Melola Discovery

← Melola Discovery

Open access Jurnal SINTA 2

Pengenalan Spesies Gulma Berdasarkan Bentuk dan Tekstur Daun Menggunakan Jaringan Syaraf Tiruan

IJCCS (Indonesian Journal of Computing and Cybernetics Systems) · Vol. 9 No. 2 (2015) · pp. 207–218

DOI
10.22146/ijccs.7549
ISSN
2460-7258, 1978-1520
Published
2015-07-31
Publisher
IndoCEISS in colaboration with Universitas Gadjah Mada, Indonesia.
Language
eng
License
creativecommons.org/licenses/by-sa/4.0

Abstract

AbstrakGulma merupakan tanaman pengganggu yang merugikan tanaman budidaya dengan menghambat pertumbuhan tanaman budidaya. Langkah awal dalam melakukan pengendalian gulma adalah mengenali spesies gulma pada lahan tanaman budidaya. Cara tercepat dan termudah untuk mengenali tanaman, termasuk gulma adalah melalui daunnya. Dalam penelitian ini, diusulkan pengenalan spesies gulma berdasarkan citra daunnya dengan cara mengekstrak ciri bentuk dan ciri tekstur dari citra daun gulma tersebut. Untuk mendapatkan ciri bentuk, digunakan metode moment invariant, sedangkan untuk ciri tekstur digunakan metode lacunarity yang merupakan bagian dari fraktal. Untuk proses pengenalan berdasarkan ciri-ciri yang telah diekstrak, digunakan metode Jaringan Syaraf Tiruan dengan algoritma pembelajaran Backpropagation. Dari hasil pengujian pada penelitian ini, didapatkan tingkat akurasi pengenalan tertinggi sebesar 97.22% sebelum noise dihilangkan pada citra hasil deteksi tepi Canny. Tingkat akurasi tertinggi didapatkan menggunakan 2 ciri moment invariant (moment dan ) dan 1 ciri lacunarity (ukuran box 4 x 4 atau 16 x 16). Penggunaan 3 neuron hidden layer pada Jaringan Syaraf Tiruan (JST) memberikan waktu pelatihan data yang lebih cepat dibandingkan dengan menggunakan 1 atau 2 neuron hidden layer. Kata kunci—3-5 gulma, daun,moment invariant, lacunarity, jaringan syaraf tiruan AbstractWeeds are plants that harm crops by inhibiting the growth of cultivated plants. The first step to take control of weeds is by identifying weed among the cultivating plant. The fastest and easiest way to identify plants, including weeds is by its leaves. This research proposing weed species recognition based on weeds leaf images by extracting its shape and texture features. Moment invariant method is used to get the shape and Lacunarity method for the texturel. Neural Network with backpropagation learning algorithm are implements for the extracted features recognition proses. The result of this research achievement shows the highest level of recognition accuracy of 97.22% before the noise is eliminated in the image of the Canny edge detection. Highest level of accuracy is obtained using two features from moment invariant (moment and ) and 1 lacunarity’s feature (size box 4 x 4 or 16 x 16). The use of 3 neurons in the hidden layer of Artificial Neural Network (ANN) provide training time data more quickly than by using 1 or 2 hidden layer neurons. Keywords— weed, leaf, moment invariant, lacunarity, artificial neural network

Keywords

Collaboration network of the authors

40 authors · 52 co-authorship links · 15 across different organisations · showing the 40 most connected

Hover or tap a name to highlight its co-authors. Double-click to open the author's page.

  • Universitas Gadjah Mada
  • Universitas Stikubank
  • University of Indonesia
  • State University of Semarang
  • Universitas Pendidikan Ganesha
  • State University of Medan
  • Duta Wacana Christian University
  • Other organisations
  • Affiliation unknown
  • Different organisations
  • Same organisation
  • Affiliation unknown
  • Thicker line = more joint articles · bigger circle = more articles
Show as table
Co-authorOrganisationJoint articles
Edi WinarkoUniversitas Gadjah Mada3
Retantyo WardoyoUniversitas Gadjah Mada2
Sri T. HartatiUniversitas Gadjah Mada2
Edy WinarnoUniversitas Stikubank2
Aniati Murni ArymurthyUniversity of Indonesia2
Kridalaksana Harsa AwangAffiliation unknown1
Zaenal AbidinState University of Semarang1
Yustina RetnoAffiliation unknown1
Abriyono AbriyonoAffiliation unknown1
I Gede Aris GunadiUniversitas Pendidikan Ganesha1
Rocky Yefrenes DillakUniversitas Gadjah Mada1
Ikhwan RusliantoUniversitas Gadjah Mada1
Rahmi HidayatiUniversitas Gadjah Mada1
Salman AliajiUniversitas Gadjah Mada1
Refta ListiaUniversitas Gadjah Mada1
Mahmuddin YunusAffiliation unknown1
Hermawan SyahputraState University of Medan1
Sri SuwarnoDuta Wacana Christian University1
Rajif Agung YunmarSumatera Institute of Technology1
Nurmiyati TamatjitaUniversitas Gadjah Mada1
La Ode Hasnuddin S. SagalaUniversitas Gadjah Mada1
Nicodemus Mardanus SetiohardjoPoliteknik Negeri Kupang1
I Putu Adi PratamaUniversitas Gadjah Mada1
Dian Hafidh ZulfikarUniversitas Gadjah Mada1
Made Leo RadhityaInstitut Bisnis dan Teknologi Indonesia1
Kharis SyabanUniversitas Gadjah Mada1
Pawit RiantoAffiliation unknown1
Adri PriadanaUniversitas Gadjah Mada1
Ade NurhopipahUniversitas Amikom Purwokerto1
Aina MusdholifahUniversitas Gadjah Mada1
Nelson RumuiPoliteknik Negeri Ketapang1
Angga Maulana PurbaUniversitas Gadjah Mada1
Mohammad Edi WibowoAffiliation unknown1
Wahyono WahyonoUniversitas Gadjah Mada1
Abdul KholikUniversitas Gadjah Mada1
Anny Kartika SariUniversitas Gadjah Mada1
Alfian Abdul JalidUniversitas Gadjah Mada1
Nicolaus Euclides Wahyu NugrohoUniversitas Gadjah Mada1

Affiliations come from OpenAlex; journal OAI-PMH metadata carries none. Authors without an OpenAlex ID are matched by name, which can merge or split people.

Metadata source: OAI-PMH (metadata jurnal) https://journal.ugm.ac.id/ijccs/oai, first harvested 26 Okt 2026, last seen 26 Okt 2026.
Original metadata (oai_dc) 
<oai_dc:dc xmlns="http://www.openarchives.org/OAI/2.0/" xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:oai_dc="http://www.openarchives.org/OAI/2.0/oai_dc/" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://www.openarchives.org/OAI/2.0/oai_dc/  http://www.openarchives.org/OAI/2.0/oai_dc.xsd">
	<dc:title xml:lang="en-US">Pengenalan Spesies Gulma Berdasarkan Bentuk dan Tekstur Daun Menggunakan Jaringan Syaraf Tiruan</dc:title>
	<dc:creator>Herman, Herman</dc:creator>
	<dc:creator>Harjoko, Agus</dc:creator>
	<dc:subject xml:lang="en-US"></dc:subject>
	<dc:subject xml:lang="en-US">weed; leaf; moment invariant; lacunarity; artificial neural network</dc:subject>
	<dc:description xml:lang="en-US">AbstrakGulma merupakan tanaman pengganggu yang merugikan tanaman budidaya dengan menghambat pertumbuhan tanaman budidaya. Langkah awal dalam melakukan pengendalian gulma adalah mengenali spesies gulma pada lahan tanaman budidaya. Cara tercepat dan termudah untuk mengenali tanaman, termasuk gulma adalah melalui daunnya. Dalam penelitian ini, diusulkan pengenalan spesies gulma berdasarkan citra daunnya dengan cara mengekstrak ciri bentuk dan ciri tekstur dari citra daun gulma tersebut. Untuk mendapatkan ciri bentuk, digunakan metode moment invariant, sedangkan untuk ciri tekstur digunakan metode lacunarity yang merupakan bagian dari fraktal. Untuk proses pengenalan berdasarkan ciri-ciri yang telah diekstrak, digunakan metode Jaringan Syaraf Tiruan dengan algoritma pembelajaran Backpropagation. Dari  hasil pengujian pada penelitian ini, didapatkan tingkat akurasi pengenalan tertinggi sebesar 97.22% sebelum noise dihilangkan pada citra hasil deteksi tepi Canny. Tingkat akurasi tertinggi didapatkan menggunakan 2 ciri moment invariant (moment  dan ) dan 1 ciri lacunarity (ukuran box 4 x 4 atau 16 x 16). Penggunaan 3 neuron hidden layer pada Jaringan Syaraf Tiruan (JST) memberikan waktu pelatihan data yang lebih cepat dibandingkan dengan menggunakan 1 atau 2 neuron hidden layer. Kata kunci—3-5 gulma, daun ,moment invariant, lacunarity, jaringan syaraf tiruan AbstractWeeds are plants that harm crops by inhibiting the growth of cultivated plants. The first step to take control of weeds is by identifying weed among the cultivating plant. The fastest and easiest way to identify plants, including weeds is by its leaves. This research proposing weed species recognition based on weeds leaf images by extracting its shape and texture features. Moment invariant method is used to get the shape and Lacunarity method for the texturel.  Neural Network with backpropagation learning algorithm are implements for the extracted features recognition proses. The result of this research achievement shows the highest level of recognition accuracy of 97.22% before the noise is eliminated in the image of the Canny edge detection. Highest level of accuracy is obtained using two features from moment invariant (moment  and  ) and 1 lacunarity’s feature (size box 4 x 4 or 16 x 16). The use of 3 neurons in the hidden layer of Artificial Neural Network (ANN) provide training time data more quickly than by using 1 or 2 hidden layer neurons. Keywords— weed, leaf, moment invariant, lacunarity, artificial neural network </dc:description>
	<dc:publisher xml:lang="en-US">IndoCEISS in colaboration with Universitas Gadjah Mada, Indonesia.</dc:publisher>
	<dc:contributor xml:lang="en-US">IndoCEISS</dc:contributor>
	<dc:date>2015-07-31</dc:date>
	<dc:type>info:eu-repo/semantics/article</dc:type>
	<dc:type>info:eu-repo/semantics/publishedVersion</dc:type>
	<dc:type xml:lang="en-US"></dc:type>
	<dc:format>application/pdf</dc:format>
	<dc:identifier>https://journal.ugm.ac.id/ijccs/article/view/7549</dc:identifier>
	<dc:identifier>10.22146/ijccs.7549</dc:identifier>
	<dc:source xml:lang="en-US">IJCCS (Indonesian Journal of Computing and Cybernetics Systems); Vol 9, No 2 (2015): July; 207-218</dc:source>
	<dc:source>2460-7258</dc:source>
	<dc:source>1978-1520</dc:source>
	<dc:language>eng</dc:language>
	<dc:relation>https://journal.ugm.ac.id/ijccs/article/view/7549/5872</dc:relation>
	<dc:rights xml:lang="en-US">Copyright (c) 2015 IJCCS - Indonesian Journal of Computing and Cybernetics Systems</dc:rights>
	<dc:rights xml:lang="en-US">http://creativecommons.org/licenses/by-sa/4.0</dc:rights>
</oai_dc:dc>