Diagnosis Penyakit Tanaman Kedelai Melalui Citra Daun Menggunakan Metode Gabor Filter Dan Multiclass Support Vector Machine

Putra, Rangga Pahlevi and Rahmadwati,, S.T., M.T., Ph.D and Dr-Ing. Onny Setyawati,, S.T., M.T., M.Sc (2018) Diagnosis Penyakit Tanaman Kedelai Melalui Citra Daun Menggunakan Metode Gabor Filter Dan Multiclass Support Vector Machine. Magister thesis, Universitas Brawijaya.

Abstract

Salah satu hasil tanaman pangan yang penting dikonsumsi oleh masyarakat Indonesia adalah kedelai. Kedelai merupakan tanaman polong-polongan yang menjadi sumber protein dan minyak nabati di dunia. Namun karena berbagai penyebab seperti penyakit, serangan hama, dan kondisi cuaca yang tidak stabil menyebabkan penurunan kualitas maupun kuantitas dari produksi kedelai. Dalam rangka memberikan kontribusi dalam mempertahankan produktivitas hasil tanaman kedelai, penggunaan teknologi bisa menjadi salah satu alternatif untuk diterapkan pada budidaya tanaman kedelai. Penelitian ini menyajikan pengembangan teknologi berbasis aplikasi teknik pengolahan citra digital yang digunakan untuk mendeteksi tekstur daun kedelai yang terkena penyakit menggunakan metode Gabor Filter. Diantara penyakit kedelai yang sering muncul adalah lapuk daun (downey mildew), mata katak (frogeye), dan bercak coklat (septoria blight). Pada penelitian ini dipilih metode Gabor Filter karena kehandalannya dalam membedakan tekstur suatu benda dengan cara mengisolasi frekuensi dan orientasi tertentu dari suatu citra sehingga bisa dimengerti oleh sistem visual manusia. Berdasarkan hasil percobaan, diperoleh bahwa parameter masukkan Gabor filter dengan orientasi 45 ̊ dan 135 ̊ dengan kombinasi frekuensi 0,176 Hz menghasilkan hasil keluaran dengan kontras yang cukup jelas. Sedangkan untuk orientasi 30 ̊ dengan kombinasi frekuensi 0,707 Hz dan 0,353 Hz hasil keluaran ekstraksi masih terlihat gelap. Dan untuk orientasi 30 ̊,45 ̊, dan 135 ̊ dengan kombinasi frekuensi 0,088 - 0,011, kondisi keluaran Gabor terlihat terlalu cerah sehingga tampak blur. Untuk kelas downey mildew memperoleh nilai rata-rata energy sebesar 0,0479, sedangkan pada kelas penyakit frogeye memperoleh nilai rata-rata energy sebesar 0,1365. Pada kelas septoria blight memperoleh nilai energy sebesar 0,31. Sedangkan kelas daun normal dan kelas tidak dikenal atau lain masing-masing memperoleh nilai rata-rata sebesar 1,345 dan 2,099. Untuk uji akurasi hasil identifikasi penyakit tanaman kedelai mencapai hasil rata-rata dengan nilai 90%. Selain itu pada penelitian ini juga menerapkan metode machine learning yaitu Multiclass Support Vector Machine sebagai metode klasifikasi penyakit. Untuk pengujian metode M-SVM, didapatkan kesimpulan bahwa untuk iterasi yang baik berada pada nilai 100 dan penggunaan kernel yang terbaik menggunakan kernel Gaussian.

English Abstract

Soybean is of the essential food crop in Indonesia. It is a species of legume family which has source of protein and vegetable oil. Regarding several issues about plant diseases, pests and uncontrollably weather exchange, it might provoke the reduction of either qualities or quantities of soybean production. To raise soybean productivity, the use of technology could be one of alternatives applied in soybean horticulture. This research presents development of technology based on digital image processing for detecting the infected leaf tissue of soybean using the method of Gabor Filter. Some diseases which commonly appeared were downey mildew, frogeye and septoria blight. In this study, we selected the method of Gabor Filter due to its reliability in identifying object’s texture by isolating the frequency and orientation of an object in such a way that visually accepted by human beings. According to the results, the parameter input of Gabor Filter with orientation of 45 ̊ and 135 ̊ combining with 0.176 Hz showed vivid-contrast results. Meanwhile, in the orientation of 30 ̊ combining with 0.707 Hz and 0.353 Hz, showed unvivid-contrast results. The orientation of 30 ̊,45 ̊, and 135 ̊ combining with 0.088 Hz and 0.044 Hz showed blurry results. Its energy value had different characteristics among the classified classes. Downey mildew had energy in average of 0.0479, frogeye had energy in average of 0.1365. Septoria blight had energy value of 0.31, and the normal leave had the energy value between 1.345 and 2.099. The accuracy of soybean plant identification results reached the average value of 90%. In addition, this research study applied machine learning method, i.e. Multiclass Support Vector Machine as diseases classifying method. To test the M-SVM method, it was concluded that the good iteration at the value of 100 was obtained and the best use of kernel was by applying kernel Gaussian

Item Type:	Thesis (Magister)
Identification Number:	TES/006.31/FT/d/2018/041806240
Uncontrolled Keywords:	Daun Kedelai, Gabor Filter, Kernel, Frekuensi, Orientasi, Multiclass Support Vector Machine, Soybean Leaves, Gabor Filter, Kernel, Frequency, Orientation, Multiclass Support Vector Machine.
Subjects:	000 Computer science, information and general works > 006 Special computer methods > 006.3 Artificial intelligence > 006.31 Machine learning
Divisions:	S2/S3 > Magister Teknik Elektro, Fakultas Teknik
Depositing User:	Nur Cholis
Date Deposited:	11 Aug 2022 07:15
Last Modified:	11 Aug 2022 07:17
URI:	http://repository.ub.ac.id/id/eprint/193170

Text DIAGNO~1.PDF Download (3MB)

Actions (login required)

View Item