<![CDATA[Abstract: Diseases in tomato plants can cause significant losses in agricultural production. Early detection of diseases in tomato fruits is crucial to take appropriate preventive measures to reduce losses caused by these diseases. This research aims to propose an approach for disease detection in tomato fruits using the Local Binary Pattern (LBP) technique and the K Nearest Neighbour (KNN) algorithm. The method integrates feature extraction using LBP to extract texture features from images of diseased tomato fruits. Subsequently, the KNN algorithm is used to classify images based on the extracted features. This approach is implemented and evaluated using datasets of infected and healthy tomato fruit images. A total of 140 datasets are used in this study, with 71 data used for training and 69 used for testing. Based on the accuracy test results, an accuracy of 34.6% is obtained for the KNN model with K=3 and 25.5% for the KNN model with K=5 in the detection of tomato fruit diseases with a total of 69 data. The implications of this research are that the adoption of computer vision and machine learning techniques can enhance efficiency in managing plant diseases in agriculture. Keywords: local binary pattern; k-nearest neighbour; plant disease detection;tomato fruit;computer visionAbstrak: Penyakit pada tanaman tomat dapat menyebabkan kerugian yang signifikan dalam produksi pertanian. Deteksi dini penyakit pada buah tomat menjadi krusial untuk mengambil tindakan pencegahan yang tepat guna mengurangi kerugian yang disebabkan oleh penyakit tersebut. Penelitian ini bertujuan untuk mengusulkan sebuah pendekatan deteksi penyakit pada buah tomat menggunakan teknik Local Binary Pattern (LBP) dan algoritma K Nearest Neighbour (KNN). Metode yang digunakan mengintegrasikan ekstraksi fitur menggunakan LBP untuk mengekstraksi ciri tekstur dari citra buah tomat yang terkena penyakit. Selanjutnya, algoritma KNN digunakan untuk mengklasifikasikan citra berdasarkan fitur-fitur yang diekstraksi. Pendekatan ini diimplementasikan dan dievaluasi menggunakan dataset citra buah tomat yang terinfeksi dan sehat. Sebanyak 140 dataset digunakan dalam penelitian ini, di mana 71 data digunakan untuk data latih dan 69 digunakan untuk data uji. Berdasarkan hasil uji akurasi, diperoleh nilai akurasi sebesar 34,6% untuk model KNN dengan K=3 dan 25,5% untuk model KNN dengan K=5 pada hasil dari pendeteksian penyakit buah tomat sebanyak total 69 data. Implikasi dari penelitian ini adalah adopsi teknik komputer vision dan machine learning dapat meningkatkan efisiensi dalam pengelolaan penyakit tanaman pada pertanian secara luas. Kata kunci: local binary pattern; k nearest neighbour;deteksi penyakit tanaman; buah tomat; komputer vision]]>
Copyrights © 2024
