Perpustakaan Digital ITB

Dengan kemajuan teknologi saat ini, telah dikembangkan berbagai cara untuk mendeteksi penyakit pada tumbuhan. Diagnosa penyakit pada tumbuhan secara manual membutuhkan biaya yang besar, serta waktu yang lama. Oleh karena itu, telah dikembangkan berbagai pendekatan, salah satunya adalah dengan menggunakan metode pembelajaran mesin. Metode ini memanfaatkan feature extraction untuk mendeteksi penyakit dari gambar tumbuhan. Terdapat beberapa feature extraction yang akan dibandingkan, yaitu HOG (Histogram of Oriented Gradients), ORB (Oriented FAST and Rotated BRIEF), dan SURF (Speeded-Up Robust Features). Selain itu akan dilakukan percobaan untuk menggabungkan serta membandingkan feature extraction tersebut (hybrid feature extraction). Tujuan utama dari percobaan ini adalah untuk menemukan hybrid function paling baik, berdasarkan metrik akurasi, F1-Score, dan Area Under ROC. Dataset yang digunakan berasal dari PlantVillage. Tipe data pada dataset ini adalah gambar dengan format JPEG. Dataset ini terdiri atas tiga kelas yang berbeda, yaitu potato early blight, potato late blight, dan healthy. Classifier yang akan digunakan adalah SVM (Support Vector Machine) dan Decision Tree. Pengujian dievaluasi dengan metrik akurasi, F1-Score, dan Area Under ROC (AUROC). Berdasarkan pengujian yang telah dilakukan, didapatkan bahwa metode hybrid feature extraction ORB dan SURF (ORB+SURF) dan classifier SVM menghasilkan prediksi dengan akurasi sebesar 89,87% dan F1-Score sebesar 89,77%. Hybrid feature extraction ORB+SURF dan classifier SVM juga mempunyai nilai Area Under ROC yang terbaik, yaitu sebesar 0,93.