SEGMENTASI K-MEANS CITRA DAUN TIN DENGAN KLASIFIKASI EKSTRASI CIRI GLCM

• MUHAMMAD QOMARUDDIN
• 14002209

---

ABSTRAK

ABSTRAK

 

 

Nama                 : Muhammad Qomaruddin

NIM                  :         14002209

Program Studi   : Magister Ilmu Komputer

Jenjang              : Strata Dua (S2)

Konsentrasi       : Image Processing

Judul                 : “Segmentasi K-Means dan Klasifikasi Naive Bayes pada Citra Daun Tin Dengan Ekstrasi Ciri GLCM”

 

            Tanaman Tin dengan nama latin Ficus Caric adalah sejenis tanaman buah dari sejenis pohon yang banyak tumbuh di kawasan daerah tropis dan subtropis. Tanaman Tin saat ini  sudah banyak dibudidayakan di Indonesia. Tanaman Tin dapat tumbuh hingga 10 meter, dengan batang lunak berwarna abu-abu dimana daunnya cukup besar dan berlekuk dalam 3 atau 5 cuping. Buah Tin memiliki buah yang berwarna kuning kecoklatan, dengan rasa yang manis. Cerotelium Fici adalah jenis penyakit karat daun yang menyerang pada daun tin, dan menjadi ancaman terbesar terhadap produksi buah tin. Penyakit lain yang menyerang pada tanaman tin adalah kutu kebul dan virus mosaik. Virus mosaik ini pertama kali muncul di California dan menyebar ke sebagaian besar wilayah Indonesia dan Amerika Serikat. Daun tin yang terinfeksi virus ini menjadi bintik-bintik cokelat menyebabkan pertumbuhan tanaman tin menjadi lambat dan cacat pada buah tin. Dalam perkembangan ilmu pengetahuan dan teknologi, cara untuk mendeteksi penyakit pada tanaman tin seperti karat daun, virus mosaik dan kutu kebul dapat dilakukan dengan bantuan pengolahan citra. Untuk itu penelitian ini bertujuan melakukan pengolahan citra berupa segmentasi ROI pada citra daun tin yang dianalisa dengan ekstrasi fitur GLCM dengan mengklasifikasikan Algoritma C4.5 dan Naïve Bayes untuk mendapatkan akurasi terbaik dalam klasifikasi penyakit citra daun tin . Setelah itu, dilakukan analisis tekstur menggunakan metode Grey Level Co-Occurance Matrix (GLCM) dan segmentasi k-means clustring dalam pengolahan citra daun tin.

 

Kata kunci : K-Means, GLCM, Algoritma Naïve Bayes, Segmentasi

KATA KUNCI

Metode K-means,Naive Bayes

---

DAFTAR PUSTAKA

DAFTAR PUSTAKA

 

 

[1]      R. Purnamasari, D. Winarni, A. A. Permanasari, E. Agustina, S. Hayaza, and W. Darmanto, “Anticancer Activity of Methanol Extract of Ficus carica Leaves and Fruits Against Proliferation, Apoptosis, and Necrosis in Huh7it Cells,” Cancer Inform., vol. 18, pp. 0–6, 2019, doi: 10.1177/1176935119842576.

[2]      Y. Zhang, Y. Wan, B. Huo, B. Li, Y. Jin, and X. Hu, “Extracts and components of ficus carica leaves suppress survival, cell cycle, and migration of triple-negative breast cancer MDA-MB-231 cells,” Onco. Targets. Ther., vol. 11, pp. 4377–4386, 2018, doi: 10.2147/OTT.S171601.

[3]      J. Kamas, M. Nesbitt, and L. Stein, “Te x a s F r u i t a n d N u t P r o d u c t i o n,” pp. 1–7.

[4]      J. P. Gaikwad, “Region of Interest of Diseased Leaf using Overlapping Window Technique,” vol. 10, no. 1, pp. 865–868, 2017.

[5]      S. Hadianti and D. Riana, “Segmentation and Image Analysis for Image Microscopic Pap Smear,” vol. xx, no. x, 2017.

[6]      V. K. Mishra, S. Kumar, and N. Shukla, “Image Acquisition and Techniques to Perform Image Acquisition,” SAMRIDDHI  A J. Phys. Sci. Eng. Technol., vol. 9, no. 01, pp. 3–6, 2017, doi: 10.18090/samriddhi.v9i01.8333.

[7]      F. R. Lestari, J. Y. Sari, Sutardi, and I. Purwanti, “Deteksi Penyakit Tanaman Jeruk Siam Berdasarkan Citra Daun,” no. December, pp. 276–283, 2018.

[8]      F. G. Febrinanto, C. Dewi, and A. T. Wiratno, “Implementasi Algoritme K-Means Sebagai Metode Segmentasi Citra Dalam Identifikasi Penyakit Daun Jeruk,” J. Pengemb. Teknol. Inf. dan Ilmu Komput. Univ. Brawijaya, vol. 2, no. 11, pp. 5375–5383, 2018.

[9]      Eko Prasetyo, “Pengolahan Citra Digital dan Aplikasinya Menggunakan Matlab,” F. S. Suyantoro, Ed. Yogyakarta: Andi Yogyakarta, 2011, p. 404.

[10]    S. Informasi, U. B. Insani, P. Diplodia, E. Fitur, N. Network, and D. Tree, “Deteksi Penyakit Pada Tanaman Mangga Dengan Citra Digital?: Tinjauan Literatur Sistematis ( SLR ),” vol. 7, no. 1, pp. 63–72, 2020.

[11]    S. Zahrah, R. Saptono, and E. Suryani, “Identifikasi Gejala Penyakit Padi Menggunakan Operasi Morfologi Citra,” no. Snik, pp. 100–106, 2016.

[12]    R. V. Nahari et al., “Cow Weight Estimation Using Local Adaptive Thresholding Method And Connected Component Labelling,” vol. 1, no. Icst, pp. 148–152, 2018, doi: 10.2991/icst-18.2018.32.

[13]    E. Prasetyo and A. M. Matlab, “Bab 8 SEGMENTASI E. Prasetyo, Pengolahan Citra digital dan Aplikasinya Menggunakan Matlab, Yogyakarta: Penerbit ANDI, 2011,” 2011.

[14]    W. F. Mahmudy, M. A. Rahman, J. Matematika, and U. Brawijaya, “Segmentasi Citra Digital Menggunakan Metode Adaptive Split-and-Merge yang Dimodifikasi,” no. 2, pp. 127–137.

[15]    Ulla Delfana Rosiani, Cahya Rahmad, Marcelina Alifia Rahmawati, and Frangky Tupamahu, “Segmentasi Berbasis K-Means Pada Deteksi Citra Penyakit Daun Tanaman Jagung,” J. Inform. Polinema, vol. 6, no. 3, pp. 37–42, 2020, doi: 10.33795/jip.v6i3.331.

[16]    S. S. FI, Ed., “BAB 6 Pengolahan Citra digital dan Aplikasinya Menggunakan Matlab,” Yogyakarta: CV.Andi Offset, 2011, p. 155.

[17]    A. Mukminin and D. Riana, “Komparasi Algoritma C4 . 5 , Naïve Bayes Dan Neural Network Untuk Klasifikasi Tanah,” J. Inform., vol. 4, no. 1, pp. 21–31, 2017.

[18]    E. Kamilah, R. Venantius, H. Ginardi, and C. Fatichah, “Klasifikasi penyakit noda pada citra daun tebu berdasarkan ciri tekstur dan warna menggunakan segmentation-based gray level cooccurrence matrix dan LAB color moments,” vol. 3, no. 1, pp. 1–10, 2017.

[19]    S. C. Madiwalar and M. V. Wyawahare, “Plant disease identification: A comparative study,” 2017 Int. Conf. Data Manag. Anal. Innov. ICDMAI 2017, pp. 13–18, 2017, doi: 10.1109/ICDMAI.2017.8073478.

[20]    E. Prasetyo and A. M. Matlab, “BAB 9Pengolahan Citra Digital dan Aplikasinya Menggunakan Matlab,” Pengolahan., vol. 26, FI. Sigit Suyantoro, Ed. Yogyakarta: CV.Andi Offset, 2011, pp. 283–284.