Deteksi penyakit daun tomat menggunakan gabor filter dan algoritma support vector machine

INDONESIA:

Penelitian ini membahas tentang pemprosesan sebuah formulasi yang dapat kita berikan pada daun tomat yang terkena penyakit. Gabor Filter merupakan metode yang digunakan untuk mendeteksi tekstur menggunakan parameter frekuensi dan orientasi. Algoritma Support Vector Machine (SVM) merupakan algoritma untuk pengklasifikasian dari penyakit daun tomat. Tujuan dari penelitian ini adalah untuk mengetahui keakuratan dari segmentasi Gabor Filter dan Algoritma Support Vector Machine merupakan salah satu metode untuk mendeteksi penyakit daun tomat untuk mempermudah petani dalam penganalisisan peyakit pada daun tomat. Penginputan akan melalui preprosessing RGB ke Greyscale sebelum diproses menggunakan Gabor Filter. Proses Gabor Filter ini mensegmentasi gambar untuk menghasilkan nilai magnitude. Hasil dari nilai magnitude citra disini akan terlihat dan akan masuk ke tahap proses klasifikasi menggunakan SVM, algorima SVM bertujuan untuk mencari hyperlane terbaik pada daun tomat yang telah disegmentasi untuk memisahkan kelas pada input space. Penerapan metode SVM dengan klasifikasi class daun tomat dengan menghitung nilai energy dan entropy hasil ekstrasi, dengan dibantu 12 fitur yakni: CiriR, Ciri G, CiriB, Standart DeviasiR, Standart DeviasiG, Standart DeviasiB, SkewnessR, SkewnessG, SkewnessB, Mean, Energy, Entropy hal ini digunakan untuk proses klasifikasi yang lebih sederhana dengan tingkat akurasi tinggi. Proses klasifikasi penyakit daun tomat dengan data uji sebanyak 600 citra berhasil mendapatkan nilai akurasi sebesar 74,1667%.

ENGLISH:

This research discusses about processing a formulation that we can give to diseased tomato leaves. Gabor Filter is a method used to detect textures using frequency and orientation parameters. The Support Vector Machine (SVM) algorithm is an algorithm that can be used classifying tomato leaf diseases. The purpose of this research is to determine the accuracy of the Gabor Filter segmentation and the Support Vector Machine Algorithm for detecting tomato leaf disease to facilitate farmers in analyzing diseases on tomato leaves. The input will go through pre-processing of RGB pixels to Greyscale ones before being processed using Gabor Filter. This Gabor Filter process segments the image to produce a magnitude value. The results of the image magnitude values here will be seen and will enter the classification process using SVM. The SVM algorithm aims to find the best hyperlane on tomato leaves that have been segmented to separate classes in the input space. The application of the SVM method with class classification of tomato leaves by calculating the energy value and entropy of the extraction results, assisted by 12 features, namely: CiriR, Feature G, FeatureB, Standard DeviationR, Standard DeviationG, Standard DeviationB, SkewnessR, SkewnessG, SkewnessB, Mean, Energy, Entropy are used to the simplity classification process with a high degree of accuracy. The process of classification of tomato leaf disease with test data of 600 images managed to get an accuracy value of 74.1667%.

ARABIC:

هذه الدراسة تتحدث عن معالجة صيغة يمكننا أن نعطيها إلى شجرة الطماطم المصابة بالمرض. مرشح غابور هو طريقة تستخدم لتحديد الألوان باستخدام مكونات التكرار والتركيز. آلة الدعم اللوجستية (SVM) هي آلة لتصنيف أمراض الأوراق النباتية. الهدف من هذه الدراسة هو معرفة دقة مجموعات مرشح غابور وAlgorithm Support Vector Machine لتحديد أمراض الأوراق النباتية. سيتم إجراء إعادة تقييم RGB إلى Greyscale قبل معالجةها باستخدام مرشح غابور. هذا العمل مرشح غابور يقطع الصورة لإنتاج قيمة الكثافة. سوف تكون النتيجة من قيمة حجم الصورة هنا مرئية وسوف تذهب إلى المرحلة من عملية التصنيع باستخدام SVM ، ويهدف الكمبيوتر SVM إلى العثور على أفضل هيرناري على ألوان الطماطم التي تم تقسيمها لتقسيم الطبقات على مساحة الدخول. تطبيقات SVM مع تصنيف فصول الطماطم من خلال حساب القيمة الطاقة والانترونية الناتجة من استخراج، مع مساعدة ١٢ ميزات هي: CiriR، الخصائص CiriG، CiriB، Standard DeviationR، Standard deviationG، Standard deviationB، SkewnessR، SkewnessG، SkewnessB، Mean، Energy، Entropy هذا يستخدم لعملية التصنيع البسيطة مع مستويات عالية من السرعة. تمكنت عملية تصنيف الأمراض المزمنة مع بيانات الاختبار من ٦٠٠ صورة من الحصول على قيمة دقيقة من ٪٧٤،١٦٦٧.