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
Adinda Nadila
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 
Analisis Ekstraksi Fitur Tekstur dan Warna Untuk Klasifikasi Penyakit Daun Kentang Menggunakan Metode GLCM Adinda Nadila; Mahardika Abdi Prawira Tanjung
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.v4i6.1167

Abstract

Penyakit bercak daun dini (Early Blight) dan bercak daun lambat (Late Blight) merupakan ancaman utama produktivitas tanaman kentang, sedangkan identifikasi visual secara manual bersifat subjektif dan memakan waktu. Penelitian ini bertujuan merancang algoritma fusi fitur tekstur dan warna, menganalisis karakteristik ruang fitur yang dihasilkan, serta mengevaluasi kinerjanya untuk klasifikasi dua kelas penyakit daun kentang. Fitur tekstur diekstraksi menggunakan Gray Level Co-occurrence Matrix (GLCM) berupa kontras, korelasi, energi, dan homogenitas pada sudut 0° dengan jarak satu piksel, sedangkan fitur warna berupa nilai rata-rata kanal Hue, Saturation, dan Value (HSV). Kedua kelompok fitur digabungkan melalui konkatenasi vektor satu dimensi menjadi vektor tujuh dimensi, kemudian diklasifikasikan menggunakan Random Forest dan 1-Nearest Neighbor (1-NN) pada citra PlantVillage berukuran 256×256 piksel. Pengujian batch terhadap 80 citra (40 citra per kelas) menunjukkan bahwa Random Forest mencapai akurasi 95,00% (76 dari 80 citra benar), dengan akurasi kelas Early Blight 97,50% dan Late Blight 92,50%, sedangkan 1-NN mencapai akurasi 93,75%. Kesalahan klasifikasi terutama terjadi pada lesi yang sangat kecil atau telah menyatu sehingga nilai warna dan teksturnya menyerupai kelas lain. Sistem diimplementasikan sebagai aplikasi web berbasis Flask. Hasil ini menunjukkan bahwa fusi fitur handcrafted yang ringkas layak digunakan sebagai pendekatan awal yang ringan, namun masih memerlukan validasi pada data yang lebih besar dan beragam.
Co-Authors