Penerapan K-Nearest Neighbor Untuk Klasifikasi Penyakit Tanaman Kentang Berdasarkan Fitur Warna Dan Tekstur Daun
Keywords:
Klasifikasi, Daun Kentang, Deteksi Penyakit, KNN, Warna Dan TeksturAbstract
Penyakit yang menyebabkan kerugian hasil yang signifikan pada tanaman kentang adalah Phytophthora Infestans (busuk daun kentang) dan Alternaria Solani (busuk awal). Penyakit ini dapat dikenali secara visual karena memiliki karakteristik warna dan tekstur yang unik. Namun, pengawasan langsung memiliki beberapa kekurangan seperti subjektivitas dan akurasi. Melalui gambar, seseorang dapat mempelajari informasi tentang penyakit tanaman seperti tekstur dan warna. Pengolahan gambar adalah salah satu teknik yang paling banyak digunakan untuk mengobati dan mengklasifikasikan penyakit daun pada tanaman. Penelitian ini bertujuan untuk mengembangkan sistem deteksi dini penyakit pada tanaman kentang. Dalam studi ini, metode klasifikasi didasarkan pada fitur tekstur dari Gray Level Co-Occurrence Matrix. Proses ini dilakukan menggunakan K-Nearest Neighbor. Dari studi ini terbukti bahwa klasifikasi penyakit daun pada tanaman kentang dapat dilakukan menggunakan pengolahan gambar digital.
References
[1] T. Arifin, “Analisa Perbandingan Metode Segmentasi Citra Pada Citra Mammogram,” Jurnal Informatika, vol. 3, no. 2, pp. 156-163, 2016.
[2] W. F. Hidayat, T. Asra, dan A. Setiadi, “Klasifikasi Penyakit Daun Kentang Menggunakan Model Logistic Regression,” Indonesian Journal on Software Engineering (IJSE), vol. 8, no. 2, pp. 173-179, 2022.
[3] J. Jumadi, Yupianti, dan D. Sartika, “Pengolahan Citra Digital Untuk Identifikasi Objek Menggunakan Metode Hierarchical Agglomerative Clustering,” Jurnal Sains dan Teknologi, vol. 10, no. 2, pp. 148-156, 2021.
[4] A. Luthfiyah, I. Ein, dan M. M. Santoni, “Identifikasi Penyakit Daun Kentang Berdasarkan Fitur Tekstur dan Warna Dengan Menggunakan Metode K-Nearest Neighbor,” dalam Seminar Nasional Mahasiswa Ilmu Komputer dan Aplikasinya (SENAMIKA), vol. 2, no. 1, pp. 783-791, 2021.
[5] H. Lazi, R. Efendi, dan E. P. Purwandi, “Deteksi Warna Kulit Menggunakan Model Warna CIELAB Neural Network Untuk Identifikasi Ras Manusia (Studi Kasus Ras: Kaukasoid, Mongoloid, dan Negroid),” Jurnal Rekursif, vol. 5, no. 2, pp. 121-133, 2017.
[6] B. P. Pratiwi, A. S. Handayani, dan Sarjana, “Pengukuran Kinerja Sistem Kualitas Udara Dengan Teknologi WSN Menggunakan Confusion Matrix,” Jurnal Informatika UPGRIS, vol. 6, no. 2, pp. 66-75, 2020.
[7] P. N. Utami, V. Arinal, dan I. D. Mulyana, “Klasifikasi Dehidrasi Tubuh Manusia Berdasarkan Citra RGB Pada Warna Urine Menggunakan Metode K-Nearest Neighbor,” Jurnal Media Informatika Budidarma, vol. 4, no. 1, pp. 18-26, 2022.
[8] T. Zebua dan E. Ndruru, “Pengamanan Citra Digital Berdasarkan Modifikasi Algoritma RC4,” Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK), vol. 4, no. 4, pp. 275-282, 2017.
[9] M. Laia, R. K. Hondro, dan T. Zebua, “Implementasi Pengolahan Citra dengan Menggunakan Metode K-Nearest Neighbor Untuk Mengetahui Daging Ayam Busuk dan Daging Ayam Segar,” Jurnal Riset Komputer, vol. 8, no. 2, pp. 2407-389, 2021.
[10] R. L. Hasanah, “Identifikasi Jenis Buah ‘Pyrus’ (Pir) Menggunakan Algoritma Adaptive Neuro Fuzzy Inference System (ANFIS),” EVOLUSI: Jurnal Sains dan Manajemen, vol. 9, no. 1, 2021.
