Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Indonesian Journal of Multidisciplinary Scientific Studies
Jesica Mayanda
Universitas Muhammadiyah Sumatera Utara
Economics, Econometrics & Finance Education Mathematics Social Sciences Other

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Investigasi Forensik Citra Penyakit Daun Bonsai dengan Fitur GLCM dan Bentuk Berbasis Deep Learning Jesica Mayanda; Amrullah
Indonesian Journal of Multidisciplinary Scientific Studies Vol 4 No 6 (2026): Edisi Oktober - November 2026
Publisher : Lembaga Penelitian Dan Pengabdian Masyarakat (LPPM) STAI Raudhatul Akmal

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33151/ijomss.v4i6.1166

Abstract

Identifikasi penyakit daun bonsai secara visual bersifat subjektif dan bergantung pada pengalaman pengamat. Penelitian ini bertujuan mengembangkan dan mengevaluasi sistem klasifikasi kondisi daun bonsai beringin dan serut ke dalam empat kelas, yaitu sehat, bercak, klorosis, dan nekrosis, dengan menggabungkan fitur tekstur Gray Level Co-occurrence Matrix (GLCM) dan fitur bentuk kontur pada jaringan saraf tiruan berlapis. Alur pemrosesan mengacu pada kerangka forensik digital NIST SP 800-86 dan mencakup penyeragaman citra 224×224 piksel, konversi keabuan, segmentasi Otsu, ekstraksi empat fitur GLCM (contrast, correlation, energy, homogeneity) serta empat fitur bentuk (area, perimeter, metric, eccentricity), standardisasi, dan klasifikasi dengan tiga lapisan tersembunyi (128, 64, dan 32 neuron) yang dilatih menggunakan optimizer Adam. Evaluasi pada 113 citra uji menghasilkan akurasi 93,81% (selang kepercayaan 95%: 87,8–97,0%), macro-precision 95,12%, macro-recall 93,08%, dan macro-F1 94,00%. Seluruh citra sehat terklasifikasi benar, sedangkan recall terendah terdapat pada kelas nekrosis (85,00%) karena nilai contrast dan metric kelas ini tumpang tindih dengan kelas bercak. Ketujuh kesalahan terjadi antarkelas sakit. Nilai metric yang konstan pada citra sehat mengindikasikan segmentasi global yang masih sensitif terhadap latar, sehingga diperlukan segmentasi yang lebih kuat, data yang lebih beragam, dan uji ablasi fitur. Sistem diimplementasikan sebagai aplikasi web Streamlit untuk skrining awal.
Co-Authors Amrullah