Identifikasi Penyakit Daun Pisang Berbasis Citra Warna dengan Ekstraksi ResNet50 dan Support Vector Machine

Alwie Muflich; Kusrini Kusrini

doi:10.33506/insect.v12i01.5460

Authors

Alwie Muflich Program Studi Teknik informatika, Universitas Amikom Yogyakarta
Kusrini Kusrini Program Studi Teknik informatika, Universitas Amikom Yogyakarta

DOI:

https://doi.org/10.33506/insect.v12i01.5460

Keywords:

CNN, Support Vector Machine, Penyakit Daun Pisang, citra warna, ResNet50

Abstract

Penyakit daun pisang merupakan salah satu faktor utama yang menyebabkan penurunan produktivitas tanaman pisang. Identifikasi penyakit secara manual masih memiliki keterbatasan karena bersifat subjektif, membutuhkan keahlian khusus, dan kurang efisien pada skala besar. Oleh karena itu, penelitian ini mengusulkan sistem identifikasi penyakit daun pisang berbasis citra warna dengan pendekatan ekstraksi fitur menggunakan Convolutional Neural Network (CNN) berbasis ResNet50 dan klasifikasi menggunakan Support Vector Machine (SVM). Dataset yang digunakan terdiri dari empat kelas, yaitu daun sehat, Sigatoka, layu Fusarium, dan bercak Cordana, dengan pembagian data training 70%, validasi 15%, dan testing 15%. Tahapan penelitian meliputi pra-pemrosesan citra, augmentasi data, ekstraksi fitur menggunakan CNN, serta klasifikasi menggunakan SVM dengan beberapa variasi kernel. Selain itu, dilakukan analisis perbandingan ruang warna RGB dan HSV untuk mengetahui representasi warna yang paling efektif dalam mendukung proses klasifikasi. Hasil penelitian menunjukkan bahwa kombinasi CNN dan SVM kernel RBF memberikan akurasi validasi sebesar 99,52% dan akurasi testing sebesar 99,04%, serta nilai precision, recall, dan F1-score yang seimbang. Analisis fitur warna menunjukkan bahwa ruang warna HSV lebih stabil terhadap variasi pencahayaan, namun kombinasi RGB dan HSV mampu memberikan representasi warna yang lebih lengkap. Hasil penelitian ini menunjukkan bahwa metode CNN–SVM efektif dalam mengidentifikasi penyakit daun pisang secara akurat dan berpotensi diterapkan pada sistem deteksi dini berbasis kecerdasan buatan di bidang pertanian.

References

[1] P. K. Sethy and B. Behera, “Detection of plant leaf diseases using image processing and machine learning: A review,” Journal of Physics: Conference Series, vol. 2107, no. 1, 2021.

[2] S. R. Dubey, S. Jalal, and P. Moorthy, “Plant disease recognition using convolutional neural networks and transfer learning,” Ecological Informatics, vol. 68, 2022.

[3] M. A. Hossain, M. S. Hossain, and K. Andersson, “A deep learning approach for plant disease detection using leaf images,” Applied Sciences, vol. 12, no. 6, 2022.

[4] A. Kamilaris and F. X. Prenafeta-Boldú, “Deep learning in agriculture: A survey,” Computers and Electronics in Agriculture, vol. 204, 2023.

[5] Y. Wu and Y. Fang, “Color feature ekstraction based on image segmentation for plant disease identification,” Scientific Reports, vol. 13, 2023.

[6] S. Khan, M. Tufail, M. T. Khan, Z. Khan, and M. Maqsood, “Deep learning-based identification system of plant diseases using leaf images,” Sustainability, vol. 14, no. 5, 2022.

[7] A. M. Fahad et al., “Support Vector Machine for multiclass plant disease klasifikasi using image features,” Computers and Electronics in Agriculture, vol. 198, 2022.

[8] R. S. Nanehkaran, M. Zhang, and Y. Tian, “Hybrid CNN–SVM model for image klasifikasi in agricultural applications,” Artificial Intelligence in Agriculture, vol. 6, 2022.

[9] H. Ferdianysah, R. Kurniawan, and A. Nugroho, “Klasifikasi of banana leaf diseases using convolutional neural network,” Indonesian Journal of Electrical Engineering and Computer Science, vol. 30, no. 2, 2024.

[10] C. Zhang, P. Zhou, and Y. Li, “Plant disease detection based on deep learning: A review,” Agriculture, vol. 12, no. 9, 2022.

[11] N. Fakhrunnia, A. Setiawan, and D. Prabowo, “Multiclass SVM for plant disease klasifikasi based on image features,” TELKOMNIKA, vol. 21, no. 3, 2023.

[12] J. Too, S. Yujian, L. Njuki, and Y. Yingchun, “A comparative study of fine-tuning deep learning models for plant disease identification,” Computers and Electronics in Agriculture, vol. 161, 2021.

[13] Amrozi, Y., & Yuliati, D. Klasifikasi Jenis Buah Pisang Berdasarkan Citra Warna dengan Metode SVM . Jurnal SISFOKOM (Sistem Informasi dan Komputer), Volume 11, Nomor 3, PP 394-399,2022.

[14] Bahaa S. Hamed, Mahmoud M. Hussein,et al, Plant Disease Detection Using Deep Learning. International Journal of Intelligent Systems and Applications, 15(6), 38-50, 2023.

[15] U. Khaira, R. Aryani, and R. W. Hardian, “Komparasi Algoritma Naïve Bayes dan Support Vector Machine (SVM) Pada Analisis Sentimen Kebijakan Kemdikbudristek Mengenai Kuota Internet Selama Covid-19,” Jurnal Processor, vol. 18, no. 2, pp. 1–10, 2023.