Identifikasi Penyakit Daun pada Tanaman Padi Menggunakan Ekstraksi Fitur Gray Level Co-occurrence Matrix (GLCM) dan Metode K-Nearest Neighbour (KNN)
DOI:
https://doi.org/10.26418/justin.v12i1.69752Keywords:
Penyakit Daun Padi, K-Nearest Neighbor, Gray Level Co-occurrence Matrix, Image ClassificationAbstract
Negara Indonesia merupakan salah satu negara agrikultur, di mana bidang pertanian berperan penting dalam menjaga keberlangsungan hidup. Hal ini dikarenakan, sebagian besar masyarakat Indonesia menggunakan beras sebagai bahan pangan pokok mereka. Sedangkan ketersedian bahan pangan pokok masyarakat sudah berkurang, karena adanya alih fungsi lahan-lahan pertanian menjadi perumahan, industry, dan lain-lain. Bukan hanya itu saja, permasalahan lain yang dapat menurunkan ketersediaan bahan pangan yaitu seperti, kondisi iklim atau cuaca, system pengairan, serangan hama dan masih banyak lagi permasalahan yang dapat mengakibatkan panen menjadi kurang maksimal. Penggunaan teknologi dalam bidang pertanian seharusnya menjadi lebih mudah dan membantu para petani dalam mendeteksi penyakit yang menyerang daun padi. Karena itu, deteksi dan klasifikasi hama pada daun padi perlu dilakukan untuk mengevaluasi akurasi, presisi, dan recall menggunakan perhitungan matriks kebingungan (confusion matrix) dengan menerapkan algoritma K-Nearest Neighbors (KNN). Dari hasil klasifikasi tersebut menghasilkan nilai akhir akurasi paling tinggi yaitu sebesar 73% pada jarak piksel (d) yaitu 5 dan nilai tetangga (k) yaitu 3 pada offset 0 °. Hal ini menunjukkan bahwa algoritma KNN cukup baik dalam melakukan klasifikasi.
References
T. Purwa, “Perbandingan Metode Regresi Logistik dan Random Forest untuk Klasifikasi Data Imbalanced (Studi Kasus: Klasifikasi Rumah Tangga Miskin di Kabupaten Karangasem, Bali Tahun 2017),†Jurnal Matematika, Statistika dan Komputasi, vol. 16, no. 1, p. 58, Jun. 2019, doi: 10.20956/jmsk.v16i1.6494.
S. Agustiani, Y. Tajul Arifin, A. Junaidi, S. Khotimatul Wildah, and A. Mustopa, “Klasifikasi Penyakit Daun Padi menggunakan Random Forest dan Color Histogram 1,*).†[Online]. Available: https://www.kaggle.com/vbookshelf/rice-leaf-
J. Sosial and E. Pertanian, “The Impact Of Wetland Conversion On Food Security In Daerah Istimewa Yogyakarta,†2018.
A. Damuri, U. Riyanto, H. Rusdianto, and M. Aminudin, “Implementasi Data Mining dengan Algoritma Naïve Bayes Untuk Klasifikasi Kelayakan Penerima Bantuan Sembako,†Jurnal Riset Komputer), vol. 8, no. 6, pp. 2407–389, 2021, doi: 10.30865/jurikom.v8i6.3655.
A. Purnamawati, W. Nugroho, D. Putri, and W. F. Hidayat, “InfoTekJar : Jurnal Nasional Informatika dan Teknologi Jaringan Attribution-NonCommercial 4.0 International. Some rights reserved Deteksi Penyakit Daun pada Tanaman Padi Menggunakan Algoritma Decision Tree, Random Forest, Naïve Bayes, SVM dan KNN,†vol. 5, no. 1, 2020, doi: 10.30743/infotekjar.v5i1.2934.
A. A. Huda, B. Setiaji, and F. R. Hidayat, “Implementasi Gray Level Co-occurrence Matrix (GLCM) untuk Klasifikasi Penyakit Daun Padi,†2022. [Online]. Available: www.ejournal.unib.ac.id/index.php/pseudocode
J. Khatib Sulaiman, G. A. Pongdatu, J. Rusman, and I. Artikel Abstrak, “Klasifikasi Penyakit pada Tanaman Kopi Arabika Menggunakan Metode K-Nearest Neighbor (KNN) Berbasis Citra,†Indonesian Journal of Computer Science, vol. 12, Apr. 2023.
M. M. Baharuddin, H. Azis, and T. Hasanuddin, “Analisis Performa Metode K-Nearest Neighbor untuk Identifikasi Jenis Kaca,†ILKOM Jurnal Ilmiah, vol. 11, no. 3, pp. 269–274, Dec. 2019, doi: 10.33096/ilkom.v11i3.489.269-274.
F. Liantoni, “Klasifikasi Daun Dengan Perbaikan Fitur Citra Menggunakan Metode K-Nearest Neighbor,†ULTIMATICS, vol. VII, no. 2, 2015.
V. Susanti, S. Dwi Nurcahyanti, and D. R. Masnilah, “Perkembangan Penyakit dan Pertumbuhan Lima Varietas Padi (Oryza sativa L.) dengan Sistem Tanam Blok The Development of a Disease and Growth Five Varieties of Rice (Oryza sativa L. ) with a System of Planting Block,†2018.
R. Masnilah, W. Sri Wahyuni, S. Dwi N, A. Majid, H. Susilo, and A. Wafa, “Insiden dan Keparahan Penyakit Penting Tanaman Padi di Kabupaten Jember,†Agritrop, vol. 18, Jul. 2020.
M. A. Azim, M. K. Islam, M. M. Rahman, and F. Jahan, “An effective feature extraction method for rice leaf disease classification,†Telkomnika (Telecommunication Computing Electronics and Control), vol. 19, no. 2, pp. 463–470, Apr. 2021, doi: 10.12928/TELKOMNIKA.v19i2.16488.
M. Muhathir, M. H. Santoso, and D. A. Larasati, “Wayang Image Classification Using SVM Method and GLCM Feature Extraction,†JOURNAL OF INFORMATICS AND TELECOMMUNICATION ENGINEERING, vol. 4, no. 2, pp. 373–382, Jan. 2021, doi: 10.31289/jite.v4i2.4524.
D. P. Pamungkas, “Ekstraksi Citra menggunakan Metode GLCM dan KNN untuk Indentifikasi Jenis Anggrek (Orchidaceae),†Innovation in Research of Informatics (INNOVATICS), vol. 1, no. 2, pp. 51–56, 2019.
A. Pariyandani, E. P. Wanti, and Muhathir, “Analysis of the Naïve Bayes Method in Classifying Formalized Fish Images Using GLCM Feature Extraction,†Journal of Computer Science, Information Technologi and Telecommunication Engineering, Sep. 2020, doi: 10.30596/jcositte.v1i2.5171.
K. Lloyd, P. L. Rosin, D. Marshall, and S. C. Moore, “Detecting violent and abnormal crowd activity using temporal analysis of grey level co-occurrence matrix (GLCM)-based texture measures,†Mach Vis Appl, vol. 28, no. 3–4, pp. 361–371, May 2017, doi: 10.1007/s00138-017-0830-x.
F. Liantoni and H. Nugroho, “Klasifikasi Daun Herbal Menggunakan Metode Naïve Bayes Classifier dan K-Nearest Neighbor,†vol. 5, no. 1, 2015
Downloads
Additional Files
Published
Issue
Section
License
Copyright (c) 2024 JUSTIN (Jurnal Sistem dan Teknologi Informasi)
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
The author owns the copyright in his paper and agrees to publish his paper to JUSTIN by giving the rights to the first publication of his paper which is simultaneously licensed under the Creative Commons Attribution License, namely the Similar International 4.0 license (CC BY-NC-SA 4.0).
This is a human-readable summary of (and not a substitute for) the license. Disclaimer.
You are free to:Share "” copy and redistribute the material in any medium or format
Adapt "” remix, transform, and build upon the material
The licensor cannot revoke these freedoms as long as you follow the license terms.
Under the following terms:
Attribution "” You must give appropriate credit, provide a link to the license, and indicate if changes were made. You may do so in any reasonable manner, but not in any way that suggests the licensor endorses you or your use.
NonCommercial "” You may not use the material for commercial purposes.
ShareAlike "” If you remix, transform, or build upon the material, you must distribute your contributions under the same license as the original.
No additional restrictions "” You may not apply legal terms or technological measures that legally restrict others from doing anything the license permits.
Notices:
You do not have to comply with the license for elements of the material in the public domain or where your use is permitted by an applicable exception or limitation.
No warranties are given. The license may not give you all of the permissions necessary for your intended use. For example, other rights such as publicity, privacy, or moral rights may limit how you use the material.
