Identifikasi Penyakit pada Daun Tebu dengan Gray Level Co-Occurrence Matrix dan Color Moments

Abstract

Abstrak Karat dan mosaik adalah penyakit pada tebu yang menyerang tebu di Indonesia dan menimbulkan kerugian. Teknologi informasi untuk deteksi penyakit tebu diperlukan dalam menunjang peningkatan produksi tebu yang dapat menghasilkan panen optimal. Penelitian yang berkembang dalam identifikasi penyakit tanaman melalui identifikasi citra digital daun belum ada yang khusus membahas tebu, tetapi mengenai penyakit tanaman secara umum. Penelitian ini membangun sistem identifikasi penyakit pada daun tebu melalui identifikasi citra digital daun dengan pemilihan fitur tekstur dan warna melalui gray level co-occurrence matrix (GLCM) dan color moments. Tahap awal penelitian adalah pengumpulan data citra daun tebu berpenyakit dari survei lapangan. Tahap selanjutnya adalah pre-processing citra untuk dapat diolah ke tahap selanjutnya yaitu ekstraksi fitur. Ekstraksi fitur tekstur dilakukan dengan gray level co-occurrence matrix (GLCM) dan ekstraksi fitur warna dengan color moments. Klasifikasi dilakukan berdasarkan fitur yang telah diekstraksi sebelumnya. Penelitian ini menggunakan metode klasifikasi support vector machine (SVM). Pengujian dilakukan untuk mengetahui fitur yang kemunculannya menyebabkan perubahan dalam hasil klasifikasi dengan 4 skenario meliputi penghapusan fitur bentuk, pemilihan fitur tekstur, pemilihan fitur warna, dan kombinasi fitur tekstur dan warna. Kombinasi fitur tekstur dengan GLCM correlation, energy, homogeneity dan variance bersama fitur warna dengan color moments 1,2 dan 3 yang diuji pada skenario 4 merupakan kombinasi fitur yang direkomendasikan untuk identifikasi penyakit pada daun tebu dengan akurasi 97%. Kata kunci: ekstraksi fitur, penyakit tebu, citra daun, GLCM, dan color moments. Abstract Mosaic and rust are sugarcane diseases that happen in Indonesia and has considerable economic impact. Information technology for sugarcane disease detection is useful in supporting optimal sugarcane production. Most of current researches are about plant disease identification in general. There is no specific research about identification of sugarcane disease. This research proposes a sugarcane disease identification from sugarcane leaf image with gray level co-occurrence matrix (GLCM) and color moments. This research begins with collecting data from field survey. After sugarcane leaf images are captured through a field survey, they are pre-processed in order to be used in the features extraction step. Extracted features from these images are texture and color. Texture feature extraction is conducted by GLCM while color feature extraction is conducted by color moments. Classification method which is used in this research is support vector machine (SVM). Test conducted to find distinctive feature that has a significant impact in classification, there are 4 scenario to test the effects in deletion of shape feature, selection of texture and color feature, and also combination of texture and color feature. Texture feature with GLCM correlation, energy, homogeneity and variance combined with color moments 1, 2 and 3 for color feature extraction in 4th scenario is an appropriate feature for identification of sugarcane leaf disease with 97% classification accuracy. Keywords: feature extraction, sugarcane disease, leaf image, GLCM and color moments.