UBMUBM

Jurnal Algoritma, Logika dan KomputasiJurnal Algoritma, Logika dan Komputasi

Selada (Lactuca sativa L.) merupakan komoditas hortikultura bernilai ekonomi tinggi, namun produktivitasnya sering terhambat oleh serangan penyakit. Identifikasi manual oleh petani seringkali tidak akurat karena kemiripan gejala visual antar penyakit. Penelitian ini bertujuan untuk membangun sistem identifikasi penyakit otomatis menggunakan Support Vector Machine (SVM) berbasis ekstraksi fitur visual. Penelitian berfokus pada klasifikasi empat kondisi daun selada: Sehat, Bercak Daun Cercospora (disebabkan oleh Cercospora longissima), Tipburn, dan Etiolasi. Metodologi yang digunakan meliputi ekstraksi fitur warna dari ruang warna HSV dan fitur tekstur menggunakan Gray-Level Co-occurrence Matrix (GLCM). Efektivitas augmentasi data dan optimasi hyperparameter menggunakan Particle Swarm Optimization (PSO) juga dievaluasi melalui tiga skenario perbandingan. Hasil penelitian menunjukkan bahwa augmentasi data secara signifikan meningkatkan akurasi model dari baseline 69,57% menjadi 92,28%. Optimasi lebih lanjut dengan PSO berhasil meningkatkan performa hingga mencapai akurasi final sebesar 93,63%. Model terbaik menunjukkan F1-Score yang seimbang di atas 0,91 untuk semua kelas, membuktikan bahwa kombinasi metode ekstraksi fitur HSV dan GLCM, augmentasi data, dan optimasi SVM menggunakan PSO merupakan pendekatan yang andal dan efektif untuk identifikasi penyakit daun selada, serta menawarkan alat bantu yang prospektif untuk pertanian presisi.

Berdasarkan hasil penelitian, dapat disimpulkan bahwa implementasi model SVM dengan fitur gabungan HSV dan GLCM berhasil dilakukan.Augmentasi data terbukti menjadi faktor kunci yang secara drastis meningkatkan akurasi model dari 69.Proses optimasi hyperparameter menggunakan PSO terbukti mampu memberikan peningkatan kinerja lebih lanjut hingga mencapai akurasi final 93.

Penelitian ini membuka peluang untuk eksplorasi lebih lanjut dalam pengembangan sistem identifikasi penyakit tanaman. Pertama, penelitian dapat diperluas dengan menguji model yang dikembangkan pada varietas selada yang berbeda dan kondisi lingkungan yang beragam untuk menguji generalisasi model. Kedua, integrasi dengan teknologi Internet of Things (IoT) dapat dilakukan untuk menciptakan sistem pemantauan penyakit secara real-time di lapangan, memungkinkan petani untuk mengambil tindakan pencegahan secara cepat dan tepat. Ketiga, studi komparatif dengan metode deep learning, seperti Convolutional Neural Network (CNN), perlu dilakukan untuk mengevaluasi trade-off antara akurasi, kompleksitas komputasi, dan kebutuhan data, sehingga dapat menentukan pendekatan yang paling optimal untuk aplikasi pertanian presisi. Pengembangan ini diharapkan dapat memberikan kontribusi signifikan dalam meningkatkan produktivitas dan keberlanjutan sektor pertanian.

  1. Web-Based Writing Learning Application of Basic Hanacaraka Using Convolutional Neural Network Method... doi.org/10.31937/ti.v15i1.2993Web Based Writing Learning Application of Basic Hanacaraka Using Convolutional Neural Network Method doi 10 31937 ti v15i1 2993
Read online
File size505 KB
Pages7
DMCAReport

Related /

ads-block-test