Analisis Ekstraksi Fitur Tekstur dan Warna Untuk Klasifikasi Penyakit Daun Kentang Menggunakan Metode GLCM

Adinda Nadila; Mahardika Abdi Prawira Tanjung

doi:10.33151/ijomss.v4i6.1167

Adinda Nadila Universitas Muhammadiyah Sumatera Utara
Mahardika Abdi Prawira Tanjung Universitas Muhammadiyah Sumatera Utara

DOI: https://doi.org/10.33151/ijomss.v4i6.1167

Keywords: Ekstraksi Fitur, Tekstur, Warna, Klasifikasi Penyakit Daun Kentang, GLCM

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.

Author Biographies

Adinda Nadila, Universitas Muhammadiyah Sumatera Utara

Program Studi Sistem Informasi, Fakultas Ilmu Komputer dan Teknologi Informasi

Mahardika Abdi Prawira Tanjung, Universitas Muhammadiyah Sumatera Utara

Program Studi Sistem Informasi, Fakultas Ilmu Komputer dan Teknologi Informasi

References

Alhammad, S. M., Khafaga, D. S., El-hady, W. M., Samy, F. M., & Hosny, K. M. (2025). Deep learning and explainable AI for classification of potato leaf diseases. Frontiers in Artificial Intelligence, 7, 1449329. https://doi.org/10.3389/frai.2024.1449329

Breiman, L. (2001). Random forests. Machine Learning, 45(1), 5–32. https://doi.org/10.1023/A:1010933404324

Bulan, A. S., & Nurtanio, I. (2025). Classification of leaf disease in potato plants based on color and texture features using the K nearest neighbor (KNN) method. Proceedings of the 1st International Conference on Research and Innovations in Information and Engineering Technology (RITECH 2025), 61–67. SCITEPRESS. https://doi.org/10.5220/0014272800004928

Cover, T., & Hart, P. (1967). Nearest neighbor pattern classification. IEEE Transactions on Information Theory, 13(1), 21–27. https://doi.org/10.1109/TIT.1967.1053964

Haralick, R. M., Shanmugam, K., & Dinstein, I. (1973). Textural features for image classification. IEEE Transactions on Systems, Man, and Cybernetics, SMC-3(6), 610–621. https://doi.org/10.1109/TSMC.1973.4309314

Hughes, D. P., & Salathé, M. (2015). An open access repository of images on plant health to enable the development of mobile disease diagnostics. arXiv. https://doi.org/10.48550/arXiv.1511.08060

Kamila Insani P, & Tanjung, M. A. P. (2026). Klasifikasi ujaran kebencian teks bahasa gaul terkait isu Israel menggunakan Support Vector Machine. Indonesian Journal of Multidisciplinary Scientific Studies, 4(5), 336–344. https://doi.org/10.33151/ijomss.v4i5.1116

Li, Q., Feng, Y., Li, J., Hai, Y., Si, L., Tan, C., Peng, J., Hu, Z., Li, Z., Li, C., Hao, D., & Tang, W. (2024). Multi-omics approaches to understand pathogenicity during potato early blight disease caused by Alternaria solani. Frontiers in Microbiology, 15, 1357579. https://doi.org/10.3389/fmicb.2024.1357579

Muchtar, R. A. (2024). Integrasi fitur warna, tekstur dan Renyi fraktal untuk klasifikasi penyakit daun kentang menggunakan Linear Discriminant Analysis. Jurnal Mnemonic, 7(1), 77–84. https://doi.org/10.36040/mnemonic.v7i1.9258

Muhamad, H. (2024). Identifikasi penyakit daun kentang menggunakan fitur GLCM dan algoritma Multi-SVM. CONTEN: Computer and Network Technology, 4(1), 52–57. https://doi.org/10.31294/conten.v4i1.3465

Nyasulu, C., Diattara, A., Traore, A., Ba, C., Diedhiou, P. M., Sy, Y., Raki, H., & Peluffo-Ordóñez, D. H. (2023). A comparative study of machine learning-based classification of tomato fungal diseases: Application of GLCM texture features. Heliyon, 9(11), e21697. https://doi.org/10.1016/j.heliyon.2023.e21697

Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., Vanderplas, J., Passos, A., Cournapeau, D., Brucher, M., Perrot, M., & Duchesnay, E. (2011). Scikit-learn: Machine learning in Python. Journal of Machine Learning Research, 12, 2825–2830. https://jmlr.org/papers/v12/pedregosa11a.html

Shoaib, M., Shah, B., EI-Sappagh, S., Ali, A., Ullah, A., Alenezi, F., Gechev, T., Hussain, T., & Ali, F. (2023). An advanced deep learning models-based plant disease detection: A review of recent research. Frontiers in Plant Science, 14, 1158933. https://doi.org/10.3389/fpls.2023.1158933

van der Walt, S., Schönberger, J. L., Nunez-Iglesias, J., Boulogne, F., Warner, J. D., Yager, N., Gouillart, E., & Yu, T. (2014). scikit-image: Image processing in Python. PeerJ, 2, e453. https://doi.org/10.7717/peerj.453