UBUB

Journal of Information Technology and Computer ScienceJournal of Information Technology and Computer Science

Penyakit tanaman dan serangan hama telah menyebabkan penurunan produksi pangan global hingga 40%, termasuk di Indonesia, membuat sistem deteksi penyakit yang efisien dan akurat menjadi penting untuk mendukung keamanan pangan. Studi ini mengusulkan pendekatan pembelajaran terawasi untuk mendeteksi penyakit daun padi berdasarkan pemrosesan citra. Gambar daun diproses melalui tahapan segmentasi citra, normalisasi, blur Gaussian, deteksi tepi Canny, visualisasi area sakit, dan ekstraksi fitur hibrid. Algoritma pembelajaran terawasi seperti Random Forest (RF), Support Vector Machine (SVM), dan K-Nearest Neighbor (KNN) dilatih dan dibandingkan. Hasil uji menunjukkan bahwa Random Forest memberikan kinerja terbaik dengan akurasi 97%, mengungguli SVM dan KNN. Temuan ini menunjukkan bahwa pendekatan yang diajukan dapat menjadi solusi efektif dan andal untuk deteksi otomatis penyakit daun padi.

Studi ini menunjukkan bahwa kerangka ekstraksi fitur hibrida yang menggabungkan histogram HSV, GLCM, dan fitur bentuk berdasarkan deteksi tepi Canny, serta didukung oleh teknik SMOTE dan algoritma pembelajaran terawasi, mampu memberikan kinerja yang baik dalam klasifikasi penyakit daun padi.Dari tiga model yang dievaluasi, Random Forest mencapai akurasi tertinggi sebesar 97%, mengungguli KNN dan SVM.Hasil ini juga dapat dibandingkan dengan studi sebelumnya menggunakan CNN (96,47%) dan ekstraksi fitur berbasis Random Forest (97,73%), serta menunjukkan kinerja yang lebih baik dibandingkan metode SVM konvensional.Namun, studi ini masih memiliki beberapa keterbatasan, yaitu dataset yang relatif kecil (500 gambar), fokus hanya pada tanaman padi, dan penggunaan gambar yang diambil dalam kondisi terkontrol, yang tidak sepenuhnya merepresentasikan kondisi lapangan nyata.Oleh karena itu, penelitian lanjutan disarankan untuk menggunakan dataset yang lebih besar dan beragam, mencakup berbagai spesies tanaman dan kondisi lingkungan yang berbeda.

Saran penelitian lanjutan yang baru meliputi: (1) Mengembangkan kerangka deteksi penyakit daun padi dengan menggunakan dataset yang lebih besar dan beragam untuk meningkatkan generalisasi model. (2) Menguji kinerja algoritma yang diusulkan dalam kondisi lingkungan nyata untuk memastikan keandalan dalam aplikasi praktis. (3) Menjelajahi penggunaan teknik pembelajaran tidak terawasi atau pembelajaran berbasis kecerdasan buatan untuk meningkatkan akurasi dan efisiensi deteksi penyakit tanaman.

  1. Client Challenge. client challenge javascript disabled browser please enable proceed required part site... doi.org/10.1007/S11042-021-11375-0Client Challenge client challenge javascript disabled browser please enable proceed required part site doi 10 1007 S11042 021 11375 0
  2. Client Challenge. client challenge javascript disabled browser please enable proceed required part site... doi.org/10.1007/978-3-030-60585-8_8Client Challenge client challenge javascript disabled browser please enable proceed required part site doi 10 1007 978 3 030 60585 8 8
  3. Extraction of Shape and Texture Features of Dermoscopy Image for Skin Cancer Identification | Sinkron... doi.org/10.33395/sinkron.v8i2.13557Extraction of Shape and Texture Features of Dermoscopy Image for Skin Cancer Identification Sinkron doi 10 33395 sinkron v8i2 13557
Read online
File size697.79 KB
Pages11
DMCAReport

Related /

ads-block-test