IDENTIFIKASI PENYAKIT PADA TANAMAN KENTANG DENGAN K-NEAREST NEIGHBOR BERDASARKAN FITUR WARNA DAN TEKSTUR DAUN

IDENTIFIKASI PENYAKIT PADA TANAMAN KENTANG DENGAN K-NEAREST NEIGHBOR BERDASARKAN FITUR WARNA DAN TEKSTUR DAUN

• By Kahfi, Ahmad Hafidzul;
• Tesis
• 1179

Penyakit-penyakit yang menyebabkan kehilangan hasil yang substansial pada tanaman kentang adalah Phytophthora Infestans (late blight) dan Alternaria Solani (early blight). 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 pada tanaman kentang. Dalam penelitian ini, diusulkan metode klasifikasi berdasarkan fitur tekstur Gray Level Co-occurrence Matrix. Objek penyakit ditemukan dengan menggunakan segmentasi K-Means Clustering, Proses klasifikasi dilakukan dengan menggunakan K-Nearest Neighbor. Dari penelitian yang telah dilakukan menunjukkan bahwa klasifikasi penyakit daun pada tanaman kentang dapat dilakukan menggunakan pengolahan citra digital. Hasil akurasi rata-rata yang diperoleh mencapai 98,3 % dari tiga kategori daun.

• Katakunci Deteksi Penyakit, Daun Kentang, K-Means Clustering, Gray Level Co-Occurrence Matrix, K-Nearest Neighbor
• URL http://
• Penerbit ,

REFERENSI

[1]      D. Oppenheim and G. Shani, “Potato Disease Classification Using Convolution Neural Networks,” Adv. Anim. Precis. Agric., vol. 8, no. 2, pp. 244–249, 2017, doi: 10.1017/s2040470017001376.

[2]      S. Biswas, B. Jagyasi, B. P. Singh, and M. Lal, “Severity Identification of Potato Late Blight Disease from Crop Images Captured under Uncontrolled Environment,” Canada Int. Humanit. Technol. Conf., pp. 1–5, 2014, doi: 10.1109/IHTC.2014.7147519.

[3]      P. U. Rakhmawati, Y. M. Pranoto, and E. Setyati, “Klasifikasi Penyakit Daun Kentang Berdasarkan Fitur Tekstur Dan Fitur Warna Menggunakan Support Vector Machine,” Semin. Nas. Teknol. dan Rekayasa 2018, pp. 1–8, 2018.

[4]      K. W. Monzurul Islam, Anh Dinh and P. Bhowmik, “Detection of Potato Diseases Using Image Segmentation and Multiclass Support Vector Machine,” Can. Conf. Electr. Comput. Eng., pp. 8–11, 2017, doi: 10.1109/CCECE.2017.7946594.

[5]      S. S. Sannakki, V. S. Rajpurohit, V. B. Nargund, and P. Kulkarni, “Diagnosis and Classification of Grape Leaf Diseases using Neural Networks,” ICCCNT, pp. 3–7, 2013.

[6]      H. Waghmare, R. Kokare, and Y. Dandawate, “Detection and Classification of Diseases of Grape Plant Using Opposite Colour Local Binary Pattern Feature and Machine Learning for Automated Decision Support System,” 3rd Int. Conf. Signal Process. Integr. Networks, SPIN 2016, pp. 513–518, 2016, doi: 10.1109/SPIN.2016.7566749.

[7]      R. P. Putra, Rahmadwati, and O. Setyawati, “Klasifikasi Penyakit Tanaman Kedelai Melalui Tekstur Daun dengan Metode Gabor Filter,” J. EECCIS, vol. 12, no. 1, pp. 40–46, 2018.

[8]      P. Narvekar, M. M. Kumbhar, and S. N. Patil, “Grape Leaf Diseases Detection & Analysisusing SGDM Matrix Method,” Int. J. Innov. Res. Comput. Commun. Eng., vol. 2, no. 3, pp. 3365–3372, 2014.

[9]      K. R. Aravind, P. Raja, R. Aniirudh, K. V. Mukesh, R. Ashiwin, and G. Vikas, “Grape Crop Disease Classification Using Transfer Learning Approach,” Int. Conf. ISMAC Comput. Vis. Bio-Engineering, pp. 1623–1633, 2018, doi: 10.1007/978-3-030-00665-5.

[10]    R. Patil, S. Udgave, S. More, D. Nemishte, and M. Kasture, “Grape Leaf Disease Detection Using K-means Clustering Algorithm,” Int. Res. J. Eng. Technol., vol. 3, no. 4, pp. 2330–2333, 2016.

[11]    J. Zhu, A. Wu, X. Wang, and H. Zhang, “Identification of grape diseases using image analysis and BP neural networks,” Multimed. Tools Appl., pp. 1–13, 2019, doi: 10.1007/s11042-018-7092-0.

[12]    N. Agrawal, J. Singhai, and D. K. Agarwal, “Grape Leaf Disease Detection and classification Using Multi-class Support Vector Machine,” Int. Conf. Recent Innov. Signal Process. Embed. Syst., pp. 238–244, 2017, doi: 10.1109/RISE.2017.8378160.

[13]    M. Mentari, H. Ginardi, and C. Fatichah, “SEGMENTASI PENYAKIT PADA CITRA DAUN TEBU MENGGUNAKAN FUZZY C MEANS – SUPPORT VECTOR MACHINE DENGAN FITUR WARNA a*,” JUTI J. Ilm. Teknol. Inf., vol. 13, no. 1, pp. 45–52, 2015, doi: 10.12962/j24068535.v13i1.a387.

[14]    Felix, S. Faisal, T. F. M. Butarbutar, and P. Sirait, “Implementasi CNN dan SVM untuk Identifikasi Penyakit Tomat via Daun,” vol. 20, no. 2, pp. 117–134, 2019.

[15]    P. B. Padol and A. A. Yadav, “SVM Classifier Based Grape Leaf Disease Detection,” Conf. Adv. Signal Process., pp. 175–179, 2016, doi: 10.1109/CASP.2016.7746160.

[16]    Rusli and M. Nasir, “Klasifikasi Jenis Mangga Berdasarkan Bentuk Daun Menggunakan Metode K-Nearest Neighbor,” J. Infomedia, vol. 3, no. 2, pp. 87–91, 2018.

[17]    F. Agustina and Z. A. Ardiansyah, “Identifikasi Citra Daging Ayam Kampung dan Broiler Menggunakan Metode GLCM dan Klasifikasi-NN,” J. INFOKAM, vol. XVI, no. 1, pp. 25–36, 2020.

[18]    L. Ratnawati and D. R. Sulistyaningrum, “Penerapan Random Forest untuk Mengukur Tingkat Keparahan Penyakit pada Daun Apel,” vol. 8, no. 2, pp. A71–A77, 2019.

[19]    S. Pramanda, G. Widestra, N. Hidayat, and R. K. Dewi, “Sistem Diagnosis Penyakit Tanaman Kentang Menggunakan,” vol. 3, no. 4, pp. 4020–4026, 2019.

[20]    Belajartani.com, “8 Hama dan Penyakit Utama pada Tanaman Kentang yang Perlu Diwaspadai,” 2016. [Online]. Available: https://belajartani.com/8-hama-dan-penyakit-utama-pada-tanaman-kentang-yang-perlu-diwaspadai/. [Accessed: 01-Aug-2020].

[21]    K. Banaya, “Jenis Hama Dan Penyakit Pada Tanaman Kentang,” 2019. [Online]. Available: http://cybex.pertanian.go.id/mobile/artikel/84900/Jenis-Hama-Dan-Penyakit-Pada-Tanaman-Kentang/. [Accessed: 01-Aug-2020].

[22]    R. E. Syahputra, “Seminar Nasional Teknologi dan Bisnis 2018,” J. Pelita Inform., vol. 18, no. 2301–1, pp. 62–68, 2019.

[23]    I. Fathurrahman, A. M. Nur, and Fathurrahman, “Identifikasi Kematangan Buah Mentimun Berbasis Citra Digital Menggunakan Jaringan Syaraf Tiruan Backpropagation,” Infotek  J. Inform. dan Teknol., vol. 2, no. 1, pp. 27–33, 2019.

[24]    F. Pranidasari, E. Suhartono, and R. Rahmania, “Deteksi Anemia Melalui Citra Sel Darah Menggunakan Metode Gabor Wavelet Dan Support Vector Machine,” E-proceeding Eng., vol. 6, no. 2, pp. 3776–3781, 2019.

[25]    R. R. Waliyansyah, K. Adi, and J. E. Suseno, “Implementasi Metode Gray Level Co-occurrence Matrix dalam Identifikasi Jenis Daun Tengkawang,” J. Nas. Tek. Elektro dan Teknol. Inf., vol. 7, no. 1, pp. 50–56, 2018, doi: 10.22146/jnteti.v7i1.400.

[26]    S. Zahrah, R. Saptono, and E. Suryani, “Identifikasi Gejala Penyakit Padi Menggunakan Operasi Morfologi Citra,” Semin. Nas. Ilmu Komput. (SNIK 2016), pp. 100–106, 2016.

[27]    N. Sularida, J. Y. Sari, and I. P. N. Purnama, “Identifikasi Tingkat Kematangan Buah Pisang Menggunakan Metode Ektraksi Ciri Statistik Pada Warna Kulit Buah,” ULTIMATICS, vol. 10, no. 2, pp. 98–102, 2018.

[28]    S. Irawan, Y. Hasan, and K. Tampubolon, “Penerapan Metode Clahe Untuk Memperjelas Objek Pantulan Kaca Pada Citra Digital,” KOMIK (Konferensi Nas. Teknol. Inf. dan Komputer), vol. 3, no. 1, pp. 30–35, 2019, doi: 10.30865/komik.v3i1.1563.

[29]    R. Rulaningtyas, A. B. Suksmono, T. L. R. Mengko, and G. A. P. Saptawati, “Segmentasi Citra Berwarna dengan Menggunakan Metode Clustering Berbasis Patch untuk Identifikasi Mycobacterium Tuberculosis,” J. Biosains Pascasarj., vol. 17, no. 1, pp. 1–7, 2015.

[30]    Y. Hapsari and M. F. Hidayattullah, “Deteksi Wajah Dari Berbagai Ras Manusia Menggunakan Warna Kulit Berbasis Ruang Warna L * A * B,” pp. 409–414, 2013.

[31]    I. S. Wibisono and S. Mujiyono, “Segmentasi Fuzzy C-Means Untuk Membantu Identifikasi Kualitas Beras Berdasarkan Nilai Threshold , Warna Dan Ukuran,” Multimatrix, vol. I, no. 1, pp. 22–25, 2018.

[32]    I. B. L. M. Suta, R. S. Hartati, and Y. Divayana, “Diagnosa Tumor Otak Berdasarkan Citra MRI (Magnetic Resonance Imaging),” Maj. Ilm. Teknol. Elektro, vol. 18, no. 2, pp. 149–154, 2019, doi: 10.24843/mite.2019.v18i02.p01.

[33]    T. H. Andika and A. Hafiz, “Analisis Perbandingan Segmentasi Citra Menggunakan Metode K-Means dan Fuzzy C-Means,” Semin. Nas. Teknol. dan Bisnis 2018, pp. 237–246, 2018.

[34]    K. N. Setiawan and I. M. S. Putra, “Klasifikasi Citra Mammogram Menggunakan Metode K-Means, GLCM, dan Support Vector Machine (SVM),” J. Ilm. Merpati (Menara Penelit. Akad. Teknol. Informasi), vol. 6, no. 1, pp. 13–24, 2018, doi: 10.24843/jim.2018.v06.i01.p02.

[35]    D. P. Pamungkas, “Ekstraksi Citra menggunakan Metode GLCM dan KNN untuk Indentifikasi Jenis Anggrek (Orchidaceae),” Innov. Res. Informatics, vol. 1, no. 2, pp. 51–56, 2019.

[36]    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.

[37]    R. Andrian, S. Anwar, M. A. Muhammad, and A. Junaidi, “Identifikasi Kupu-Kupu Menggunakan Ekstraksi Fitur Deteksi Tepi (Edge Detection) dan Klasifikasi K-Nearest Neighbor (KNN),” J. Tek. Inform. dan Sist. Inf., vol. 5, no. 2, pp. 234–243, 2019, doi: 10.28932/jutisi.v5i2.1744.

[38]    S. Arya and R. Singh, “A Comparative Study of CNN and AlexNet for Detection of Disease in Potato and Mango leaf,” IEEE Int. Conf. Issues Challenges Intell. Comput. Tech. ICICT 2019, no. Dl, 2019, doi: 10.1109/ICICT46931.2019.8977648.

[39]    D. Tiwari, M. Ashish, N. Gangwar, A. Sharma, S. Patel, and S. Bhardwaj, “Potato Leaf Diseases Detection Using Deep Learning,” Proc. Int. Conf. Intell. Comput. Control Syst. ICICCS 2020, no. Iciccs, pp. 461–466, 2020, doi: 10.1109/ICICCS48265.2020.9121067.

 

[40]    Y. Zhong, W. Yang, Q. Zhou, and C. Gao, “Feature Fusion and Recognition of Potato Disease Images Based on Improved Fractional Differential Mask and FPCA,” Proc. 2nd Int. Conf. Artif. Intell. Pattern Recognit., pp. 37–41, 2019.