KLASIFIKASI PENYAKIT PADA DAUN CABAI  MENGGUNAKAN GRAY LEVEL CO-OCCURRENCE MATRIX  DAN K-NEAREST NEIGHBOR

Miftahul Rizky Pulungan; Mhd Furqan; Mhd Ikhsan Rifki

doi:10.46576/syntax.v5i2.5386

KLASIFIKASI PENYAKIT PADA DAUN CABAI MENGGUNAKAN GRAY LEVEL CO-OCCURRENCE MATRIX DAN K-NEAREST NEIGHBOR

Miftahul Rizky Pulungan, Mhd Furqan, Mhd Ikhsan Rifki

Abstract

Penyakit tanaman cabai dapat menyebabkan penurunan produksi yang signifikan, sehingga membuat keberlanjutan pertanian dan pangan. Penelitian ini mengembangkan sistem untuk mengkategorikan daun cabai menggunakan Gray Level Co-occurrence Matrix (GLCM) untuk ekstraksi tekstur dan K-Nearest Neighbors (KNN) untuk klasifikasi. Data citra daun cabai yang digunakan meliputi jenis penyakit virus mosaik cabai, layu fusarium, virus kuning, dan bercak daun. Proses tersebut meliputi pemilihan citra, ekstraksi fitur menggunakan GLCM, dan klasifikasi menggunakan KNN. Hasil penelitian menunjukkan bahwa rasio tersebut dapat mencapai hingga 90%, tergantung pada parameter K. Temuan ini penting bagi dunia pertanian, karena dapat menjadi dasar pengembangan sistem deteksi dini berbasis teknologi, sehingga petani dapat mengambil tindakan lebih cepat dan efektif dalam mengendalikan penyebaran penyakit. Implementasi metode ini memiliki potensi besar untuk meningkatkan efisiensi pengelolaan tanaman, mengurangi kerugian ekonomi, dan mendukung pertanian berkelanjutan.

Kata kunci: Penyakit daun cabai, K-Nearest Neighbor, GLCM, Klasifikasi.

ABSTRACT

Chili plant diseases can cause significant production declines, thus making the sustainability of agriculture and food. This study develops a system to categorize chili leaves using Gray Level Co-occurrence Matrix (GLCM) for texture extraction and K-Nearest Neighbors (KNN) for classification. The chili leaf image data used includes types of chili mosaic virus diseases, fusarium wilt, yellow virus, and leaf spots. The process includes image selection, feature extraction using GLCM, and classification using KNN. The results of the study show that the ratio can reach up to 90%, depending on the K parameter. This finding is important for the world of agriculture, because it can be the basis for the development of a technology-based early detection system, so that farmers can take faster and more effective action in controlling the spread of disease. The implementation of this method has great potential to improve the efficiency of crop management, reduce economic losses, and support sustainable agriculture.

Keywords: Chile leaf disease, K-Nearest Neighbor, GLCM, Classification.

Full Text:

PDF (Bahasa Indonesia)

References

L. Marianah, “Serangga Vektor dan Intensitas Penyakit Virus pada Tanaman Cabai Merah,” AgriHumanis J. Agric. Hum. Resour. Dev. Stud., vol. 1, no. 2, pp. 127–134, 2020, doi: 10.46575/agrihumanis.v1i2.70.

M. Misbahul Munir, P. Kasih, and A. Sanjaya, “Penerapan Arsitektur Mobilenet Dalam Cnn Pada Klasifikasi Penyakit Daun Cabai,” Agustus, vol. 8, pp. 2549–7952, 2024, [Online]. Available: https://proceeding.unpkediri.ac.id/index.php/inotek

A. T. R. Dzaky, “Deteksi Penyakit Tanaman Cabai Menggunakan Metode Convolutional Neural Network,” e-Proceeding Eng., vol. 8, no. 2, pp. 3039–3055, 2021, [Online]. Available: https://openlibrarypublications.telkomuniversity.ac.id/index.php/engineering/article/view/14701/14478

F. Marpaung, F. Aulia, and R. C. Nabila, Computer Vision Dan Pengolahan Citra Digital. 2022. [Online]. Available: www.pustakaaksara.co.id

F. Zikra, K. Usman, and R. Patmasari, “Deteksi Penyakit Cabai Berdasarkan Citra Daun Menggunakan Metode Gray Level Co-Occurence Matrix Dan Support Vector Machine,” Semin. Nas. Has. Penelit. dan Pengabdi. Masy., pp. 105–113, 2021.

I. G. Wirayudhana, “Klasifikasi Mutu Buah Jambu Biji Getas Merah Berdasarkan Tekstur Menggunakan Grey Level Co-Occurence Matrix (GLCM) dengan Klasifikasi KNN,” J. Indones. Sos. Teknol., vol. 2, no. 6, pp. 953–964, 2021, doi: 10.36418/jist.v2i6.166.

M. Furqan, S. Sriani, and S. M. Sari, “Analisis Sentimen Menggunakan K-Nearest Neighbor Terhadap New Normal Masa Covid-19 Di Indonesia,” Techno.Com, vol. 21, no. 1, pp. 51–60, 2022, doi: 10.33633/tc.v21i1.5446.

M. Furqan and A. F. A. Nasir, “Big Data Approach To Sentiment Analysis in Machine Learning-Based Microblogs: Perspectives of Religious Moderation Public Policy in Indonesia,” J. Appl. Eng. Technol. Sci., vol. 5, no. 2, pp. 955–965, 2024, doi: 10.37385/jaets.v5i2.4498.

T. Rahayu, U. N. Solikah, S. J. Rachmawatie, T. Pamujiasih, and M. Ihsan, “Intensifikasi Lahan Pekarangan Dengan Tanaman Hortikultura,” Darmabakti J. Pengabdi. dan Pemberdaya. Masy., vol. 3, no. 1, pp. 32–36, 2022, doi: 10.31102/darmabakti.2022.3.1.32-36.

M. Royun Nuha, T. Andita Putri, and A. Dwi Utami, “Pendapatan Usahatani Cabai Merah Berdasarkan Musim di Provinsi Jawa Tengah,” J. Ilmu Pertan. Indones., vol. 28, no. 2, pp. 323–334, 2023, doi: 10.18343/jipi.28.2.323.

S. Susanna, A. Alfizar, and E. Fitriadi, “Efektivitas Dosis dan Waktu Aplikasi Pupuk Kompos Trico-Glio untuk Pengendalian Penyakit Layu Fusarium (Fusarium sp.) pada Tanaman Cabai Merah (Capsicum annum L.),” Agrikultura, vol. 34, no. 3, p. 435, 2023, doi: 10.24198/agrikultura.v34i3.42422.

N. A. Multazam, H. Nirwanto, and S. Wiyatiningsih, “Deteksi Pola Sebaran Penyakit Virus Kuning pada Tanaman Cabai Rawit Berbasis Analisis Geostatistika Detection of Yellow Virus Disease Patterns in Chili Plants Based on Geostatistical Analysis,” vol. 6, no. 2, pp. 470–478, 2023.

D. Lestari and L. Q. Aini, “PENGUJIAN KONSORSIUM BAKTERI ANTAGONIS UNTUK MENGENDALIKAN PENYAKIT BERCAK DAUN CERCOSPORA DAN VIRUS KUNING PADA TANAMAN CABAI MERAH BESAR (Capsicum annum L.) DI KECAMATAN DAMPIT KABUPATEN MALANG,” J. Hama dan Penyakit Tumbuh., vol. 9, no. 3, pp. 107–114, 2021, doi: 10.21776/ub.jurnalhpt.2021.009.3.5.

T. D. Novianto and I. M. S. Erawan, “Perbandingan Metode Klasifikasi pada Pengolahan Citra Mata Ikan Tuna,” Pros. SNFA (Seminar Nas. Fis. dan Apl., vol. 5, pp. 216–223, 2020, doi: 10.20961/prosidingsnfa.v5i0.46615.

A. I. Putri, M. Furqan, and Suhardi, “Application of Data Mining to Predict Birth Rates in Medan City Using the K-Nearest Neighbor Method,” J. Comput. Sci. Inf. Technol. Telecommun. Eng., vol. 5, no. 1, pp. 504–509, 2024, doi: 10.30596/jcositte.v5i1.17991.

Y. E. Yana and N. Nafi’iyah, “Klasifikasi Jenis Pisang Berdasarkan Fitur Warna, Tekstur, Bentuk Citra Menggunakan SVM dan KNN,” Res. J. Comput. Inf. Syst. Technol. Manag., vol. 4, no. 1, p. 28, 2021, doi: 10.25273/research.v4i1.6687.

W. G. Akbari, N. Hidayat, and N. Santoso, “Diagnosis Penyakit Cabai Menggunakan Metode Fuzzy K-Nearest Neighbor (FKNN),” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 3, no. 1, pp. 1070–1074, 2019, [Online]. Available: http://j-ptiik.ub.ac.id

H. P. Hadi and E. H. Rachmawanto, “Ekstraksi Fitur Warna Dan Glcm Pada Algoritma Knn Untuk Klasifikasi Kematangan Rambutan,” J. Inform. Polinema, vol. 8, no. 3, pp. 63–68, 2022, doi: 10.33795/jip.v8i3.949.

DOI: https://doi.org/10.46576/syntax.v5i2.5386