DETEKSI PENYAKIT DAUN CABAI MENGGUNAKAN KOMBINASI GLCM DAN HSV DENGAN KLASIFIKASI SVM

Nurmadinah Nurmadinah; Farid Wajidi; Nurhikma Arifin

doi:10.33506/insect.v11i2.4820

Penulis

Nurmadinah Nurmadinah Program Studi Teknik Informatika, Universitas Sulawesi Barat
Farid Wajidi Program Studi Teknik Informatika, Universitas Sulawesi Barat
Nurhikma Arifin Program Studi Teknik Informatika, Universitas Sulawesi Barat

DOI:

https://doi.org/10.33506/insect.v11i2.4820

Kata Kunci:

Daun Cabai, Deteksi Penyakit, GLCM, HSV, Support Vector Machine (SVM)

Abstrak

Cabai merupakan salah satu komoditas hortikultura bernilai ekonomi tinggi di Indonesia. Namun, tanaman ini sangat rentan terhadap berbagai penyakit daun seperti virus kuning, bercak daun, keriting daun, kekurangan nutrisi dan serangan kutu putih. Deteksi penyakit secara manual seringkali tidak akurat dan menghabiskan waktu sehingga dibutuhkan solusi otomatis yang lebih efisien dan efektif. Penelitian ini bertujuan untuk mendeteksi penyakit daun cabai dengan menggunakan fitur tekstur dan warna pada citra daun. Dengan pendekatan ini, petani dapat dengan mudah mengenali jenis penyakit yang menyerang tanaman cabai sehingga dapat mengambil tindakan pengendalian secara lebih cepat dan tepat. Penelitian ini menggunakan 1.150 citra daun cabai yang terbagi dalam lima kategori penyakit, masing-masing terdiri dari 230 citra (184 data latih dan 46 data uji). Kelima kategori tersebut yaitu virus kuning, bercak daun, keriting daun, kekurangan nutrisi, dan kutu putih. Ekstraksi ciri dilakukan pada fitur warna berbasis ruang warna Hue, Saturation, Value (HSV) dan fitur tekstur yang diperoleh melalui metode Gray Level Co-occurrence Matrix (GLCM). Untuk proses klasifikasi, digunakan algoritma Support Vector Machine (SVM) Kernel RBF. Pengujian parameter C (1,5, dan 10) dan Gamma (0.1 - 0.00001) dengan hasil terbaik pada C = 10, dan Gamma = 0.1 dengan akurasi 91.30%. Berdasarkan hasil penelitian, kombinasi fitur GLCM dan HSV dengan algoritma SVM dengan kernel RBF menunjukkan performa yang baik dalam klasifikasi penyakit daun cabai.

Referensi

[1] N. Hariyani et al., “Potensi dan Tantangan Pengembangan Sayuran Organik dalam Mendukung Ketahanan Pangan Berkelanjutan Potential and Challenges of Organic Vegetable Development in Supporting Sustainable Food Security,” 2025.

[2] R. Sianturi and R. Sianturi, “Faktor-Faktor Penentu Adopsi Inovasi Pada Usahatani Cabai Merah (Capsicum Annum.L.),” Jurnal Agriuma, vol. 6, no. 1, pp. 26–35, Apr. 2024, doi: 10.31289/agri.v6i1.11731.

[3] A. Bahruddin et al., “Pemanfaatan Dan Prospek Budidaya Cabe Jamu Di Dusun Nung Malaka Desa Daleman Kecamatan Galis Kabupaten Bangkalan,” 2021.

[4] T. S. Wahyuni, R. Satriani, and A. N. Mandamdari, “Mimbar Agribisnis: Jurnal Pemikiran Masyarakat Ilmiah Berwawasan Agribisnis Pengaruh Fluktuasi Harga Cabai Rawit Merah Terhadap Inflasi di Kabupaten Banyumas The Effect of Fluctuations in Red Cayenne Pepper Prices on Inflation in Banyumas Regency,” vol. 10, no. 2, pp. 1866–1877, Jul. 2024, [Online]. Available: www.antara.jatengnews,

[5] F. Zikra, K. Usman, and R. Patmasari, “Deteksi Penyakit Cabai Berdasarkan Citra Daun Menggunakan Metode Gray Level Co-Occurence Matrix Dan Support Vector Machine”.

[6] S. S. Zuain, H. Fitriyah, and R. Maulana, “Deteksi Penyakit pada Daun Cabai berdasarkan Fitur HSV dan GLCM menggunakan Algoritma C4.5 berbasis Raspberry Pi,” 2021. [Online]. Available: http://j-ptiik.ub.ac.id

[7] S. F. Nazila, Y. Arman, D. Wahyuni, N. Nurhasanah, and Y. S. Putra, “Deteksi Dini Serangan Hama Penyakit pada Cabai Rawit Menggunakan Metode Image Recognition,” Jurnal Teknik Informatika dan Sistem Informasi, vol. 9, no. 2, Aug. 2023, doi: 10.28932/jutisi.v9i2.6342.

[8] S. Adiningsi, B. Pramono, A. M. Sajiah, and R. A. Saputra, “Identifikasi Kualitas Ikan Cakalang Segar Berbasis Citra Mata Menggunakan Metode Support Vector Machine (Svm) Dengan Fungsi Kernel Radial Basis Function,” 2025.

[9] Z. N. Ali Khan, “Deep Learning-Based CNN Approach for Disease Detection in Chili Plant Leaves.” [Online]. Available: http://www.ijert.org

[10] R. Adawiyah and D. I. Mulyana, “Informasi (Jurnal Informatika dan Sistem Informasi) Optimasi Deteksi Penyakit Kulit Menggunakan Metode Support Vector Machine (SVM) dan Gray Level Co-occurrence Matrix (GLCM).”

[11] H. P. Hadi and E. H. Rachmawanto, “JIP (Jurnal Informatika Polinema) Ekstraksi Fitur Warna Dan Glcm Pada Algoritma Knn Untuk Klasifikasi Kematangan Rambutan”.

[12] H. Technology and A. Nexus, “Implementasi Gray Level Co-Occurrence Matrix (GLCM) Untuk Mendeteksi Penyakit Daun Pada Tanaman Holtikultura,” 2025. [Online]. Available: https://journal.ummat.ac.id/index.php/tcs

[13] H. A. Rabbani, M. A. Rahman, and B. Rahayudi, “Perbandingan Ruang Warna RGB dan HSV dalam Klasifikasi Kematangan Biji Kopi,” 2021. [Online]. Available: http://j-ptiik.ub.ac.id

[14] A. Puteri Bilqis Salsabila et al., “Identifikasi Citra Jenis Bunga menggunakan Algoritma KNN dengan Ekstrasi Warna HSV dan Tekstur GLCM,” Technomedia Journal (TMJ), doi: 10.33050/tmj.v6i1.

[15] P. Daun, K. Berbasis, F. Glcm, R. Marlita, and D. Mustofa, “Implementasi Support Vector Machine Pada Klasifikasi,” JIKA : Jurnal Ilmu Komputer dan Aplikasinya, vol. 1, no. 1, pp. 6–11, 2025, doi: 10.5281/zenodo.14885356.

[16] D. Margarita, H. Maulana, and E. P. Mandyartha, “Klasifikasi Penyakit Daun Padi Menggunakan Support Vector Machine Berdasarkan Fitur Mendalam (Deep Feature),” JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika), vol. 9, no. 4, pp. 2256–2270, Nov. 2024, doi: 10.29100/jipi.v9i4.5634.

[17] Nana Apriani and Supatman, “5860-Article Text-21097-1-10-20250620,” Jurnal Informatika Teknologi dan Sains (JINTEKS), vol. 7, no. Vol. 7, No. 2, p. 895, May 2025.