Klasifikasi penyakit noda pada citra daun tebu berdasarkan ciri tekstur dan warna menggunakan segmentation-based gray level co-occurrence matrix dan lab color moments

Ratnasari, Evy Kamilah; Ginardi, Raden Venantius Hari; Fatichah, Chastine

doi:10.26594/register.v3i1.575

Cited by 4 publications

(7 citation statements)

References 11 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…The results of this segmentation process also produced the same optimal accuracy as previous studies that implemented it on sugarcane disease images [7].…”

Section: A Pre-processing Resultssupporting

confidence: 55%

“…This transformation process had been described in the method section that produces an output image, as shown in Figure 3. The use of this approach refers to references from research that had been carried out with almost the same disease object characteristics but with different plant types, namely, stain disease on sugarcane leaf image [7]. The use of this approach in this study is very effective because it can help achieve the highest accuracy of 93%.…”

Section: A Pre-processing Resultsmentioning

confidence: 99%

“…The use of the two feature extraction methods was also used by Kamilah et al [7]. In this study, texture feature extraction or GLCM used the features of Angular Second Moment (ASM), Contrast, Inverse Different Moment (IDM), entropy, and correlation.…”

Section: Feature Extraction Resultsmentioning

confidence: 99%

“…Another study applies a segmentation approach based on Gray Level Co-occurrence Matrix (GLCM) and LAB color moments to classify stain disease on sugarcane leaf images. The proposed algorithm can detect sugarcane leaf disease with an optimum accuracy of 93% [7]. Rakhmawati et al implemented the Support Vector Machine (SVM) method for potato leaf disease classification based on texture and color features [9].…”

Section: Introductionmentioning

confidence: 99%

See 3 more Smart Citations

Disease Detection of Dragon Fruit Stem Based on The Combined Features of Color and Texture

et al. 2021

View full text Add to dashboard Cite

Dragon fruit is one of the favorite commodities in Banyuwangi Regency's agriculture. In 2019, this commodity had the fourth largest harvest area among other fruit commodities in Banyuwangi until it was exported to China. However, disease attacks often appeared in several dragon fruit plantations in Banyuwangi, and the identification system was still conventional. Many farmers did not know the types of disease and how to handle it, causing the quality and quantity of their crops to decline. Therefore, this study implemented two feature extraction methods. Both methods include color feature extraction using the color moments method and texture feature extraction using gray level co-occurrence matrices (GLCM). The methods used to develop a system that recognized or detected the three types of dragon fruit stem based on digital image processing using Support Vector Machine and k-Nearest Neighbors methods as comparison methods. The results obtained from this study indicated that the combination of the two proposed feature extraction methods could distinguish between stem rot, smallpox, and insect stings with an optimal accuracy score of 87.5% obtained by using Support Vector Machine as a classification method.

show abstract

“…The results of this segmentation process also produced the same optimal accuracy as previous studies that implemented it on sugarcane disease images [7].…”

Section: A Pre-processing Resultssupporting

confidence: 55%

Section: A Pre-processing Resultsmentioning

confidence: 99%

Section: Feature Extraction Resultsmentioning

confidence: 99%

Section: Introductionmentioning

confidence: 99%

See 2 more Smart Citations

Disease Detection of Dragon Fruit Stem Based on The Combined Features of Color and Texture

et al. 2021

View full text Add to dashboard Cite

show abstract

“…Beberapa penelitian sejenis yang pernah dilakukan: a. "Klasifikasi Penyakit Noda Pada Citra Daun Tebu Berdasarkan Ciri Tekstur dan Warna Menggunakan Segmentation-Based Gray Level Cooccurrence Matrix (SGLCM) dan Lab Color Moments" [3]. Penelitian ini mengusulkan diagnosis penyakit noda tanaman tebu menggunakan metode pemrosesan citra berdasarkan fitur tekstur SGLCM dan LAB color moments.…”

unclassified

Klasifikasi Penyakit Daun Anggur Menggunakan Metode GLCM, Color Moment dan K*Tree

Simanjuntak¹,

Sinaga²,

Telaumbanua³

et al. 2021

J. Sifo Mikrosk.

View full text Add to dashboard Cite

Tanaman anggur rentan terhadap serangan penyakit dimana penyakit ini dapat diketahui dari bercak yang terdapat pada daun. Contoh penyakit pada tanaman anggur adalah bercak daun, campak hitam dan hawar daun. Penyakit pada daun anggur memiliki kemiripan sehingga sulit untuk dikenali secara visual dan berdampak pada kurang akuratnya penyakit yang diidentifikasi. Tujuan dari penelitian adalah untuk membangun aplikasi klasifikasi penyakit pada citra daun anggur sehingga dapat memberikan informasi jenis penyakit. Klasifikasi menggunakan Gray Level Co-Occurrence Matrix (GLCM), Color Moment, dan K*Tree. Untuk dapat diklasifikasi, terlebih dahulu dilakukan proses pelatihan. Proses pelatihan diawali dengan input citra digital, kemudian ditransformasi dari Red Green Blue (RGB) ke Grayscale, ekstraksi fitur tekstur dengan GLCM dan ekstraksi fitur warna dengan Color Moment untuk mengetahui jenis penyakit daun anggur yang diklasifikasi. Hasil pelatihan disimpan ke basis data. Saat klasifikasi dengan K*Tree dilakukan pemrosesan citra input dengan cara yang sama saat pelatihan, kemudian dibandingkan dengan hasil pelatihan. Pengujian menggunakan 250 citra daun anggur yang diperoleh dari Dataset Kaggle, dimana 150 citra digunakan sebagai data latih dan 100 citra sebagai data uji. Hasil pengujian menunjukkan rata- rata akurasi dari klasifikasi adalah 87.5%, rata- rata presisi adalah 74.8%, rata- rata recall adalah 75% dan rata-rata error adalah 12.5%.

show abstract

Klasifikasi Citra Burung Jalak Menggunakan Artificial Neural Network dan Random Forest

Rahman

2022

JEPIN

View full text Add to dashboard Cite

Klasifikasi Citra Burung Jalak Menggunakan Fitur ekstraksi GLCM dan Artificial Neural Network sebelumnya sudah pernah diteliti. Hasil dalam penelitian tersebut menunjukkan tingkat akurasi dalam klasifikasi jenis burung jalak hanya mencapai 49,20% dengan split ratio 50:50.Oleh karena itu, peneliti mengusulkan klasifikasi citra burung jalak menggunakan Artificial Neural Network dan Random Forest. Klasifikasi ini bertujuan untuk meningkatkan hasil akurasi sebelumnya. Hasil dalam pengujian yang dilakukan antara Artificial Neural Network dengan Random Forest bisa disimpulkan bahwa pada fitur Wavelet memiliki hasil yang maksimal pada proses klasifikasi burung jalak. Hasil dalam pengujian dimulai dengan Artificial Neural Network memiliki nilai tertinggi pada precision mencapai 0.986, recall 0.987, f-measure sebesar 0.988 dan accuracy sebesar 89% pada split ratio 50:50. Hasil dari Random Forest memiliki nilai tertinggi pada precision mencapai 1.000, recall mencapai 0.877, f-measure mencapai 0.975 dan accuracy mencapai 100% dengan perbandingan mulai dengan 50:50. Hasil klasifikasi citra burung jalak dari segi matrix confusion menunjukkan bahwa perbandingan data antara 10:90 sampai dengan 90:10 juga sangat berpengaruh dalam proses ketepatan dalam mengklasifikasi. Pengujian yang telah dilakukan telah membuktikan bahwa metode Random Forest dapat memperbaiki kinerja dan hasil pada metode Artificial Neural Network. Serta dalam hal ini menunjukkan Random Forest lebih baik dalam ketepatan dan keakuratan dibandingkan dengan Artificial Neural Network dalam mengklasifikasi jenis burung jalak

show abstract

Klasifikasi penyakit noda pada citra daun tebu berdasarkan ciri tekstur dan warna menggunakan segmentation-based gray level co-occurrence matrix dan lab color moments

Cited by 4 publications

References 11 publications

Disease Detection of Dragon Fruit Stem Based on The Combined Features of Color and Texture

Disease Detection of Dragon Fruit Stem Based on The Combined Features of Color and Texture

Klasifikasi Penyakit Daun Anggur Menggunakan Metode GLCM, Color Moment dan K*Tree

Klasifikasi Citra Burung Jalak Menggunakan Artificial Neural Network dan Random Forest

Contact Info

Product

Resources

About