits and Vegetables. Queretaro: Woodhead Publishing, 2019, pp 19-45.
  3. [3] A. V. Rao, G. L. Young, L. G. Rao, Lycopene and Tomatoes in Human Nutrition and Health, 1st ed. Boca Raton: CRC Press, 2018.
  4. [4] V. Maeda-Gutiérrez, C. E. Galván-Tejada, L. A. Zanella-Calzada, J. M. Celaya-Padilla, J. I. Galván-Tejada, H. Gamboa-Rosales, H.Luna-García, R. Magallanes-Quintanar, C. A. G. Méndez, C.A. Olvera-Olvera, “Comparison of Convolutional Neural Network Architectures for Classification of Tomato Plant Diseases”, J. Applied Sciences. vol.10, no.4, pp.1-15, Februari, 2020.
  5. [5] A. Christopher, T. M. S. Mulyana, “Klasifikasi Tumbuhan Angiospermae Menggunakan Algoritma K-Nearst Neighbor Berdasarkan pada Bentuk Daun”, Jurnal Ilmiah Penelitian dan Pembelajaran Informatika. vol.7, no.4, pp.1233-1243, Desember, 2022.
  6. [6] W. S. Leoputra, “Aplikasi Pengganti Background Pasfoto Dengan Metode L1- Metric dan Input Channel RGB”, Jurnal Teknologi Informasi. vol.12, no.1, pp.1-6, Juni, 2016.
  7. [7] I. G. N. Suryantara, F. Felix, R. Kristianto, “Uji Coba Thresholding Pada Channel RGB Untuk Binerisasi Citra Pupil”, Jurnal Teknologi Informasi. vol.12, no.1, pp.41-47, Juni, 2016.
  8. [8] T. M. S. Mulyana, “Segmentasi Citra Menggunakan Hebb-Rule Dengan Input Variasi RGB”,. Jurnal Teknologi Informasi, vol.11, no.2, pp.30-39, Agustus 2015.
  9. [9] A. D. P. Alwy, F. Adiba, B. N. Nur Ag, A. B. Kaswar, S. Andriani, “Klasifikasi Kematangan Daun Selada Berdasarkan Fitur Warna Menggunakan K-Nearest Neighbors”,. Jurnal Ilmu Komputer dan Teknologi Informasi. vol.7, no.1, pp.35-44, April, 2022.
  10. [10] I. G. N. Suryantara, “Implementasi Deteksi Tepi Untuk Mendeteksi Keretakan Tulang Orang Lanjut Usia (Manula) Pada Citra Rontgen Dengan Operator Sobel Dan Prewitt”,. Jurnal Algoritma, Logika, dan Komputasi. vol.1, no.2, pp.51-60, 2016.
  11. [11] M. Yogeshwari, G. Thailambal, “Automatic feature extraction and detection of plant leaf disease using GLCM features and convolutional neural networks”, in Materials Today: Proceedings. Chennai. 2021.
  12. [12] W. I. Praseptiyana, A. W. Widodo, M. A. Rahman, “Pemanfaatan Ciri Gray Level Co-occurrence Matrix (GLCM) Untuk Deteksi Melasma Pada Citra Wajah”, Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer. vol.3, no.11, pp.10402-10409, Januari 2020.
  13. [13] F. F. Tampinongkol, Y. Herdiyeni, E. N. Herliyana, “Feature extraction of Jabon (Anthocephalus sp) leaf disease using discrete wavelet transform”, Jurnal. TELKOMNIKA. vol.18, no.2, pp.740-750, April, 2020.
  14. [14] Derek A. Pisner and David M. Schnyer, “Chapter 6 – Support Vector Machine”. Academic Press, Department of Psychology, University of Texas at Austin, Austin, TX, United States, November, 2019.
  15. [15] F. F. Tampinongkol, Y. Setiawan, W. I. Nursalam, S. Hudjimartsu, L. B. Prasetyo, “Canopy Cover Estimation Based on LiDAR and Landsat 8 Data using Support Vector Regression”, ICoDSE,. IEEE, Desember 2021.
  16. [16] S. Maurya, R. Regar, S. Kumar, S. Dubey, “Management Tactics for Early Blight of Tomato Caused by Alternaria Solani: A Review”, Journal of Plant Biology and Crop Research. February, 2022.
  17. [17] R. Sanoubar, L. Barbanti, “Fungal diseases on tomato plant under greenhouse condition”,. European Journal of Biological Research. vol. 7, no.4, pp.299-308, Oktober, 2017.
  18. [18] W. I. Praseptiyana, A. W. Widodo, M. A. Rahman, “Pemanfaatan Ciri Gray Level Co-occurrence Matrix (GLCM) Untuk Deteksi Melasma Pada Citra Wajah”, Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer. vol.3, no.11, pp.10402-10409, Januari., 2020.