Klasifikasi Penyakit Pada Padi Dengan Ekstraksi Fitur LBP dan GLCM

Abstract

Padi merupakan salah satu komoditas penting di Indonesia yang menjadi sumber utama pangan, namun sering terancam oleh berbagai penyakit yang dapat menyebabkan gagal panen. Deteksi dini penyakit pada padi sangat penting, namun sulit dilakukan secara manual oleh petani. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi penyakit pada tanaman padi menggunakan ekstraksi fitur GLCM (Gray Level Co-occurrence Matrix) dan warna. Metode yang digunakan meliputi akuisisi citra, segmentasi citra menggunakan Otsu thresholding, operasi morfologi dengan area-open, ekstraksi fitur LBP (Local Binary Pattern) dan GLCM, serta klasifikasi dengan algoritma Decision Tree. Dataset yang digunakan terdiri dari 120 citra daun padi yang terinfeksi oleh tiga jenis penyakit: Brown Spot, Hispa, dan Leaf Blast. Berdasarkan hasil pengujian, sistem klasifikasi ini berhasil mencapai akurasi sebesar 90%. Hasil ini menunjukkan bahwa kombinasi ekstraksi fitur LBP dan GLCM mampu meningkatkan akurasi dalam mendeteksi penyakit pada padi jika dibandingkan dengan metode K-Nearest Neighbor (KNN) yang hanya mencapai akurasi sekitar 77%. Meskipun demikian, kesalahan klasifikasi masih terjadi pada penyakit dengan gejala yang serupa, seperti Leaf Blast yang terkadang terdeteksi sebagai Brown Spot. Oleh karena itu, penelitian ini menyarankan pengembangan teknik ekstraksi fitur yang lebih kompleks atau penggabungan metode lain untuk meningkatkan akurasi sistem. Diharapkan, sistem ini dapat diimplementasikan di lapangan untuk membantu petani dalam mendeteksi dan menangani penyakit padi lebih cepat, meningkatkan hasil pertanian, serta ketahanan pangan di Indonesia.