Peningkatan Random Forest dengan menerapkan GLCM (Gray Level Co-Occurence Matrix) pada Klasifikasi Leaf Blast Tumbuhan Padi
| Autor: | YUSUP MIFTAHUDDIN, SOFIA UMAROH, ADLEO MALIK YAMANI |
|---|---|
| Rok vydání: | 2022 |
| Předmět: | |
| Zdroj: | MIND Journal. 7:37-50 |
| ISSN: | 2528-0902 2528-0015 |
| Popis: | Penyakit leaf blast disebabkan oleh jamur yang bernama Pyricularia Grisea yang dapat menginfeksi daun padi dan menyebabkan gejala penyakit seperti bercak yang berbentuk seperti belah ketupat yang berwarna coklat yang dapat mengakibatkan kematian pada tanaman. Tingkat penyebaran penyakit leaf blast sudah meluas hingga di Indonesia yakni pada sentra-sentra produksi padi. Penelitian dilakukan untuk mengidentifikasi Daun Padi dengan ekstraksi ciri GLCM dan klasifikasinya dengan menerapkan metode Random Forest. Jumlah data uji sebanyak 200 yang terdiri dari 100 data daun padi sehat dan 100 data daun padi berpenyakit leaf blast. Penelitian menguji keberhasilan identifikasi penyakit leaf blast dan tidak berpenyakit leaf blast. Pengujian dilakukan dengan berbagai skema yaitu 40 data uji, 80 data uji, 120 data uji, 160 data uji dan 200 data uji. Pengujian menghasilkan nilai akurasi optimal pada data uji 200 sebesar 65%, recall 65%, precision 64% dan F-measure 65% dengan rata – rata pengujian waktu klasifikasi Random Forest sebesar 0.3522s.Kata kunci: Leaf blast, Random Forest, Padi, GLCM ABSTRACTLeaf blast is a disease caused by a fungus called Pyricularia Grisea which can infect rice leaves and cause disease symptoms such as brown rhombus-shaped spots that can cause plant death. The level of spread of leaf blast disease has spread to Indonesia, namely in rice production centers. The research was conducted to identify Rice Leaf with GLCM feature extraction and classification by applying the Random Forest method. The number of test data was 200 consisting of 100 data of healthy rice leaves and 100 data of rice leaves with leaf blast disease. The study tested the success of identification of leaf blast disease and not leaf blast disease. The tests were carried out with various schemes, namely 40 test data, 80 test data, 120 test data, 160 test data and 200 test data. The test resulted in the optimal accuracy value on the 200 test data of 65%, recall 65%, precision 64% and F-measure 65% with an average testing time of Random Forest classification of 0.3522sKeywords: Leaf blast, Random Forest, Gray-level Cooncurrence Matrix, GLCM |
| Databáze: | OpenAIRE |
| Externí odkaz: |
|