Implementasi CNN dan SVM untuk Identifikasi Penyakit Tomat via Daun

Abstract

Tanaman tomat sangat rentan terhadap serangan penyakit, penyakit pada tanaman tomat dapat diketahui dari bercak yang terdapat pada daun. Penyakit dapat dikenali secara visual karena memiliki ciri warna dan tekstur yang unik. Tetapi pengenalan secara visual memiliki kekurangan yaitu sulit dalam mengenali kemiripan antara satu jenis penyakit dengan penyakit lain sehingga berdampak pada kurang akuratnya penyakit yang diidentifikasi. Pada penelitian ini, dibangun suatu sistem yang dapat menentukan penyakit serta memberikan informasi berupa solusi penanganan dalam mencegah atau menangani penyakit yang menyerang daun tomat melalui identifikasi citra digital menggunakan supervised classification. Citra yang akan diidentifikasi sebelumnya melewati proses transformasi warna RGB (Red Green Blue) ke HSV (Hue Saturation Value), HSV (Hue Saturation Value) ke Grayscale, dan proses ekstraksi fitur tekstur GLCM (Gray Level Co-occurrence Matrix). Hasil ekstraksi fitur tekstur diklasifikasi dengan SVM (Support Vector Machine) dan CNN (Convolutional Neural Network) untuk menentukan penyakit yang diderita oleh daun tomat. Pengujian dilakukan dengan 200 sampel citra daun tomat, 160 citra sebagai data latih dan 40 citra sebagai data uji. Hasil pengujian menunjukkan metode CNN memiliki persentase rata- rata accuracy 97.5%, precision 95.45%, recall 95% dan error 5%. Sedangkan SVM menghasilkan rata- rata accuracy 95%, precision 90.83%, recall 90% dan error 10%. Dari hasil pengujian dapat dinyatakan bahwa pada penelitian ini CNN adalah classifier yang lebih baik dibandingkan SVM.