KOMPARASI ALGORITMA K-NEAREST NEIGHBOR, SUPPORT VECTOR MACHINE, DAN NEURAL NETWORK UNTUK KLASIFIKASI PENYAKIT DAUN JERUK

Deny Kurniawan; Dedi Triyanto; Mochamad Wahyudi; Lise Pujiastuti; Sumanto Sumanto; indra Chaidir

doi:10.33365/teknoinfo.v19i2.751

Deny Kurniawan Universitas Bina Sarana Informatika
Dedi Triyanto Universitas Bina Sarana Informatika
Mochamad Wahyudi Universitas Bina Sarana Informatika
Lise Pujiastuti Universitas Bina Sarana Informatika
Sumanto Sumanto Universitas Bina Sarana Informatika
indra Chaidir

DOI: https://doi.org/10.33365/teknoinfo.v19i2.751

Keywords: Image Texture, Classification, Neural Network, SVM, KNN, Machine Learning, Leaf Disease, Oranges

Abstract

Jeruk merupakan salah satu buah tropis yang banyak dikonsumsi masyarakat karena kandungan nutrisinya yang tinggi, khususnya vitamin C. Namun, produksi jeruk kerap mengalami penurunan akibat serangan penyakit, terutama pada bagian daun. Identifikasi penyakit secara manual dinilai kurang efisien dan rawan kesalahan, sehingga diperlukan sistem otomatis berbasis machine learning untuk membantu proses deteksi secara cepat dan akurat. Penelitian ini bertujuan untuk membandingkan tiga algoritma klasifikasi K-Nearest Neighbor (KNN), Support Vector Machine (SVM), dan Neural Network (NN) dalam mengidentifikasi penyakit daun jeruk berdasarkan fitur tekstur. Dataset yang digunakan terdiri dari lima kategori: Black Spot, Canker, Greening, Melanose, dan Healthy, dengan total 609 citra daun yang dibagi secara proporsional untuk pelatihan dan pengujian. Hasil evaluasi menunjukkan bahwa model Neural Network memberikan performa terbaik dengan akurasi 87,5%, diikuti oleh SVM sebesar 82,4%, dan KNN sebesar 77,5%. Penelitian ini menunjukkan bahwa pendekatan machine learning, khususnya Neural Network, efektif dalam klasifikasi penyakit daun jeruk dan berpotensi untuk diimplementasikan lebih lanjut dalam bentuk aplikasi praktis bagi petani.

References

M. P. D. Leni Rahayu, “Analisis Faktor-Faktor yang Mempengaruhi Produksi Jeruk di Kenagarian Kototinggi Kecamatan Gunuang Omeh Kabupaten 50 Kota Menggunakan Regresi Linear Berganda,” UNPjoMath, vol. 2, no. 3, pp. 33–38, 2019.

A. A. I. Alitawan and I. K. Sutrisna, “Faktor-Faktor yang Mempengaruhi Pendapatan Petani Jeruk pada Desa Gunung Bau Kecamatan Kintamani Kabupaten Bangli,” E-Jurnal Ekon. Pembang. Univ. Udayana, vol. 6, no. 5, p. 165350, 2017.

B. P. Statistik, “Produksi Tanaman Buah-buahan.” Accessed: Dec. 10, 2023. [Online]. Available: https://www.bps.go.id/id/statistics-table/2/NjIjMg==/produksi-tanaman-buah-buahan.html

Kementan, “Angka Tetap Hortikultura Tahun 2023,” Direktorat Jenderal Hortik. Kementeri. Pertan., p. 197, 2024.

A. Jinan and Z. Fatah, “Mendeteksi Penyakit Huanglongbing ( HBL ) Pada Tanaman Jeruk : Penerapan Teachable Machine Dalam Citra Digital,” Gudang J. Multidisiplin Ilmu, vol. 2, no. November, pp. 241–247, 2024.

F. R. Lestari, I. Purwanti, N. Purnama, A. M. Sajiah, L. B. Aksara, and J. T. Informatika, “Identifikasi Penyakit Tanaman Jeruk Siam Menggunakan Metode M-Svm,” Semin. Nas. APTIKOM, pp. 441–448, 2019.

C. Senthilkumar and M. Kamarasan, “Optimal Segmentation with Back-Propagation Neural Network (BPNN) Based Citrus Leaf Disease Diagnosis,” Proceedings of the 2nd International Conference on Smart Systems and Inventive Technology, ICSSIT 2019. pp. 78–82, 2019. doi: 10.1109/ICSSIT46314.2019.8987749.

U. Barman, R. D. Choudhury, D. Sahu, and G. G. Barman, “Comparison of convolution neural networks for smartphone image based real time classification of citrus leaf disease,” Comput. Electron. Agric., vol. 177, 2020, doi: 10.1016/j.compag.2020.105661.

S. Khan, M. Hussain, H. Aboalsamh, H. Mathkour, G. Bebis, and M. Zakariah, “Optimized Gabor features for mass classification in mammography,” Appl. Soft Comput. J., vol. 44, pp. 267–280, 2016, doi: 10.1016/j.asoc.2016.04.012.

M. B. Ahmad Supian, H. Madzin, and E. Albahari, “Plant Disease Detection and Classification Using Image Processing Techniques: A review,” Proc. 2019 2nd Int. Conf. Appl. Eng. ICAE 2019, pp. 0–3, 2019, doi: 10.1109/ICAE47758.2019.9221712.

E. A. Mohammed and G. H. Mohammed, “Citrus leaves disease diagnosis,” Indones. J. Electr. Eng. Comput. Sci., vol. 31, no. 2, pp. 925–932, 2023, doi: 10.11591/ijeecs.v31.i2.pp925-932.

Y. Lan et al., “Comparison of machine learning methods for citrus greening detection on UAV multispectral images,” Comput. Electron. Agric., vol. 171, no. July 2019, p. 105234, 2020, doi: 10.1016/j.compag.2020.105234.

L. J. Coan et al., “Automatic detection of glaucoma via fundus imaging and artificial intelligence: A review,” Surv. Ophthalmol., vol. 68, no. 1, pp. 17–41, 2023, doi: 10.1016/j.survophthal.2022.08.005.

A. A. John, “Identification of Diseases in Cassava Leaves using Convolutional Neural Network,” Proc. - 2022 5th Int. Conf. Comput. Intell. Commun. Technol. CCICT 2022, pp. 1–6, 2022, doi: 10.1109/CCiCT56684.2022.00013.

A. Nigam, A. K. Tiwari, and A. Pandey, “Paddy leaf diseases recognition and classification using PCA and BFO-DNN algorithm by image processing,” Mater. Today Proc., vol. 33, pp. 4856–4862, 2020, doi: 10.1016/j.matpr.2020.08.397.

M. Syarief and W. Setiawan, “Convolutional neural network for maize leaf disease image classification,” Telkomnika (Telecommunication Comput. Electron. Control., vol. 18, no. 3, pp. 1376–1381, 2020, doi: 10.12928/TELKOMNIKA.v18i3.14840.

M. Sharif, M. A. Khan, Z. Iqbal, M. F. Azam, M. I. U. Lali, and M. Y. Javed, “Detection and classification of citrus diseases in agriculture based on optimized weighted segmentation and feature selection,” Comput. Electron. Agric., vol. 150, no. April, pp. 220–234, 2018, doi: 10.1016/j.compag.2018.04.023.

H. T. Rauf, B. A. Saleem, M. I. U. Lali, M. A. Khan, M. Sharif, and S. A. C. Bukhari, “A citrus fruits and leaves dataset for detection and classification of citrus diseases through machine learning,” Data Br., vol. 26, 2019, doi: 10.1016/j.dib.2019.104340.