KLASIFIKASI DAUN TEBU MENGGUNAKAN PENDEKATAN BERBASIS GRAYSCALE, PCA DAN SVM
Article Sidebar
Read Counter : 0
Download : 0
Main Article Content
Abstract
Penelitian ini bertujuan untuk mengembangkan dan mengevaluasi sistem klasifikasi otomatis terhadap empat kategori kondisi daun tebu yaitu healthy, rust, redrot, dan yellow menggunakan dataset sebanyak 800 citra. Metodologi dimulai dengan pra-pemrosesan berupa resizing dan konversi grayscale. Untuk mengatasi dimensi fitur yang tinggi, digunakan Principal Component Analysis (PCA) untuk mereduksi dimensi dengan mempertahankan 98% variansi. Data hasil reduksi kemudian diklasifikasikan menggunakan Support Vector Machine (SVM) kernel linear. Hasil eksperimen menunjukkan akurasi tertinggi diperoleh saat pelatihan menggunakan 80% data dengan nilai akurasi 81,76%. Namun demikian, kategori tertentu seperti healthy dan yellow mengalami penurunan akurasi yang signifikan. Kelemahan utama dari model ini adalah hilangnya informasi warna akibat konversi grayscale. Oleh karena itu, meskipun model menunjukkan performa baik dalam kasus tertentu, pendekatan ini memiliki keterbatasan dalam membedakan gejala penyakit berbasis warna.
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
This work is licensed under a Jurnal Komunikasi Creative Commons Attribution-ShareAlike 4.0 International License.
References
[1] Nurhajijah, “PENGARUH PEMBERIAN NIPAGIN TERHADAP PERKEMBANGAN PENGGEREK BATANG TEBU BERGARIS (Chilo sacchariphagus),” 2022.
[2] I. Topan Adib Amrulloh et al., “EVALUASI AUGMENTASI DATA PADA DETEKSI PENYAKIT DAUN TEBU DENGAN YOLOV8,” 2024.
[3] S. Antony Mrefu, Z. Ibna Mannan, and N. Alam, “Enhanced Image-Based Detection and Segmentation of Plant Leaf Diseases Using Grayscale Conversion and Thresholding Techniques,” vol. 1, no. 3, pp. 132–139, 2024, doi: 10.69626/cai.2024.0132.
[4] P. M. Kai, B. M. de Oliveira, and R. M. da Costa, “Deep Learning-Based Method for Classification of Sugarcane Varieties,” Agronomy, vol. 12, no. 11, Nov. 2022, doi: 10.3390/agronomy12112722.
[5] X. Liu, B. Zhao, and W. He, “Simultaneous feature selection and classification for data-adaptive Kernel-Penalized SVM,” Mathematics, vol. 8, no. 10, pp. 1–22, Oct. 2020, doi: 10.3390/math8101846.
[6] C. N. Govardhini, “Detection of Plant Diseases Using Machine Learning Techniques,” 2022. [Online]. Available: www.ijrpr.com
[7] E. Meirista, M. F. V. Ruslau, Nurhayati, and R. A. Pratama, “Application of Principal Component Analysis (PCA) for Dimensionality Reduction in Watermelon Leaf Classification,” Nusantara Science and Technology Proceedings, pp. 129–139, May 2025, doi: 10.11594/nstp.2025.4815.
[8] M. J. Suarez Baron, A. L. Gomez, and J. E. E. Diaz, “Supervised Learning-Based Image Classification for the Detection of Late Blight in Potato Crops,” Applied Sciences (Switzerland), vol. 12, no. 18, Sep. 2022, doi: 10.3390/app12189371.
[9] I. Zeger, S. Grgic, J. Vukovic, and G. Sisul, “Grayscale Image Colorization Methods: Overview and Evaluation,” IEEE Access, vol. 9, pp. 113326–113346, 2021, doi: 10.1109/ACCESS.2021.3104515.
[10] M. Greenacre, P. J. F. Groenen, T. Hastie, A. I. D’Enza, A. Markos, and E. Tuzhilina, “Principal component analysis,” Nature Reviews Methods Primers, vol. 2, no. 1, Dec. 2022, doi: 10.1038/s43586-022-00184-w.
[11] A. Roy and S. Chakraborty, “Support vector machine in structural reliability analysis: A review,” May 01, 2023, Elsevier Ltd. doi: 10.1016/j.ress.2023.109126.
[12] D. Valero-Carreras, J. Alcaraz, and M. Landete, “Comparing two SVM models through different metrics based on the confusion matrix,” Comput Oper Res, vol. 152, Apr. 2023, doi: 10.1016/j.cor.2022.106131.
[13] B. S. Hantono et al., “Enhancing Counterfeit Detection with Multi-Features on Secure 2D Grayscale Codes,” Computers, vol. 12, no. 9, Sep. 2023, doi: 10.3390/computers12090183.
[14] Baiq Nurul Azmi, Arief Hermawan, and Donny Avianto, “Analisis Pengaruh Komposisi Data Training dan Data Testing pada Penggunaan PCA dan Algoritma Decision Tree untuk Klasifikasi Penderita Penyakit Liver,” JTIM : Jurnal Teknologi Informasi dan Multimedia, vol. 4, no. 4, pp. 281–290, Feb. 2023, doi: 10.35746/jtim.v4i4.298.