KLASIFIKASI PENYAKIT PADI MELALUI CITRA DAUN MENGGUNAKAN METODE NAIVE BAYES
DOI:
https://doi.org/10.23960/jitet.v12i2.4012Abstract Views: 1615 File Views: 1461
Abstract
Pertumbuhan ekonomi Indonesia yang tergantung pada sektor pertanian, khususnya produksi padi, menyoroti pentingnya mendeteksi dan mengidentifikasi penyakit pada tanaman padi. Penelitian ini mengusulkan metode Naïve Bayes untuk klasifikasi penyakit padi melalui analisis citra daun. Fokusnya adalah membandingkan akurasi dengan dan tanpa penerapan augmentasi data. Dengan menggunakan dataset "Classification of Rice Diseases Using Leaf Images" dari Kaggle, model Naïve Bayes mencapai akurasi 76.0%, dengan prediksi tingkat keyakinan 100.0% terhadap kategori "blight" pada contoh tertentu. Hasil ini menunjukkan potensi metode Naïve Bayes dalam prediksi penyakit padi secara efisien. Pengembangan selanjutnya dapat melibatkan peningkatan jumlah dataset dan eksplorasi teknik augmentasi data untuk meningkatkan akurasi. Penelitian ini memberikan kontribusi positif pada ketahanan pangan dan ekonomi Indonesia.Downloads
References
Badan Pusat Statistik, “Luas Panen dan Produksi Padi di Indonesia 2021,” Badan Pusat Statistik, Jul. 12, 2022. https://www.bps.go.id/publication/2022/07/12/c52d5cebe530c363d0ea4198/luas-panen-danproduksi-padi-di-indonesia-2021.html (accessed Oct. 22, 2022).
L. R. Stevani, “Produksi padi di Madiun turun akibat serangan OPT,” Antarajatim, Aug. 10, 2022.
A. Walascha, A. Febriana, D. Saputri, D. Sri, N. Haryanti, and R. Tsania, “Review Artikel : Inventarisasi Jenis Penyakit yang Menyerang Daun Tanaman Padi ( Oryza sativa L .),” pp. 471–477, 2021.
A. Jinan, B. H. Hayadi, and U. P. Utama, “Journal of Computer and Engineering Science Volume 1, Nomor 2, April 2022 Klasifikasi Penyakit Tanaman Padi Mengunakan Metode Convolutional Neural Network Melalui Citra Daun (Multilayer Perceptron),” vol. 1, no. April, pp. 37–44, 2022.
E. Anggiratih, S. Siswanti, and S. K. Octaviani, “Klasifikasi Penyakit Tanaman Padi Menggunakan Model Deep Learning Efficientnet B3 Dengan Transfer Learning,” no. 1, pp. 75–83, 2021, doi: 10.30646/sinus.v19i1.526.
L. Hernando and A. Avaldo, “Implementasi Fuzzy Logic pada Alat Pemisah Buah Tomat,” J. Sains dan Inform., vol. 8, no. 2, pp. 55–61, 2022, doi: 10.22216/jsi.v8i2.1637.
Y. Zhong and M. Tong, “Rice Leaf Disease Image Classifications Using KNN Based On GLCM Feature Extraction Rice Leaf Disease Image Classifications Using KNN Based On GLCM Feature Extraction,” 2020, doi: 10.1088/1742-6596/1641/1/012080.
R. Kumar, G. Baloch, A. B. Buriro, and J. Bhatti, “Fungal Blast Disease Detection in Rice Seed using Machine Learning,” vol. 12, no. 2, pp. 248–258, 2021, [Online]. Available: www.ijacsa.thesai.org.
A. A. Huda, B. Setiaji, and F. R. Hidayat, “Implementasi Gray Level Co- Occurrence Matrix ( GLCM ) Untuk,” vol. 9, 2022, [Online]. Available: www.ejournal.unib.ac.id/index.php/pseudocode.
Y. Amelia, P. Eosina, and F. A. Setiawan, “Perbandingan Metode Deep Learning Dan Machine Learning Untuk Klasifikasi (Ujicoba Pada Data Penyakit Kanker Payudara),” Inova-Tif, vol. 1, no. 2, p. 109, 2018, doi: 10.32832/inova-tif.v1i2.5449.
A. S. Simbolon, N. I. Pangaribuan, and N. M. Aruan, “Analisis Sentimen Aplikasi E-Learning Selama Pandemi Covid-19 Dengan Menggunakan Metode Support Vector Machine Dan Convolutional Neural Network,” Seminastika, vol. 3, no. 1, pp. 16–25, 2021, doi: 10.47002/seminastika.v3i1.236.
M. F. Naufal, “Comparative Analysis of Image Classification Algorithm for,” J. Teknol. Inf. dan Ilmu Komput., vol. 8, no. 2, pp. 311–318, 2021, doi: 10.25126/jtiik.202184553.
H. Hermanto, A. Mustopa, and A. Y. Kuntoro, “Algoritma Klasifikasi Naive Bayes Dan Support Vector Machine Dalam Layanan Komplain Mahasiswa,” JITK (Jurnal Ilmu Pengetah. dan Teknol. Komputer), vol. 5, no. 2, pp. 211–220, 2020, doi: 10.33480/jitk.v5i2.1181.
Lutfi, M. (2018). Klasifikasi Kualitas Mutu Jagung dengan Menggunakan Metode Decision Tree Pada Dinas Pertanian Bojonegoro. 8(1), doi:10.35891/agx.v9i1.1360
