Text
Perbandingan Algoritma K-Nearest Neighbor dan Support Vector Machine Menggunakan Ekstraksi Fitur GLCM dan Color Moment untuk Klasifikasi Penyakit Daun Anggur
Tanaman anggur (Vitis vinifera) merupakan komoditas hortikultura bernilai ekonomi tinggi yang produktivitasnya dapat menurun akibat serangan penyakit daun, seperti Black Rot, Esca (Black Measles), dan Leaf Blight. Identifikasi penyakit secara manual melalui pengamatan visual bersifat subjektif, memerlukan waktu, dan rentan terhadap kesalahan akibat kemiripan gejala antar penyakit. Penelitian ini merupakan pengembangan dari penelitian Fathoni et al. (2024) yang menggunakan ekstraksi fitur Gray Level Co-occurrence Matrix (GLCM) dan algoritma K-Nearest Neighbor (KNN) pada dataset yang tidak seimbang. Pengembangan yang dilakukan meliputi penambahan tahap segmentasi citra menggunakan metode Otsu Thresholding dan operasi morfologi, penyeimbangan data (class balancing), penambahan fitur warna Color Moment yang dikombinasikan dengan GLCM, serta penggunaan algoritma Support Vector Machine (SVM) sebagai pembanding KNN. Tahapan penelitian meliputi preprocessing, segmentasi citra, ekstraksi fitur, standarisasi fitur menggunakan StandardScaler, serta pembagian data latih dan data uji dengan rasio 80:20 menggunakan stratified split. Hasil pengujian menunjukkan bahwa model KNN memperoleh akurasi sebesar 84,96%, presisi 84,81%, recall 84,96%, dan F1-score 84,83%, sedangkan model SVM menghasilkan performa yang lebih baik dengan akurasi 87,61%, presisi 88,08%, recall 87,61%, dan F1-score 87,67%. Hasil tersebut menunjukkan bahwa algoritma SVM memberikan performa klasifikasi yang lebih baik dibandingkan KNN pada kombinasi fitur GLCM dan Color Moment. Pengembangan metode yang diterapkan juga berhasil meningkatkan performa klasifikasi dibandingkan penelitian acuan. Model terbaik kemudian diimplementasikan pada sistem klasifikasi penyakit daun anggur berbasis web menggunakan framework Flask.
No other version available