Segmentasi K-Means Citra Daun Tin Dengan Klasifikasi Ciri Gray Level Co Occurance Matrix

Abstraksi

Tanaman Tin dengan nama latin Ficus Caric adalah sejenis tanaman buah dari sejenis pohon yang banyak tumbuh di kawasan daerah tropis dan subtropis. Tanaman Tin saat ini sudah banyak dibudidayakan di Indonesia. Buah Tin memiliki buah yang berwarna kuning kecoklatan, dengan rasa yang manis. Cerotelium Fici adalah jenis penyakit karat daun yang menyerang pada daun tin, dan menjadi ancaman terbesar terhadap produksi buah tin. Penyakit lain yang menyerang pada tanaman tin adalah kutu kebul dan virus mosaik. Virus mosaik ini pertama kali muncul di California dan menyebar ke sebagaian besar wilayah Indonesia dan Amerika Serikat. Daun tin yang terinfeksi virus ini menjadi bintik-bintik cokelat menyebabkan pertumbuhan tanaman tin menjadi lambat dan cacat pada buah tin. Dalam perkembangan ilmu pengetahuan dan teknologi, cara untuk mendeteksi penyakit pada tanaman tin seperti karat daun, virus mosaik dan kutu kebul dapat dilakukan dengan bantuan pengolahan citra. Untuk itu penelitian ini bertujuan melakukan pengolahan citra berupa segmentasi KMeans pada citra daun tin yang dianalisa dengan ekstrasi fitur GLCM dan mengklasifikasikan Naïve Bayes untuk mendapatkan akurasi terbaik dalam klasifikasi penyakit citra daun tin. Setelah itu, dilakukan analisis tekstur menggunakan metode Grey Level Co-Occurance Matrix (GLCM) dan segmentasi K-Means clustring dalam pengolahan citra daun tin

Kata Kunci: K-Means, GLCM, Algoritma Naïve Bayes, Segmentasi, Confusion Matrix

URI
https://jurnal.untan.ac.id/index.php/justin/article/view/44139

Bidang ilmu
Image Processing

References

[1] R. Purnamasari, D. Winarni, A. A. Permanasari, E.
Agustina, S. Hayaza, and W. Darmanto,
“Anticancer Activity of Methanol Extract of Ficus
carica Leaves and Fruits Against Proliferation,
Apoptosis, and Necrosis in Huh7it Cells,”
Cancer
Inform.
, vol. 18, pp. 0–6, 2019, doi:
10.1177/1176935119842576.
[2] Y. Zhang, Y. Wan, B. Huo, B. Li, Y. Jin, and X.
Hu, “Extracts and components of ficus carica
leaves suppress survival, cell cycle, and migration
of triple-negative breast cancer MDA-MB-231
cells,”
Onco. Targets. Ther., vol. 11, pp. 4377–
4386, 2018, doi: 10.2147/OTT.S171601.
[3] J. Kamas, M. Nesbitt, and L. Stein, “Te x a s F r u
i t a n d N u t P r o d u c t i o n,” pp. 1–7.
[4] S. Hadianti and D. Riana, “Segmentasi Citra
Bemisia Tabaci Menggunakan Metode K-Means,”
Semin. Nas. Inov. dan Tren, p. 2018, 2018.
[5] P. A. Tumbuhan,
TUMBUHAN I Disusun oleh
Pusat Penerbitan dan Publikasi Universitas
Kristen Indonesia Jl . Mayjen Sutoyo No . 2 .
Cawang Jakarta Timur
, no. July. Pusat Penerbitan
dan Publikasi Universitas Kristen Indonesia Jl.
Mayjen Sutoyo No. 2. Cawang Jakarta Timur,
2020.
[6] R. R. Waliyansyah, “Identifikasi Jenis Biji
Kedelai ( Glycine Max L ) Menggunakan Gray
Identification of Glycine Max L Seeds Using
Gray Level Coocurance Matrix ( Glcm ) and KMeans Clustering,”
J. Teknol. Inf. dan Ilmu
Komput.
, vol. 7, no. 1, pp. 17–26, 2020, doi:
10.25126/jtiik202071066.
[7] J. P. Gaikwad, “Region of Interest of Diseased
Leaf using Overlapping Window Technique,” vol.
10, no. 1, pp. 865–868, 2017.
[8] D. Mondal, D. K. Kole, and K. Roy, “Gradation
of yellow mosaic virus disease of okra and bitter
gourd based on entropy based binning and Naive
Bayes classifier after identification of leaves,”
Comput. Electron. Agric., vol. 142, no. October,
pp. 485–493, 2017, doi:
10.1016/j.compag.2017.11.024.
[9] F. R. F. Padao and E. A. Maravillas, “Using Naïve
Bayesian method for plant leaf classification
based on shape and texture features,”
8th Int. Conf.
Humanoid, Nanotechnology, Inf. Technol.
Commun. Control. Environ. Manag. HNICEM
2015
, no. December, 2016, doi:10.1109/HNICEM.2015.7393179.

[10] M. Turkoglu and D. Hanbay, “Recognition of
plant leaves: An approach with hybrid features
produced by dividing leaf images into two and
four parts,”
Appl. Math. Comput., vol. 352, pp. 1–
14, 2019, doi: 10.1016/j.amc.2019.01.054.
[11] J. Sun, X. Zhou, Y. Hu, X. Wu, X. Zhang, and P.
Wang, “Visualizing distribution of moisture
content in tea leaves using optimization
algorithms and NIR hyperspectral imaging,”
Comput. Electron. Agric., vol. 160, no. August
2018, pp. 153–159, 2019, doi:
10.1016/j.compag.2019.03.004.
[12] W. D. Septiani, “Komparasi Metode Klasifikasi
Data Mining Algoritma C4.5 Dan Naive Bayes
Untuk Prediksi Penyakit Hepatitis,”
None, vol. 13,
no. 1, pp. 76–84, 2017, doi:
10.33480/pilar.v13i1.149.
[13] S. Hadianti and D. Riana, “Segmentation and
Image Analysis for Image Microscopic Pap
Smear,” vol. xx, no. x, 2017.
[14] V. K. Mishra, S. Kumar, and N. Shukla, “Image
Acquisition and Techniques to Perform Image
Acquisition,”
SAMRIDDHI A J. Phys. Sci. Eng.
Technol.
, vol. 9, no. 01, pp. 3–6, 2017, doi:
10.18090/samriddhi.v9i01.8333.
[15] F. R. Lestari, J. Y. Sari, Sutardi, and I. Purwanti,
“Deteksi Penyakit Tanaman Jeruk Siam
Berdasarkan Citra Daun,” no. December, pp. 276–
283, 2018.
[16] F. G. Febrinanto, C. Dewi, and A. T. Wiratno,
“Implementasi Algoritme K-Means Sebagai
Metode Segmentasi Citra Dalam Identifikasi
Penyakit Daun Jeruk,”
J. Pengemb. Teknol. Inf.
dan Ilmu Komput. Univ. Brawijaya
, vol. 2, no. 11,
pp. 5375–5383, 2018.
[17] Eko Prasetyo, “Pengolahan Citra Digital dan
Aplikasinya Menggunakan Matlab,” F. S.
Suyantoro, Ed. Yogyakarta: Andi Yogyakarta,
2011, p. 404.
[18] S. Informasi, U. B. Insani, P. Diplodia, E. Fitur, N.
Network, and D. Tree, “Deteksi Penyakit Pada
Tanaman Mangga Dengan Citra Digital : Tinjauan
Literatur Sistematis ( SLR ),” vol. 7, no. 1, pp.
63–72, 2020.
[19] S. Zahrah, R. Saptono, and E. Suryani,
“Identifikasi Gejala Penyakit Padi Menggunakan
Operasi Morfologi Citra,” no. Snik, pp. 100–106,
2016.
[20] R. V. Nahari
et al., “Cow Weight Estimation
Using Local Adaptive Thresholding Method And
Connected Component Labelling,” vol. 1, no. Icst,
pp. 148–152, 2018, doi: 10.2991/icst-18.2018.32.
[21] E. Prasetyo and A. M. Matlab, “Bab 8
SEGMENTASI E. Prasetyo, Pengolahan Citra
digital dan Aplikasinya Menggunakan Matlab,
Yogyakarta: Penerbit ANDI, 2011,” 2011.
[22] W. F. Mahmudy, M. A. Rahman, J. Matematika,
and U. Brawijaya, “Segmentasi Citra Digital
Menggunakan Metode Adaptive Split-and-Merge
yang Dimodifikasi,” no. 2, pp. 127–137.
[23] Ulla Delfana Rosiani, Cahya Rahmad, Marcelina
Alifia Rahmawati, and Frangky Tupamahu,
“Segmentasi Berbasis K-Means Pada Deteksi
Citra Penyakit Daun Tanaman Jagung,”
J. Inform.
Polinema
, vol. 6, no. 3, pp. 37–42, 2020, doi:
10.33795/jip.v6i3.331.
[24] S. S. FI, Ed., “BAB 6 Pengolahan Citra digital dan
Aplikasinya Menggunakan Matlab,” Yogyakarta:
CV.Andi Offset, 2011, p. 155.
[25] A. Mukminin and D. Riana, “Komparasi
Algoritma C4 . 5 , Naïve Bayes Dan Neural
Network Untuk Klasifikasi Tanah,”
J. Inform., vol.
4, no. 1, pp. 21–31, 2017.
[26] E. Kamilah, R. Venantius, H. Ginardi, and C.
Fatichah, “Klasifikasi penyakit noda pada citra
daun tebu berdasarkan ciri tekstur dan warna
menggunakan segmentation-based gray level
cooccurrence matrix dan LAB color moments,”
vol. 3, no. 1, pp. 1–10, 2017.
[27] S. C. Madiwalar and M. V. Wyawahare, “Plant
disease identification: A comparative study,”
2017
Int. Conf. Data Manag. Anal. Innov. ICDMAI
2017
, pp. 13–18, 2017, doi:
10.1109/ICDMAI.2017.8073478.
[28] E. Prasetyo and A. M. Matlab, “BAB
9Pengolahan Citra Digital dan Aplikasinya
Menggunakan Matlab,” Pengolahan., vol. 26, FI.
Sigit Suyantoro, Ed. Yogyakarta: CV.Andi Offset,
2011, pp. 283–284