Komparasi Algoritma Machine Learning untuk Deteksi Kondisi Daun Lengkuas Menggunakan Fitur Warna RGB dan HSV

Abstract

Penurunan kualitas tanaman lengkuas (Alpinia galanga) dapat ditandai dengan munculnya gejala pada daun yang perlu diidentifikasi sejak awal. Penelitian ini bertujuan membandingkan algoritma machine learning untuk mendeteksi kondisi daun lengkuas berdasarkan fitur warna RGB dan HSV. Penelitian dilakukan di kebun lengkuas Desa Cranggang menggunakan 100 citra daun. Pada tahap awal, kondisi daun ditentukan berdasarkan pengamatan visual dan menghasilkan 76 citra daun sakit dan 24 citra daun sehat. Selanjutnya, dilakukan penentuan kategori menggunakan pendekatan rule-based berdasarkan diameter bercak yang terdeteksi secara komputasional dengan ambang batas 0,5 cm, sehingga diperoleh hasil akhir 82 citra dengan kategori sakit dan 18 citra dengan kategori sehat. Citra kemudian diolah menjadi fitur numerik berupa nilai rata-rata RGB dan HSV. Fitur tersebut dinormalisasi menggunakan Z-transformation untuk mengatasi perbedaan skala antarfitur sebelum pengujian algoritma K-Nearest Neighbor (KNN), Support Vector Machine (SVM), dan Random Forest (RF) dengan metode 10-fold Cross Validation. Hasil pengujian menunjukkan KNN memperoleh akurasi 85%, SVM 87%, dan RF 84%. KNN mengklasifikasikan 80 citra sakit dan 5 citra sehat dengan benar, SVM dengan 81 citra sakit dan 6 citra sehat, sedangkan RF dengan 77 citra sakit dan 7 citra sehat. Nilai AUC masing-masing sebesar 0,867, 0,833, dan 0,868. Berdasarkan accuracy sebagai kriteria utama, SVM dipilih sebagai algoritma terbaik dengan akurasi 87%. Hasil dari penelitian ini diharapkan menjadi referensi dalam memilih algoritma terbaik untuk mendeteksi kondisi daun pada tanaman lengkuas.