Diagnosis Penyakit Tanaman Kedelai Melalui Citra Daun Menggunakan Metode Gabor Filter Dan Multiclass Support Vector Machine
| Main Authors: | Putra, Rangga Pahlevi, Rahmadwati,, S.T., M.T., Ph.D, Dr-Ing. Onny Setyawati,, S.T., M.T., M.Sc |
|---|---|
| Format: | Thesis NonPeerReviewed Book |
| Bahasa: | eng |
| Terbitan: |
, 2018
|
| Subjects: | |
| Online Access: |
http://repository.ub.ac.id/id/eprint/193170/1/DIAGNO~1.PDF http://repository.ub.ac.id/id/eprint/193170/ |
Daftar Isi:
- Salah satu hasil tanaman pangan yang penting dikonsumsi oleh masyarakat Indonesia adalah kedelai. Kedelai merupakan tanaman polong-polongan yang menjadi sumber protein dan minyak nabati di dunia. Namun karena berbagai penyebab seperti penyakit, serangan hama, dan kondisi cuaca yang tidak stabil menyebabkan penurunan kualitas maupun kuantitas dari produksi kedelai. Dalam rangka memberikan kontribusi dalam mempertahankan produktivitas hasil tanaman kedelai, penggunaan teknologi bisa menjadi salah satu alternatif untuk diterapkan pada budidaya tanaman kedelai. Penelitian ini menyajikan pengembangan teknologi berbasis aplikasi teknik pengolahan citra digital yang digunakan untuk mendeteksi tekstur daun kedelai yang terkena penyakit menggunakan metode Gabor Filter. Diantara penyakit kedelai yang sering muncul adalah lapuk daun (downey mildew), mata katak (frogeye), dan bercak coklat (septoria blight). Pada penelitian ini dipilih metode Gabor Filter karena kehandalannya dalam membedakan tekstur suatu benda dengan cara mengisolasi frekuensi dan orientasi tertentu dari suatu citra sehingga bisa dimengerti oleh sistem visual manusia. Berdasarkan hasil percobaan, diperoleh bahwa parameter masukkan Gabor filter dengan orientasi 45 ̊ dan 135 ̊ dengan kombinasi frekuensi 0,176 Hz menghasilkan hasil keluaran dengan kontras yang cukup jelas. Sedangkan untuk orientasi 30 ̊ dengan kombinasi frekuensi 0,707 Hz dan 0,353 Hz hasil keluaran ekstraksi masih terlihat gelap. Dan untuk orientasi 30 ̊,45 ̊, dan 135 ̊ dengan kombinasi frekuensi 0,088 - 0,011, kondisi keluaran Gabor terlihat terlalu cerah sehingga tampak blur. Untuk kelas downey mildew memperoleh nilai rata-rata energy sebesar 0,0479, sedangkan pada kelas penyakit frogeye memperoleh nilai rata-rata energy sebesar 0,1365. Pada kelas septoria blight memperoleh nilai energy sebesar 0,31. Sedangkan kelas daun normal dan kelas tidak dikenal atau lain masing-masing memperoleh nilai rata-rata sebesar 1,345 dan 2,099. Untuk uji akurasi hasil identifikasi penyakit tanaman kedelai mencapai hasil rata-rata dengan nilai 90%. Selain itu pada penelitian ini juga menerapkan metode machine learning yaitu Multiclass Support Vector Machine sebagai metode klasifikasi penyakit. Untuk pengujian metode M-SVM, didapatkan kesimpulan bahwa untuk iterasi yang baik berada pada nilai 100 dan penggunaan kernel yang terbaik menggunakan kernel Gaussian.