Peningkatan Random Forest dengan menerapkan GLCM (Gray Level Co-Occurence Matrix)  pada Klasifikasi Leaf Blast Tumbuhan Padi

YUSUP MIFTAHUDDIN; SOFIA UMAROH; ADLEO MALIK YAMANI

doi:10.26760/mindjournal.v7i1.37-50

Peningkatan Random Forest dengan menerapkan GLCM (Gray Level Co-Occurence Matrix) pada Klasifikasi Leaf Blast Tumbuhan Padi

YUSUP MIFTAHUDDIN, SOFIA UMAROH, ADLEO MALIK YAMANI

Sari

ABSTRAK

Penyakit leaf blast disebabkan oleh jamur yang bernama Pyricularia Grisea yang dapat menginfeksi daun padiÂ dan menyebabkan gejala penyakit seperti bercak yang berbentuk seperti belah ketupat yang berwarna coklat yang dapat mengakibatkan kematian pada tanaman. TingkatÂ penyebaranÂ penyakitÂ leaf blastÂ sudahÂ meluasÂ hingga di Indonesia yakni pada sentra-sentra produksi padi. Penelitian dilakukan untuk mengidentifikasi Daun Padi dengan ekstraksi ciri GLCM dan klasifikasinya dengan menerapkan metode Random Forest. Jumlah data uji sebanyak 200 yang terdiri dari 100 data daun padi sehat dan 100 data daun padi berpenyakit leaf blast. Penelitian menguji keberhasilan identifikasi penyakit leaf blast dan tidak berpenyakit leaf blast. Pengujian dilakukan dengan berbagai skema yaitu 40 data uji, 80 data uji, 120 data uji, 160 data uji dan 200 data uji. Pengujian menghasilkan nilai akurasi optimal pada data uji 200 sebesar 65%, recall 65%, precision 64% dan F-measure 65% dengan rata â€“ rata pengujian waktu klasifikasi Random Forest sebesar 0.3522s.

Kata kunci: Leaf blast, Random Forest, Padi, GLCM

ABSTRACT

Leaf blast is a disease caused by a fungus called Pyricularia Grisea which can infect rice leaves and cause disease symptoms such as brown rhombus-shaped spots that can cause plant death. The level of spread of leaf blast disease has spread to Indonesia, namely in rice production centers. The research was conducted to identify Rice Leaf with GLCM feature extraction and classification by applying the Random Forest method. The number of test data was 200 consisting of 100 data of healthy rice leaves and 100 data of rice leaves with leaf blast disease. The study tested the success of identification of leaf blast disease and not leaf blast disease. The tests were carried out with various schemes, namely 40 test data, 80 test data, 120 test data, 160 test data and 200 test data. The test resulted in the optimal accuracy value on the 200 test data of 65%, recall 65%, precision 64% and F-measure 65% with an average testing time of Random Forest classification of 0.3522s

Keywords: Leaf blast, Random Forest, Gray-level Cooncurrence Matrix, GLCM

Teks Lengkap:

PDF

Referensi

Balai Besar Penelitian Tanaman Padi. (2015, april 11). Balai Besar Penelitian Tanaman Padi. Diambil kembali dari http://bbpadi.litbang.pertanian.go.id/: http://bbpadi.litbang.pertanian.go.id/index.php/info-berita/info-teknologi/penyakit-blas-pada-tanaman-padi-dan-cara-pengendaliannya#:~:text=Penyakit%20Blas%20Pada%20Tanaman%20Padi%20Dan%20Cara%20Pengendaliannya,-04.11.2015&text=Penyakit%20blas%20disebabka

BREIMAN, L. (2001). Random Forests. Kluwer Academic Publishers.

Dhawangkara, M., & Riksakomara, E. (2017). Prediksi Intensitas Hujan Kota Surabaya dengan Matlab Menggunakan Teknik Random Forest dan CART. Jurnal Teknik ITS.

Desrialdi, A. (2020). Pengolahan Benih Padi (Oryza sativa L.) Inbrida di CV Patria Seed

Indonesia Blitar Jawa Timur.

Dewi, C., Anjarwati, E. F., & Cholissodin, I. (2017). Implementasi citra digital untuk identifikasi

penyakit pada daun padi menggunakan ANFIS. In PROCEEDINGS OF NATIONAL

COLLOQUIUM RESEARCH AND COMMUNITY SERVICE (Vol. 1).

Dian Saktian Tobias, A. R. (2016). Deteksi Glaukoma pada Citra Fundus Retina dengan Metode K-Nearst Neighbor. Seminar Nasional Ilmu Komputer (SNIK 2016), 92.

Gonzale, R., & Wood R, E. (2004). Digital Image Processing Second. Prentice Hall.

Han, J., Kamber, M., & Pei, &. J. (2012). Data Mining Concepts and Techniques. Morgan Kaufman Publisher.

Indraani, S. E., Jumaddina, I. D., & Sinaga, S. R. (2014). Implementasi Edge Detection Pada Citra Grayscale dengan Metode Operator Prewitt dan Operator Sobel. Majalah Ilmiah Inti.

Jani, & Kusanti, N. A. (2018). Klasifikasi Penyakit Daun Padi Berdasarkan Hasil Ekstraksi Fitur GLCM Interval 4 Sudut. Jurnal Informatika: Jurnal Pengembangan IT (JPIT).

Junita, B. D. (2017). Ekstraksi fitur dan klasifikasi menggunakan metode glcm dan svm pada citra mammogram untuk identifikasi kanker Payudara. Jurnal Ilmiah Teknologi dan Rekayasa, 22(1).

Muna, N., Afriansyah, F. L., & Suprayogy, A. B. (2020). Penerapan Algoritma Random Forest Untuk Identifikasi Dehidrasi Berbasis Citra Urine. Jurnal Informatika Polinema, 6(3), 49-54.

Pardede, J., & Husada, M. G. (2016). Comparison of VSM, GVSM, and LSI in information retrieval for indonesian text. Jurnal Teknologi, 78(5-6).

Ratnawati, L., & Sulistyaningrum, D. R. (2020). Penerapan Random Forest untuk Mengukur Tingkat Keparahan Penyakit pada Daun Apel. Jurnal Sains dan Seni ITS, 8(2), A71-A77.

Sudir, S., Nasution, A., Santoso, S., & Nuryanto, B. (2015). Penyakit blas Pyricularia grisea pada tanaman padi dan strategi pengendaliannya. Iptek Tanam. Pangan, vol. 9, no. 2.

Sujaini, H. (2019). Sistem Analis Citra Alat Musik Tradisional dengan Metode k-Nearest Neighbor, Random Forest, dan Support Vector Machine. Jurnal Sistem Informasi Bisnis.

Wang, X., Lee, S., Wang, J., Ma, J., Bianco, T., & Jia, Y. (t.thn.). Xi, Z. (2004). Comparison between American and Chinese Community Building. Dipetik May 10, 2007, dari COMM-ORG: The On-Line Conference on Community Organizing and Development: http://comm-org.wisc.edu/papers2004/zhangxi.htm

Yohannes, Siska Devella, & Ade Hendri Pandrean. (2019). Penerapan Speeded-Up Robust Feature pada Random Forest Untuk Klasifikasi Motif Songket Palembang. Jurnal Teknik Informatika dan Sistem Informasi, Volume 5 Nomor 3.

Yohannes, Siska Devella, & Ade Hendri Pandrean. (2020). Implementasi Random Forest Untuk Klasifikasi Motif. Jurnal Teknik Informatika dan Sistem Informasi, Vol. 7 No. 2.

DOI: https://doi.org/10.26760/mindjournal.v7i1.37-50