Deteksi Penyakit Daun Tomat Berbasis Warna Dan Tekstur Dengan Algoritma K-Nearest Neighbor : Deteksi Penyakit Daun Tomat Berbasis Warna Dan Tekstur Dengan Algoritma K-Nearest Neighbor

Erna Dwita Sari Cahyani Putri; Muhammad Madavi Syah Putra; Soffiana  Agustin

doi:10.33506/framework.v3i02.4644

Penulis

Erna Dwita Sari Cahyani Putri Universitas Muhammadiyah Gresik
Muhammad Madavi Syah Putra Universitas Muhammadiyah Gresik
Soffiana Agustin Universitas Muhammadiyah Gresik

DOI:

https://doi.org/10.33506/framework.v3i02.4644

Kata Kunci:

K-Nearest Neighbors (KNN), Ekstraksi Fitur HSV, Local Binary Pattern (LBP), Klasifikasi Penyakit Daun Tomat, Deteksi Dini Penyakit

Abstrak

Penelitian klasifikasi penyakit daun tomat ini sangat penting dilakukan mengingat tomat (Solanum lycopersicum) merupakan salah satu komoditas hortikultura utama di Indonesia yang memiliki nilai ekonomi dan gizi tinggi. Namun, produktivitas tomat seringkali terancam oleh berbagai penyakit daun yang secara signifikan dapat menurunkan hasil panen dan berdampak negatif pada pendapatan petani serta suplai pangan nasional. Penelitian ini bertujuan untuk mengembangkan sistem deteksi penyakit daun tomat dengan menggunakan ekstraksi fitur tekstur berdasarkan Local Binary Pattern (LBP) Uniform serta fitur ruang warna HSV. Kedua fitur tersebut kemudian digabungkan untuk klasifikasi menggunakan algoritma K-Nearest Neighbor (KNN). Dataset berisi 200 citra daun tomat yang mencakup empat kelas penyakit berbeda, yang diambil dalam berbagai kondisi pencahayaan dan latar belakang untuk merefleksikan variasi nyata di lapangan. Hasil evaluasi menunjukkan bahwa fitur tekstur memberikan performa klasifikasi terbaik dengan akurasi maksimum 0,85 pada K=3, sedangkan fitur warna secara individual memiliki akurasi lebih rendah dan kurang stabil. Penggabungan kedua fitur ini mampu mempertahankan akurasi yang tinggi sekaligus meningkatkan kestabilan klasifikasi di beberapa kelas penyakit. Penelitian ini menunjukkan potensi signifikan dari penggabungan fitur tekstur dan warna dalam meningkatkan ketepatan deteksi penyakit daun tomat, yang diharapkan dapat mendukung pemantauan dan pengelolaan tanaman secara lebih efektif, serta berkontribusi pada pengembangan pertanian berkelanjutan di masa depan dengan dukungan teknologi terkini.

Referensi

[1] Sara Wales, Stella M.T Tulung, and Rinny Mamarimbing, “Pertumbuhan dan Produksi Tanaman Tomat (Solanum lycopersicum L.) Pada Beberapa Jenis Media Tanam,” Applied Agroecotechnology Journal, vol. 4, pp. 84–93, Jun. 2023.

[2] A. L. Horathius Saragih, . L., and T. Supriana, “Analysis of Demand and Supply of Tomato (Solanum lycopersicum L.) in North Sumatra Province,” International Journal of Research and Review, vol. 10, no. 3, pp. 392–396, Mar. 2023, doi: 10.52403/ijrr.20230346.

[3] E. Lagiman Wahyurini and Lagiman, TEKNIK BUDIDAYA DAN PEMULIHAN TANAMAN TOMAT. Yogyakarta: Lembaga Penelitian dan Pengabdian Kepada Masyarakat Pembangunan Nasional Veteran Yogyakarta University, 2020.

[4] S. PALTI N., “KLASIFIKASI PENYAKIT DAUN PADA TANAMAN TOMAT MENGGUNAKAN RESNET-152,” UNIVERSITAS MEDAN AREA, Medan, 2024.

[5] N. Puspitasari et al., “METODE K-NEAREST NEIGHBOR DAN FITUR WARNA UNTUK KLASIFIKASI DAUN SIRIH BERDASARKAN CITRA DIGITAL,” vol. 10, no. 2, 2023.

[6] C. Nyasulu et al., “A comparative study of Machine Learning-based classification of Tomato fungal diseases: Application of GLCM texture features,” Heliyon, vol. 9, no. 11, Nov. 2023, doi: 10.1016/j.heliyon.2023.e21697.

[7] E. Safitri et al., “KLASIFIKASI PENYAKIT DAUN ANGGUR BERBASIS CITRA MENGGUNAKAN METODE K-NEAREST NEIGHBORS (KNN),” 2024.

[8] N. S. Fatimah and S. Agustin, “Klasifikasi Citra Batik Menggunakan Local Binary Pattern (LBP) dan Support Vector Machine (SVM),” Jurnal Algoritma, vol. 22, no. 1, pp. 185–196, May 2025, doi: 10.33364/algoritma/v.22-1.2208.

[9] G. M. Tsani, Y. Rahmawati, O. D. Sanyoto, and S. Agustin, “PENGKLASIFIKASIAN DAUN SIRIH DENGAN METODE K-NEAREST NEIGHBOR (KNN) BERBASIS FITUR WARNA GUNA MENDUKUNG PEMANFAATAN TANAMAN OBAT,” 2024.

[10] M. Hamdi, H. Bouhamed, A. AlGarni, H. Elmannai, and S. Meshoul, “Deep Learning and Uniform LBP Histograms for Position Recognition of Elderly People with Privacy Preservation,” International Journal of Computers, Communications and Control, vol. 16, no. 5, pp. 1–15, 2021, doi: 10.15837/ijccc.2021.5.4256.

[11] M. Fahmi Wibawa, M. A. Rahman, and A. W. Widodo, “Penerapan Ruang Warna HSV dan Ekstraksi Fitur Tekstur Local Binary Pattern untuk Tingkat Kematangan Sangrai Biji Kopi,” 2021. [Online]. Available: http://j-ptiik.ub.ac.id

[12] Nurul Mudhofar and Soffiana Agustin, “Klasifikasi Penyakit Daun Apel Menggunakan Ekstraksi Fitur Warna RGB,” Repeater : Publikasi Teknik Informatika dan Jaringan, vol. 2, no. 3, pp. 147–156, Jul. 2024, doi: 10.62951/repeater.v2i3.120.

[13] S. A. Rosiva Srg, M. Zarlis, and W. Wanayumini, “Identifikasi Citra Daun dengan GLCM (Gray Level Co-Occurence) dan K-NN (K-Nearest Neighbor),” MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer, vol. 21, no. 2, pp. 477–488, Mar. 2022, doi: 10.30812/matrik.v21i2.1572.

[14] P. S. Siregar, R. G. Hatika, and B. H. Hayadi, “Multiple Choice Question Difficulty Level Classification with Multi Class Confusion Matrix in the Online Question Bank of Education Gallery,” Journal of Applied Data Sciences, vol. 4, no. 4, pp. 392–406, Dec. 2023, doi: 10.47738/jads.v4i4.132.

Deteksi Penyakit Daun Tomat Berbasis Warna Dan Tekstur Dengan Algoritma K-Nearest Neighbor