Klasifikasi Penyakit Jeruk Menggunakan Ekstraksi Fitur Co-Occurence Matrix (GLCM) dan Algoritma Neural Network (NN)

Retno Wahyusari, Siti Nuralimah

Abstract


Buah jeruk merupakan bagian terpenting dari makanan sehari-hari kita bukan hanya karena rasanya yang enak, tetapi juga karena nilai gizi dan manfaat kesehatannya yang tinggi. Mengingat jeruk memiliki peran penting dalam hasil produksi maka penentuan mutu sangat diperlukan. Proses pemisahan mutu jeruk dilakukan dengan proses klasifikasi. Dalam proses pengklasifikasian citra penyakit jeruk digunakan 5 jenis penyakit jeruk paling umum yaitu Scab, Canker, Black Spot (bintik hitam) dan Greening. Penelitian ini menggunakan ekstraksi fitur GLCM karena GLCM merupakan deskriptor tekstur yang efektif. GLCM digunakan untuk mengambil nilai atribut citra atau matrik, pertama dilakukan pengambilan data set citra penyakit yang didapat 103 citra. Kemudian pembentukan matrik GLCM sudut 0˚, 45˚, 90˚ dan 135˚, ekstraksi fitur GLCM yang digunakan yaitu Korelasi, Kontras, IDM, ASM dan Entropi dengan tool Matlab dan menggunakan Algoritma Klasifikasi. Penelitian ini menggunakan Algotima Neural Network karena dapat mengklasifikasikan dengan baik dan tingkat akurasi yang baik. Tahap evaluasi menggunakan Cross Validation dengan penentuan K=10 folds dengan tool Rapid Miner. Hasil penelitian menunjukkan bahwa dengann menambahkan Etropi mampu menaikkan tingkat akurasi sebesar 6,73% dengan rincian akurasi sebagai berikut  71,09%  Tanpa Entropi dan 77,82% dengan Entropi. Hal ini menunjukkan bahwa Entropi memiliki pengaruh yang cukup besar dalam meningaktkan akurasi karena menunjukkan ketidakteraturan tekstur pada setiap citra.

Keywords


Cross Validation, GLCM, Neural Network

Full Text:

PDF

References


S. F. Syed-Ab-Rahman, M. H. Hesamian, dan M. Prasad, “Citrus disease detection and classification using end-to-end anchor-based deep learning model,” Appl. Intell., vol. 52, no. 1, hal. 927–938, 2022, doi: 10.1007/s10489-021-02452-w.

G. Ma, Lancui Zhang, Minoru Sugiura, dan M. Kato, “The Genus Citrus,” in The Genus Citrus, F. G. G. Manuel Talon, Marco Caruso, Ed. Woodhead Publishing, 2020, hal. 495–511.

S. Janarthan, S. Thuseethan, S. Rajasegarar, Q. Lyu, Y. Zheng, dan J. Yearwood, “Deep metric learning based citrus disease classification with sparse data,” IEEE Access, vol. 8, hal. 162588–162600, 2020, doi: 10.1109/ACCESS.2020.3021487.

P. Dhiman et al., “A Novel Deep Learning Model for Detection of Severity Level of the Disease in Citrus Fruits,” Electron., vol. 11, no. 3, hal. 1–14, 2022, doi: 10.3390/electronics11030495.

R. Widodo, A. W. Widodo, dan A. Supriyanto, “Pemanfaatan Ciri Gray Level Co-Occurrence Matrix ( GLCM ) Citra Buah Jeruk Keprok ( Citrus reticulata Blanco ) untuk Klasifikasi Mutu,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 2, no. 11, hal. 5769–5776, 2018.

H. T. Rauf, B. A. S. B, M. I. U. Lal, M. A. Khan, M. Sharif, dan S. A. C. Bukhari, “Data in brief A citrus fruits and leaves dataset for detection and classi fi cation of citrus diseases through machine learning,” Data Br., vol. 26, 2019, doi: 10.1016/j.dib.2019.104340.

J. Abdulridha, O. Batuman, dan Y. Ampatzidis, “UAV-based remote sensing technique to detect citrus canker disease utilizing hyperspectral imaging and machine learning,” Remote Sens., vol. 11, no. 11, 2019, doi: 10.3390/rs11111373.

M. Astiningrum, P. P. Arhan, dan N. A. Ariditya, “Identifikasi penyakit pada daun tomat berdasarkan fitur warna dan tekstur,” J. Inform. Polinema, vol. 2614–6378, hal. 47–50, 2020.

Suhendri dan P. Rahayu, “Metode Grayscale Co-occurrence Matrix ( GLCM ) Untuk Klasifikasi Jenis Daun Jambu Air Menggunakan Algoritma Neural Network,” J. Inf. Technol., vol. 01, no. 01, hal. 15–22, 2019.

H. M. Nawawi, J. J. Purnama, dan A. B. Hikmah, “Komparasi Algoritma Neural Network Dan Naïve Bayes Untuk Memprediksi Penyakit Jantung,” J. Pilar Nusa Mandiri, vol. 15, no. 2, hal. 189–194, 2019, doi: 10.33480/pilar.v15i2.669.

Abdul Kadir dan Adhi Susanto, Teori dan Aplikasi Pengolahan Citra, I. Yogyakarta: Andi Yogyakarta, 2013.


Refbacks

  • There are currently no refbacks.


Editorial Office :

Prosiding SENDIKO (Seminar Nasional Hasil Penelitian & Pengabdian Masyarakat Bidang Ilmu Komputer)
Published by Universitas PGRI Madiun
Managed by Program Studi Sistem Informasi Fakultas Teknik Universitas PGRI Madiun
Address Jl. Auri 14-16 Kota Madiun Kampus III Universitas PGRI Madiun 63118
Website http://prosiding.unipma.ac.id/index.php/sendiko/index
Email sendiko@unipma.ac.id

e-ISSN:  3025-4604