Literatur Review : Klasifikasi Penyakit Tanaman Padi Berdasarkan Citra Udara dengan Algoritma SVM
Keywords:
Deteksi Penyakit Padi, Klasifikasi Citra, Support Vector Machine (SVM), Pengolahan Citra, Preprocessing Citra, Penginderaan Jauh, Citra Udara, Drone, Teknologi Pertanian, Pemantauan Tanaman, Kernel Optimization, Klasifikasi Non-linear, Sistem Deteksi Dini, Pemrosesan Gambar OtomatisAbstract
Padi merupakan tanaman pangan pokok yang menjadi sumber bahan pangan bagi lebih dari 50% populasi global. Di Indonesia, padi dikenal sebagai tanaman pangan pokok dan dikonsumsi oleh jutaan masyarakat bangsa Indonesia. Padi sering kali diserang oleh berbagai penyakit selama masa pertumbuhannya sehingga bisa menurunkan produksi padi secara signifikan. Oleh karena itu, pendeteksian dini penyakit padi dan serta klasifikasi juga merupakan hal yang penting untuk dilakukan agar kerugian panen padi jauh lebih kecil dari penggunaan sistem pendeteksi penyakit padi bisa dilaksanakan lebih dini. Tujuan dari studi literatur ini adalah untuk mengkaji aplikasi algoritma Support Vector Machine dalam mengklasifikasian penyakit tanaman padi berdasarkan citra udara yang diambil oleh drone. Secara spesifik, tinjauan literatur meliputi penelitian-penelitian teknik klasifikasi penyakit tanaman dengan algoritma SVM, metode-metode preprocessing citra untuk mengenali penyakit pada tanaman padi, dan aplikasi teknologi penginderaan jauh berupa citra udara atau drone dalam pemantauan kondisi pertumbuhan tanaman. Berdasarkan hasil kajian, diketahui bahwa algoritma Support Vector Machine memiliki performa yang baik dalam melakukan klasifikasi citra, yakni sebesar 85-95%. Hal ini didukung oleh kemampuan SVM dalam melakukan klasifikasi data non-linear dan memiliki generalisasi yang baik. Sementara itu, algoritma SVM memiliki kelebihan dalam penanganan pada pencahayaan gambar. Selain algoritma, pengambilan citra dengan drone juga membuktikan efektif. Ini dikarenakan drone mampu memantau keadaan gabah jauh lebih luas dibandingkan dengan metode survei langsung. Beberapa tantangan dalam implementasi sistem ini juga menghasilkan hasil performansi. Adapun tantangan dalam implementasi sistem ini adalah variasi kualitas citra yang dipengaruhi oleh pencahayaan dan ketinggian, serta gejala penyakit padi yang beragam. Namun, pengoptimalan algoritma, seperti kernel dapat menaikkan hasil performansi. Secara keseluruhan, kajian literatur memberikan kajian ilmiah praktis tentang sistem deteksi penyakit padi otomatis berbasis image processing. Sistem ini sangat lah membantu bagi petani dan para stakeholder pertanian dalam rangka pendeteksian dini dan penanganan penyakit padi.
References
ROZI, M. F. F. (2023). DETEKSI KANKER KULIT MELANOMA MENGGUNAKAN MOBILENETV2 CONVOLUTIONAL NEURAL NETWORK BERBASIS ANDROID (Doctoral dissertation, UNIVERSITAS ISLAM SULTAN AGUNG).
Mita, N. K. A., Siddiq, M. F., Laurnt, A., Erviana, R., & Kurniawan, R. (2024, September). Optimalisasi Ketahanan Pangan: Perbandingan Metode Machine Learning dan Time Series dalam Memprediksi Produksi Padi di Jawa Tengah. In PROSIDING SEMINAR NASIONAL SAINS DATA (Vol. 4, No. 1, pp. 140-153).
Koto, A. G., Koto, H. A., & Dangkua, T. (2023). Spasial Luas Tanam Padi Sawah Irigasi Berdasarkan Citra Satelit Optis. Jurnal Teknologi Pertanian Gorontalo (JTPG), 8(2), 63-69.
Baihaqi, K. A., & Zonyfar, C. (2022). Deteksi Lahan Pertanian Yang Terdampak Hama Tikus Menggunakan Yolo v5: Indonesia. Syntax: Jurnal Informatika, 11(02), 01-11.
Wijayanti, E. A., Rahmadanti, T., & Enri, U. (2021). Perbandingan Algoritma SVM dan SVM Berbasis Particle Swarm Optimization Pada Klasifikasi Beras Mekongga. Generation Journal, 5(2), 102-108.
Zebua, E. T. P., & Rosyani, P. (2024). Perancangan Deteksi Objek Kendaraan Bermotor Berbasis OpenCV Python menggunakan Metode HOG-SVM untuk Analisis Lalu Lintas Cerdas. AI dan SPK: Jurnal Artificial Intelligent dan Sistem Penunjang Keputusan, 2(1), 16-26.
Al Husyairi, R., Setiawan, B., Septian, M. A., & Rosyani, P. (2023). The Penggunaan Sistem Pakar Dalam Mendiagnosis Penyakit Tanaman Padi Menggunakan Metode Fuzzy Logic. TEKNOBIS: Jurnal Teknologi, Bisnis dan Pendidikan, 1(1), 113-118.
BDR, M. F., Ridwan, I., Adzima, A. F., & Anshori, M. F. (2021). Penggunaan pesawat tanpa awak (drone) dalam melakukan pemantauan dan identifikasi otomatis pada pertanaman jagung di Kelompok Tani Pattarowangta, Kabupaten Takalar. Jurnal Dinamika Pengabdian, 7(1).
El Nino, B., Kurnia, N., Agustin, M., Oktavia, C., Nuraini, N. H., & Hidayat, Y. P. (2021). Klasifikasi Penyakit Padi Menggunakan Metode Support Vector Machine (Svm). JIKO (Jurnal Informatika dan Komputer), 5(2), 67-72.
Pratama, R. A. (2022). Penerapan Wahana Terbang Tanpa Awak untuk Memprediksi Waktu Panen pada Lahan Pertanian Berbasis Pengolahan Citra Digital. CYCLOTRON, 5(1).
Ikasari, I. H., Amalia, R., & Rosyani, P. (2021). Segmentasi Citra Bunga Menggunakan Blob Analisis. Building of Informatics, Technology and Science (BITS), 3(3), 228-234.
Firdaus, R. A., Hermawan, E., & Kamilah, N. (2024). IMPLEMENTASI METODE NORMALIZE DIFFERENCE DROUGHT INDEX (NDDI) TERHADAP PEMANTAUAN PRODUKTIVITAS PERTANIAN TANAMAN PADI (STUDI KASUS: KECAMATAN JONGGOL TAHUN 2019-2022). INFOTECH journal, 10(1), 147-160.
Pratama, R. A. (2022). Penerapan Wahana Terbang Tanpa Awak untuk Memprediksi Waktu Panen pada Lahan Pertanian Berbasis Pengolahan Citra Digital. CYCLOTRON, 5(1).
Utomo, P., Asvio, N., & Prayogi, F. (2024). Metode Penelitian Tindakan Kelas (PTK): Panduan Praktis untuk Guru dan Mahasiswa di Institusi Pendidikan. Pubmedia Jurnal Penelitian Tindakan Kelas Indonesia, 1(4), 19-19.
Ikasari, I. H., Amalia, R., & Rosyani, P. (2021). Segmentasi Citra Bunga Menggunakan Blob Analisis. Building of Informatics, Technology and Science (BITS), 3(3), 228-234.
Firdaus, M. R. (2021). Penerapan Algoritma Convolutional Neural Network dalam Klasifikasi Telur Ayam Fertil dan Infertil Berdasarkan Hasil Candling. Jurnal Informatika Universitas Pamulang, 5(4), 563-571.
Holifah, S. N., Saputra, R. T., Nurali, U. M., Saifudin, A., & Nirmala, E. Aplikasi Sistem Pakar untuk Diagnosa Penyakit pada Padi dengan Metode Forward Chaining. Jurnal Informatika Universitas Pamulang, 6(3), 570-574.
