Identification of Grape Plant Diseases Based on the Leaves using Naïve Bayes

Muhammad Akbar Ramadhan, Fauzan Nusyura, Farah Zakiyah Rahmanti

Abstract


One way to see the signs of disease in grapevines is a change in leaf color. Ordinary people detect diseases in grapevines only based on subjective vision. On this basis, we need a system that can help the layman to be able to detect diseases in grapevines based on the color of the leaves using the Naïve Bayes algorithm classification method. This algorithm uses simple calculations, so the process is carried out faster. In this study, testing was carried out using the Naive Bayes classification model with 800 training data and 160 validation data. The accuracy results obtained are 90% using the color historgram scenario on channel RGB interval 16 and GLCM with features of dissimilarity, correlation, homogeneity, contrast pixel spacing 5. 90% accuracy is also obtained in the color histogram scenario on channel HSV with interval 16 and GLCM with features of dissimilarity, correlation, homogeneity at pixel spacing of 5. Thus, it can be concluded that the Naive Bayes classification model can gain application in identifying diseases in grapevines through leaf color analysis.

Full Text:

PDF

References


W. Saputro dan D. B. Sumantri, “Implementasi Citra Digital Dalam Klasifikasi Jenis Buah Anggur Dengan Algoritma K-Nearest Neighbors (KNN) Dan Data Augmentasi,” Journal of Information Technology and Computer Science (INTECOMS), vol. 5, no. 2, pp. 248-253, 2022.

R. Apriyanto dan M. Ahsan, “Sistem Analisis Diagnosa Penyakit Tanaman Anggur dengan Pendekatan Certainty Factor Berbasis Android,” Jurnal Teknologi Informasi dan Industri, vol. 2, 2019.

S. S. Simanjuntak, H. Sinaga, K. Telaumbanua dan Andri, “Klasifikasi Penyakit Daun Anggur Menggunakan Metode GLCM, Color Moment dan K*Tree,” Jurnal SIFO Mikroskil, vol. 21, no. 2, pp. 93-104, 2020.

R. R. Waliyansyah dan C. Fitriyah, “Perbandingan Akurasi Klasifikasi Citra Kayu Jati Menggunakan Metode Naive Bayes dan K-Nearest Neighbor (KNN),” Jurnal Edukasi dan Penelitian Informatika, vol. 5, no. 2, pp. 157-163, 2019.

I. S. Manuel dan I. Ernawati, “Implementasi GLCM dan Algoritma Naive Bayes dalam Klasifikasi Jenis Bunga Anggrek,” Seminar Nasional Mahasiswa Ilmu Komputer dan Aplikasinya (SENAMIKA), pp. 99-109, 2020.

“cybex.pertanian.go.id,” Kementrian Pertanian, 08 2019. [Online]. Available: http://cybex.pertanian.go.id/mobile/artikel/70375/Pengendalian-Hama-Dan-Penyakit--Pada-Tanaman-Anggur/. [Diakses 12 06 2023].

M. Z. Andrekha dan Y. Huda, “Deteksi Warna Manggis Menggunakan Pengolahan Citra dengan Opencv Python,” Jurnal Vocational Teknik Elektronika dan Informatika, vol. 9, no. 4, pp. 27-33, 2021.

H. Syahputra, F. Arnia dan K. Munadi, “Karakterisasi Kematangan Buah Kopi Berdasarkan Warna Kulit Kopi Menggunakan Histogram dan Momen Warna,” Jurnal Nasional Teknik Elektro, vol. 8, no. 1, pp. 42-50, 2019.

S. Ratna, “Pengolahan Citra Digital dan Histogram dengan Python dan Text Editor Phycharm,” Technologia, vol. 11, no. 3, pp. 181-186, 2020.

S. Y. E. Simarmata, Y. A. Sari dan S. Adinugroho, “Klasifikasi Citra Makanan Menggunakan Algoritme Learning Vector Quantization Berdasarkan Ekstraksi Fitur Color Histogram dan Gray Level Co-occurrence Matrix,” Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 3, no. 3, pp. 2369 - 2378, 2019.

F. K. Fikriah, M. B. Sulthan, N. Mujahidah dan M. K. Roziqin, “Naïve Bayes untuk Klasifikasi Penyakit Daun Bawang Merah Berdasarkan Ekstraksi Fitur Gray Level Co-occurrence Matrix (GLCM),” Jurnal Komtika (Komputasi dan Informatika), vol. 6, no. 2, pp. 133-141, 2022.

Z. Y. Lamasgi, Serwin, Y. Lasena dan Husdi, “Identifikasi Tingkat Kesegaran Ikan Tuna menggunakan Metode GLCM dan KNN,” Jambura Journal of Electrical and Electronics Engineering, vol. 4, no. 1, pp. 70-76, 2022.

E. H. Rachmawanto dan . H. P. Hadi, “Optimasi Ekstraksi Fitur pada Kini dalam Klasifikasi Penyakit Daun Jagung,” DINAMIK, vol. 22, no. 2, pp. 58-67, 2021.

H. Sulaiman, D. Riana dan A. Rifai, “Perbandingan Algoritma Decision Tree C4.5 dan Naive Bayes pada Analisis Tekstur Gray Level Co-occurance Matrix Menggunakan Citra Wajah,” Jurnal Sistem Informasi, vol. 10, no. 2, pp. 470-479, 2021.

L. Hakim, S. P. Kristanto, D. Yusuf dan F. N. Afia, “Pengenalan Motif Batik Banyuwangi berdasarkan Fitur Gray Level Co-Occurence Matrix,” Jurnal TEKNOINFO, vol. 16, no. 1, pp. 1-7, 2022.

D. Alita, I. Sari, A. R. Isnain dan Styawati, “Penerapan Naive Bayes Classifier untuk Pendukung Keputusan Penerima Beasiswa,” JDMSI, vol. 2, no. 1, pp. 17-23, 2021.

M. F. Rifai, H. Jatnika dan B. Valentino, “Penerapan Algoritma Naïve Bayes Pada Sistem Prediksi Tingkat Kelulusan Peserta Sertifikasi Microsoft Office Specialist (MOS),” PETIR: Jurnal Pengkajian dan Penerapan Teknik Informatika, vol. 12, no. 2, pp. 131 - 144, 2019.

A. S. Sastrawan, I. G. A. Gunadi dan I. N. Sukajaya, “Perbandingan Kinerja Algoritma Dempster Shafer dan Fuzzy Naive Bayes dalam Klasifikasi Penyakit Demam Berdarah dan Tifus,” Jurnal Ilmu Komputer Indonesia (JIK), vol. 4, no. 2, pp. 24-32, 2019.

E. Fitriani, “Perbandingan Algoritma C4.5 dan Naive Bayes untuk Menentukan Kelayakan Penerima Bantuan Program Keluarga Harapan,” Sistemasi: Jurnal Sistem Informasi, vol. 9, pp. 103-115, 2020.

H. Azis, F. T. Admojo dan E. Susanti, “Analisis Perbandingan Performa Metode Klasifikasi pada Dataset Multiclass Citra Busur Panah,” Techno.COM, vol. 19, no. 3, pp. 286-294, 2020.

I. M. Erwin, Risnandar, E. Prakasa dan B. Sugiarto, “Identifikasi dan Evaluasi F-Measure Citra Kayu Berbasis Deep Convolutional Neural Network (DCNN),” Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK), vol. 7, no. 6, pp. 1089 - 1098, 2019.




DOI: https://doi.org/10.32520/stmsi.v13i5.3444

Article Metrics

Abstract view : 77 times
PDF - 45 times

Refbacks

  • There are currently no refbacks.


Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.