Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal Journal of Deep Learning, Computer Vision and Digital Image Processing
Bukhari Naufal Nur Ag
Unknown Affiliation
Computer Science & IT

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Klasifikasi Penyakit Pada Padi Dengan Ekstraksi Fitur LBP dan GLCM Ananta Dwi Prayoga Alwy; M Syahid Nur Wahid; Bukhari Naufal Nur Ag; M Miftach Fakhri
Journal of Deep Learning, Computer Vision, and Digital Image Processing Volume 1 Issue 1 Maret 2023
Publisher : CV. Sakura Digital Nusantara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.61255/decoding.v1i1.51

Abstract

Padi merupakan salah satu komoditas penting di Indonesia yang menjadi sumber utama pangan, namun sering terancam oleh berbagai penyakit yang dapat menyebabkan gagal panen. Deteksi dini penyakit pada padi sangat penting, namun sulit dilakukan secara manual oleh petani. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi penyakit pada tanaman padi menggunakan ekstraksi fitur GLCM (Gray Level Co-occurrence Matrix) dan warna. Metode yang digunakan meliputi akuisisi citra, segmentasi citra menggunakan Otsu thresholding, operasi morfologi dengan area-open, ekstraksi fitur LBP (Local Binary Pattern) dan GLCM, serta klasifikasi dengan algoritma Decision Tree. Dataset yang digunakan terdiri dari 120 citra daun padi yang terinfeksi oleh tiga jenis penyakit: Brown Spot, Hispa, dan Leaf Blast. Berdasarkan hasil pengujian, sistem klasifikasi ini berhasil mencapai akurasi sebesar 90%. Hasil ini menunjukkan bahwa kombinasi ekstraksi fitur LBP dan GLCM mampu meningkatkan akurasi dalam mendeteksi penyakit pada padi jika dibandingkan dengan metode K-Nearest Neighbor (KNN) yang hanya mencapai akurasi sekitar 77%. Meskipun demikian, kesalahan klasifikasi masih terjadi pada penyakit dengan gejala yang serupa, seperti Leaf Blast yang terkadang terdeteksi sebagai Brown Spot. Oleh karena itu, penelitian ini menyarankan pengembangan teknik ekstraksi fitur yang lebih kompleks atau penggabungan metode lain untuk meningkatkan akurasi sistem. Diharapkan, sistem ini dapat diimplementasikan di lapangan untuk membantu petani dalam mendeteksi dan menangani penyakit padi lebih cepat, meningkatkan hasil pertanian, serta ketahanan pangan di Indonesia.
Penghitungan Jumlah Sel Darah Merah pada Citra Menggunakan Hough Transform Ananta Dwi Prayoga Alwy; Kurnia Prima Putra; Andi Nurul Izzah; Nurul Amanda Pratiwi Hasbullah; Bukhari Naufal Nur Ag; Muhammad Fajar B
Journal of Deep Learning, Computer Vision, and Digital Image Processing Volume 1 Issue 1 Maret 2023
Publisher : CV. Sakura Digital Nusantara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.61255/decoding.v1i1.50

Abstract

Perhitungan jumlah sel darah merah (RBC) secara tradisional menggunakan mikroskop sering kali memakan waktu dan kurang akurat, terutama saat citra darah mengandung sel darah putih. Penelitian ini bertujuan untuk mengembangkan sistem yang lebih akurat dalam menghitung jumlah sel darah merah menggunakan Hough Transform, operasi morfologi, dan proses segmentasi. Metode yang digunakan meliputi konversi citra ke grayscale, peningkatan kontras, binerisasi citra, dan penerapan teknik morfologi serta Hough Transform untuk mendeteksi sel darah merah. Hasil eksperimen menunjukkan bahwa sistem yang diusulkan mencapai akurasi rata-rata 91% pada 30 citra uji, dengan beberapa citra menunjukkan akurasi hingga 100%, sementara citra lain memperoleh akurasi sekitar 83%. Penelitian ini menunjukkan bahwa penggunaan Hough Transform dalam perhitungan jumlah sel darah merah dapat meningkatkan akurasi deteksi dan efisiensi dalam diagnosis medis.
Co-Authors Ananta Dwi Prayoga Alwy Andi Nurul Izzah Kurnia Prima Putra M Syahid Nur Wahid M. Miftach Fakhri Muhammad Fajar B Nurul Amanda Pratiwi Hasbullah