Klasifikasi Penyakit Daun Padi Berdasarkan Hasil Ekstraksi Fitur GLCM Interval 4 Sudut

Abstract

One of the factors causing rice production depression is a typical disease in rice plants. Typical of disease in rice plants, among others, such Blast Disease, Leaf Blight Disease, Disease Hawar On Stem, Crackle Disease and so on. Each type of disease requires different treatment, but not all farmers know the type of disease so as to allow for errors in the handling. This research made an application program that can identify rice pests to facilitate farmers solve the problems of rice plants disease since it becomes important to make a disease classification system on the leaves of rice plants. This research uses backpropagation method to classify the type of disease resulting from feature extraction of GLCM with 4 angles. Results obtained 80% accuracy from 30 data, with 16 seconds testing time.

Klasifikasi Penyakit Pada Padi Dengan Ekstraksi Fitur LBP dan GLCM

“…Namun, terkadang akan menjadi masalah ketika petani tidak berada di sawah tersebut sehingga tanaman padi yang terjangkit penyakit tidak dapat dicegah. Untuk mengetahui daun yang terjangkit oleh penyakit, dapat dibedakan berdasarkan perubahan morfologi yang terjadi pada daunnya [2]. Analisis tentang identifikasi penyakit pada tanaman dengan menyajikan sebuah metode berdasarkan warna, deteksi tepi dan histogram yang cocok.…”

Rice Classification with K-Nearest Neighbor based on Color Feature Extraction and Invariant Moment

“…Melalui metode backpropagation pada pengolahan citra, dengan klasfikasi dari nilai ciri setiap citra penyakit daun padi yang digunakan. Sistem ini memiliki akurasi mencapai 80% dari 30 data dengan waktu 16 detik dalam melakukan identifikasi penyakit pada citra daun tanaman padi [8].…”

“…Sebagian riset lebih dahulu telah sempat memakai cara klasifikasi yang berbeda antara lain dengan memakai cara Convolution Neural Network (CNN) dengan membuahkan ketepatan penataran pembibitan menggapai 100%, ketepatan validasi sebesar 83.3%, serta angka ketepatan dalam confusion matrix menghasilkan sebesar 92% [7]. Dalam riset lain memakai cara ekstraksi fitur GLCM interval 4 sudut menghasilkan dari 30 data 80% data valid dengan durasi 16 s [8]. Riset klasifikasi penyakit padi yang lain mengenakan citra daun dengan model terlatih Resnet101 dengan hasil akurasi sebesar 100% serta loss sebesar 5,61% [9].…”