Klasifikasi penyakit teh berbasis Citra Menggunakan Support Vector Machine (SVM)

INDONESIA

Tanaman teh (Camellia sinensis) merupakan komoditas perkebunan bernilai ekonomi tinggi yang rentan terhadap serangan penyakit daun. Identifikasi penyakit secara manual memerlukan waktu lama dan rentan terhadap kesalahan akibat kemiripan visual antar kelas penyakit. Oleh karena itu, diperlukan sistem yang mampu mengklasifikasikan penyakit daun teh secara otomatis, cepat, dan akurat. Penelitian ini bertujuan menganalisis kinerja algoritma Support Vector Machine (SVM) dengan empat fungsi kernel, yaitu Linear, Polynomial, Radial Basis Function (RBF), dan Sigmoid berbasis fusi fitur statistik HSV dan Grayscale dalam mengklasifikasikan enam kategori kondisi daun teh (Red Leaf Spot, Brown Blight, Bird's Eye Spot, Anthracnose, Algal Leaf, dan Healthy Leaf) pada dua kondisi dataset (tidak seimbang dan hasil hybrid resampling). Dataset yang digunakan berjumlah 1.929 citra yang diperoleh dari repositori publik Kaggle dengan ketidakseimbangan jumlah antar kelas. Tahapan penelitian meliputi prapengolahan citra menggunakan Center-Based Square Cropping, pembentukan dua skenario dataset, transformasi ruang warna HSV dan Grayscale, ekstraksi lima fitur statistik (Mean Hue, Mean Saturation, Mean Value, Mean Grayscale, Standard Deviation Grayscale), fusi fitur, normalisasi Z-score, serta klasifikasi SVM multikelas dengan strategi One-vs-Rest (OvR). Hasil pengujian menunjukkan bahwa kernel RBF memberikan performa terbaik pada kedua skenario dengan akurasi 80,83%, presisi 81,25%, recall 80,83%, dan F1-score 80,67%. Hybrid resampling memberikan peningkatan paling signifikan pada kernel Polynomial dengan kenaikan F1-score sebesar 1,80%, sementara kernel RBF menunjukkan stabilitas tinggi dengan perubahan mendekati nol. Kesalahan klasifikasi tertinggi terjadi antara kelas Brown Blight dan Algal Leaf akibat kemiripan karakteristik visual. Hasil penelitian menunjukkan bahwa algoritma SVM dengan kernel RBF efektif diterapkan dalam sistem klasifikasi penyakit daun teh dan dapat dimanfaatkan sebagai dasar pengembangan sistem identifikasi penyakit tanaman berbasis citra yang akurat dan efisien secara komputasi.

ENGLISH

Tea plant (Camellia sinensis) is a high-value plantation commodity susceptible to various leaf diseases. Manual disease identification is time-consuming and prone to errors due to visual similarities among disease classes. Therefore, a system capable of automatically, rapidly, and accurately classifying tea leaf diseases is essential. This study aims to analyze the performance of the Support Vector Machine (SVM) algorithm with four kernel functions Linear, Polynomial, Radial Basis Function (RBF), and Sigmoid based on the fusion of HSV and Grayscale statistical features in classifying six categories of tea leaf conditions (Red Leaf Spot, Brown Blight, Bird's Eye Spot, Anthracnose, Algal Leaf, and Healthy Leaf) under two dataset conditions: imbalanced and hybrid resampled. The dataset consists of 1,929 images obtained from the Kaggle public repository, with class imbalance among categories. The research stages include image preprocessing using Center-Based Square Cropping, the creation of two dataset scenarios, color space transformation to HSV and Grayscale, extraction of five statistical features (Mean Hue, Mean Saturation, Mean Value, Mean Grayscale, and Standard Deviation Grayscale), feature fusion, Z-score normalization, and multi-class SVM classification using the One-vs-Rest (OvR) strategy. The results show that the RBF kernel achieved the best performance in both scenarios with an accuracy of 80.83%, precision of 81.25%, recall of 80.83%, and F1-score of 80.67%. Hybrid resampling provided the most significant improvement on the Polynomial kernel with an F1-score increase of 1.80%, while the RBF kernel demonstrated high stability with near-zero changes. The highest classification errors occurred between the Brown Blight and Algal Leaf classes due to visual similarity. The findings indicate that the SVM algorithm with RBF kernel is effectively applicable for tea leaf disease classification and can serve as a foundation for developing an accurate and computationally efficient image-based plant disease identification system.

ARABIC

يعتبر نبات الشاي (Camellia sinensis) محصولاً زراعياً ذا قيمة اقتصادية عالية ومعرضاً لهجمات أمراض الأوراق. تتطلب عملية تحديد الأمراض يدوياً وقتاً طويلاً وتكون عرضة للأخطاء نتيجة التشابه البصري بين فئات الأمراض. لذلك، هناك حاجة إلى نظام قادر على تصنيف أمراض أوراق الشاي بشكل تلقائي وسريع ودقيق. هدف هذا البحث إلى تحليل أداء خوارزمية آلة المتجه الداعم (SVM) باستخدام أربع دوال نواة، وهي الخطية والمتعددة الحدود ودالة الأساس الشعاعي (RBF) ودالة سيجمويد، بناءً على دمج ميزات الإحصاءات للصور بصيغتي HSV وتدرج الرمادي في تصنيف ست فئات من حالات أوراق الشاي (بقعة الورقة الحمراء، العفن البني، بقعة عين الطائر، الأنثراكنوز، ورقة الطحلب، والورقة السليمة) في حالتين من مجموعات البيانات (غير متوازنة ونتيجة إعادة معاينة). تم استخدام مجموعة بيانات تحتوي على 1929 صورة تم الحصول عليها من المستودع العام Kaggle مع تفاوت في عدد الحالات بين الفئات. تشمل مراحل البحث معالجة الصور المسبقة باستخدام القص المربع المرتكز على المركز، وتشكيل سيناريوهين لمجموعة البيانات، وتحويل فضاء الألوان إلى HSV وGrayscale، واستخراج خمس ميزات إحصائية (متوسط التدرج اللوني، متوسط التشبع، متوسط القيمة، متوسط الرمادي، الانحراف المعياري للرمادي)، ودمج الميزات، وتطبيع Z-score، بالإضافة إلى التصنيف باستخدام SVM متعددة الفئات باستراتيجية One-vs-Rest (OvR). أظهرت نتائج الاختبار أن نواة RBF تقدم أفضل أداء في السيناريوهين مع دقة 80.83٪، وثبات 81.25٪، واسترجاع 80.83٪، ودرجة ف1 بلغت 80.67٪. قدمت إعادة المعاينة أعلى تحسن على نواة Polynomial بزيادة في درجة ف1 بمقدار 1.80٪، بينما أظهرت نواة RBF استقرارًا عاليًا مع تغييرات تقترب من الصفر. حدثت أعلى معدلات خطأ في التصنيف بين فئة العفن البني و ورقة الطحلب بسبب التشابه في الخصائص البصرية. توضح نتائج البحث أن خوارزمية SVM مع نواة RBF فعّالة عند تطبيقها في نظام تصنيف الأمراض أوراق الشاي ويمكن الاستفادة منها كأساس لتطوير نظام تحديد أمراض النباتات المعتمد على الصور بشكل دقيق وفعال من حيث الحوسبة.