KEMAJUAN DALAM PENGOLAHAN CITRA

SEBAGAI DETEKSI PENYAKIT PADA TANAMAN

ABSTRAK:
Penelitian mengenai ciri/penyakit tanaman mengacu pada penelitian tentang pola visual yang
diamati dari tanaman tertentu. Saat ini tanaman memiliki banyak ciri/penyakit. Kerusakan
yang disebabkan oleh serangga adalah salah satu ciri/penyakit utama. Insektisida tidak selalu
terbukti efisien karena insektisida mungkin beracun untuk beberapa jenis burung. Hal ini juga
merusak rantai makanan alami pada hewan.
Tindakan yang umum dilakukan ilmuwan tanaman adalah memperkirakan kerusakan
tanaman (daun, batang) karena penyakit dengan mata pada skala berdasarkan persentase
daerah yang terkena. Karenanya menghasilnya penilaian yang subjektif dan throughput yang
rendah. Makalah ini menunjukkan kemajuan dalam berbagai metode yang digunakan untuk
mempelajari penyakit/ciri tanaman menggunakan pengolahan citra. Metode penelitian yang
digunakan bertujuan untuk meningkatkan throughput & mengurangi subjektifitas yang timbul
dari ahli manusia dalam mendeteksi penyakit pada tanaman.
Kata kunci: penyakit tanaman, ciri, pengolahan citra
Pendahuluan
India adalah negara agraris; dimana sekitar 70% dari populasi tergantung pada pertanian.
Petani memiliki berbagai keragaman untuk memilih tanaman buah dan sayur yang cocok.
Namun, budidaya tanaman untuk hasil optimal dengan produk yang berkualitas memerlukan
teknik tinggi. Hal ini dapat ditingkatkan dengan bantuan dukungan teknologi. Pengelolaan
tanaman buah tahunan membutuhkan pemantauan ketat terutama untuk manajemen penyakit
yang dapat mempengaruhi produksi dan pertumbuhan pasca panen selanjutnya secara
signifikan.
Pengolahan citra dapat digunakan pada aplikasi pertanian untuk tujuan sebagai berikut:
1. Untuk mendeteksi penyakit pada daun, batang, buah
2. Untuk mengukur daerah yang terkena penyakit.
3. Untuk menemukan bentuk daerah yang terkena.
4. Untuk menentukan warna daerah yang terkena
5. Untuk menentukan ukuran & bentuk buah.
Dan lain-lain
Dalam kasus tanaman, penyakit didefinisikan sebagai setiap gangguan fungsi fisiologis dari
tanaman normal, sehingga menimbulkan gejala yang khas. Gejala adalah fenomena yang
menyertai sesuatu dan dianggap sebagai bukti yang ada. Penyakit disebabkan oleh patogen
yang menyebabkan penyakit. Dalam sebagian besar kasus, hama atau penyakit terlihat pada

daun atau batang tanaman. Oleh karena itu identifikasi tanaman, daun, batang dan mencari
tahu hama atau penyakit, persentase kejadian hama atau penyakit, gejala serangan hama atau
penyakit, memainkan peran kunci dalam keberhasilan budidaya tanaman.
Pada penelitian ini ditemukan bahwa penyakit menyebabkan kerugian tanaman berat sebesar
beberapa miliar dolar per tahun. Berikut dua contoh yang menunjukkan bahwa bagaimana
beberapa penyakit telah menghancurkan ekonomi negara. i) Daun kentang busuk [1,2]: Hal
ini terjadi pada 1845-1847 di Irlandia. Sekitar 1,5 juta orang meninggal karena kelaparan dan
1,5 lain juta mengungsi dan terpaksa pindah dari Irlandia ke daerah lain di dunia
ii) Canker: Ini adalah penyakit yang paling serius di Citrus. Hal ini banyak terjadi di Florida,
Georgia, Alabama, Louisiana, South Carolina, Texas, Brazil dan Mississippi. program
pemberantasan telah dimulai oleh beberapa negara sejak Penelitian 1915.Penelitian yang
dilakukan oleh Renato & lain [3] menunjukkan bahwa 1999-2008 tentang 2.327.772 tanaman
dibasmi di pembibitan jeruk & lebih dari US $ 116.000.000 hilang saat menghilangkan pohon
yang terinfeksi dan terkena dalam sepuluh tahun terakhir. Canker jeruk Asiatic masih lazim di
beberapa bagian dari Amerika Serikat.
Manajemen penyakit adalah tugas yang menantang. Sebagian besar penyakit terlihat pada
daun atau batang tanaman. Kuantifikasi tepat dari penyakit, hama dan ciri yang diamati
secara visual belum diteliti karena kompleksitas dari pola visual. Oleh karena itu telah ada
peningkatan permintaan untuk pemahaman pola gambar yang lebih spesifik dan canggih.
Dalam ilmu biologi, kadang-kadang ribuan gambar yang dihasilkan dalam percobaan tunggal.
Gambar-gambar ini dapat diperlukan untuk penelitian lebih lanjut seperti mengklasifikasikan
lesi, menilai ciri kuantitatif, menghitung daerah yang dimakan oleh serangga, dll Hampir
semua tugas ini diproses secara manual atau dengan paket perangkat lunak yang berbeda. Hal
ini tidak hanya merupakan pekerjaan yang besar tetapi juga terdapat kesulitan pada dua isu
utama: waktu pemrosesan yang berlebihan dan peningkatan subjektifitas dari individu yang
berbeda.
Oleh karena itu untuk melakukan eksperimen throughput yang tinggi, biologi tanaman
membutuhkan perangkat lunak komputer yang efisien untuk secara otomatis mengekstrak dan
menganalisis signifikan konten,Disinilah pengolahan citra memainkan penting peran.
Makalah ini menyajikan sebuah survei yang luas yang dilakukan untuk meneliti kemajuan
dalam teknik pengolahan gambar yang berbeda yang digunakan untuk mendukung
penyakit/ciri & hama tanaman.
[II] KEMAJUAN DALAM PENGOLAHAN CITRA SEBAGAI DETEKSI PENYAKIT
PADA TANAMAN
2.1. Survei literatur
Analisis menggunakan wavelet "[4] menawarkan teknik wavelet berbasis pengolahan citra
dan jaringan saraf untuk mengembangkan metode identifikasi on line dari kerusakan hama
dalam buah pip di kebun. Tiga hama yang lazim di kebun dipilih sebagai calon pada
penelitian ini: leaf-roller, codling moth, and apple leaf curling midge. Perubahan wavelet

secara cepat dengan set khusus Doubenchies wavelet digunakan untuk mengekstrak fitur
penting. Untuk mengambil gambar terkait, pencarian dilakukan dalam dua langkah.
Langkah pertama sesuai dengan gambar dengan membandingkan deviasi standar komponen
untuk tiga warna. Pada langkah kedua, versi terukur dari jarak Euclidean antara koefisien
fitur dari suatu gambar yang dipilih dalam langkah pertama dan yang berasal dari gambar
query dihitung dan gambar dengan jarak terkecil dipilih dan diurutkan sebagai pencocokan
gambar untuk query.
Metode Stereomicroscopic dan metode analisis gambar dibandingkan untuk kegunaan
analisis gambar sebagai metode yang efisien dan tepat untuk mengukur ciri buah seperti
ukuran, bentuk penyebaran struktur terkait dengan Mix & Pico [5] .Secara umum panjang
buah diperoleh dengan analisis gambar secara signifikan lebih besar dari yang tercatat dengan
stereomicroscopic. Hanya perkiraan panjang buah yang dilakukan tidak berbeda antara kedua
metode. Namun ada hubungan yang sangat signifikan antara perkiraan panjang buah yang
diperoleh dari kedua metode untuk semua jenis studi. Hal ini menunjukkan bahwa kedua
analisis stereomicroscopic dan gambar secara akurat mendiskriminasi buah dari berbagai
ukuran. Tapi kemudian disimpulkan bahwa analisis citra memiliki keuntungan sebagai
berikut: 1) nilai tinggi parameter buah diperoleh dengan satu pengukuran tunggal 2)
minimalisasi kesalahan manusia 3) pengurangan waktu yang dibutuhkan untuk memperoleh
set data yang besar tentang ciri variabilitas buah 4) memiliki kemungkinan untuk
memperkirakan variabilitas ciri buah pada buah dengan bentuk yang rumit.
Hama pada daun menimbulkan efek luar yang khas pada tanaman seperti daun yang bergulir
atau menghancurkan keseluruhan tanaman. Hama penghisap mengurangi kelembaban pada
daun. Semua efek ini mengubah kandungan klorofil dari tanaman sesuai dengan variasi
dalam gambar spektral. Ahsan dan Umer meneliti kemungkinan untuk mendeteksi efek ini
dengan menggunakan berbagai teknik penginderaan jauh untuk akuisisi citra spektral oleh
citra satelit, gambar udara dari carteran atau pesawat model
[6].
Sebuah pendekatan baru diusulkan [7] untuk mengintegrasikan teknik analisis gambar ke ahli
diagnostik sistem. Sebuah model diagnostik CLASE (Central Lab. of Agricultural Expert
System) digunakan untuk mengelola tanaman mentimun. Ahli sistem menemukan penyakit
observasi pengguna. Untuk mendiagnosis gangguan dari gambar daun, empat gambar fase
pengolahan yang digunakan: peningkatan, segmentasi, ekstraksi fitur dan klasifikasi .Mereka
kemudian menguji tiga kelainan yang berbeda seperti daun penambang, tepung dan downey.
Pendekatan yang diusulkan memiliki kesalahan yang rentan berkurang antara sistem dan
pengguna.
Ciri-ciri morfologi daun digunakan untuk klasifikasi tanaman dan diagnosis awal penyakit
tanaman tertentu. Paper [8] menyajikan desain dan implementasi sistem visi buatan yang
ekstrak spesifik geometris dan fitur morfologi dari daun tanaman. Sistem yang diusulkan
terdiri dari sistem visi buatan (kamera), kombinasi algoritma pengolahan citra dan pakan
maju saraf berdasarkan klasifikasi jaringan. Teknik seleksi permukaan kabur untuk fitur
seleksi telah digunakan.

Pendekatan prediksi berdasarkan mesin vektor bantuan untuk mengembangkan cuaca

berdasarkan model prediksi penyakit tanaman diusulkan oleh Rakesh & Amar [9]. Kinerja
regresi ganda konvensional, jaringan syaraf tiruan (propagasi kembali jaringan saraf, regresi
umum jaringan saraf) dan support vector machine (SVM) dibandingkan. Dapat disimpulkan
bahwa pendekatan regresi berdasarkan SVM telah menyebabkan penjelasan yang lebih baik
dari hubungan antara kondisi lingkungan dan tingkat penyakit yang bisa berguna untuk
manajemen penyakit.
Prasad Babu & Srinivasa Rao mengusulkan propagasi jaringan saraf kembali untuk
penemuan di daun [10]. Hal tersebut membuktikan bahwa hanya propagasi jaringani kembali
dan bentuk gambar daun cukup untuk menentukan jenis daun. Deteksi tepi Prewitt dan
algoritma menipis digunakan untuk menemukan bukti daun sebagai masukan untuk algoritma
propagasi kembali. Dilaporkan bahwa ada ruang untuk meningkatkan pekerjaan ini yang
melibatkan eksperimen lebih dengan pelatihan set besar untuk mengenali berbagai daun
dengan hama atau kerusakan daun karena serangga atau penyakit dan mengembangkan
sistem pakar.
Pendekatan jaringan saraf untuk segmentasi pada bidang pertanian dalam penginderaan data
jauh diusulkan [11]. Sebuah algoritma jaringan saraf berdasarkan propagasi kembali
digunakan untuk segmentasi gambar warna sawah terinfeksi oleh penyakit yang merubah
warna biasa tanaman.
Paper [12] mengimplementasikan algoritma penemuan daun menggunakan fitur mudahekstrak dan algoritma pengenalan efisien tinggi. Pendekatan Probabilistic Neural Network
(PNN) untuk penemuan daun tanaman digunakan. Fitur yang diekstraksi dan diproses oleh
PCA untuk membentuk masukan untuk PNN. Ditemukan bahwa algoritma bekerja dengan
akurasi dari 90% pada 32 jenis tanaman
Paper [13] menjelaskan sistem yang memperkenalkan manajemen komputer ke budidaya
Proses di rumah kaca berteknologi rendah. Sistem yang diusulkan diimplementasikan sebagai
aplikasi berbasis web yang menggunakan teknologi open source & subsistem terdiri dari
modul yang menyediakan: 1) informasi statis tentang proses budidaya dan pemasaran
tanaman, 2) simulasi dan model prediksi kepentingan umum, 3) lingkungan kolaborasi dan 4)
kemampuan dan dukungan sistem ahli. Sistem ahli adalah adaptasi dari sistem ahli VEGES.
Hal ini digunakan sebagai aplikasi berbasis web. Hal ini dapat digunakan untuk identifikasi
hama, penyakit dan gangguan gizi.
Santanu & Jaya menggambarkan sebuah prototipe perangkat lunaksistem dalam makalah [14]
untuk deteksi penyakit berdasarkan pada gambar yang terinfeksi dari berbagai tanaman padi.
Mereka menggunakan gambar pertumbuhan, teknik segmentasi pencitraan untuk mendeteksi
bagian yang terinfeksi dari tanaman. algoritma zooming digunakan untuk mengekstrak fitur
dari gambar. Self Organize Maps (SOM) jaringan saraf yang digunakan untuk
mengklasifikasikan gambar kenaikan penyakit.
In [15] metode baru yang cepat & akurat dikembangkan yang didasarkan pada pengolahan
citra untuk grading penyakit tanaman. Mereka mensegmantasi wilayah daun menggunakan

segmentasi Otsu. Penyakit pada tanaman yang dinilai dengan menghitung hasil bagi bercak
penyakit & daerah daun.
Penyakit daun anggur terdeteksi[16] dari warna citra menggunakan sistem hibrid. Mereka
menggunakan SOM & penjalaran kembali jaringan saraf untuk mengenali warna daun
anggur. Informasi ini digunakan untuk piksel segmen daun anggur dalam gambar. Kemudian
segmentasi penyakit daun anggur dilakukan dengan menggunakan fitur SOM yang
dimodifikasi dengan algoritma genetika untuk optimasi & dukungan klasifikasi mesin vektor.
Gambar tersegmentasi disaring menggunakan Gabor wavelet yang memungkinkan sistem
untuk menganalisis fitur warna penyakit daun yang lebih efisien. Dukungan mesin vektor
kemudian diterapkan untuk mengklasifikasikan jenis penyakit daun anggur.
Ying & peneliti lain mempelajari metode gambar preprocessing untuk mengenali penyakit
tanaman [17]. Mereka menggunakan mentimun tepung, belu & berbulu halus sebagai sampel
penelitian & melaporkan perbandingan penelitian efek dari filter sederhana dan filter median.
Mereka menyatakan bahwa daun dengan bintik-bintik harus di pra-proses terlebih dahulu
agar menunjukkan diagnosis penyakit tanaman berdasarkan pengolahan citra dan fitur yang
sesuai harus diekstrak pada dasar ini.
Mereka melaporkan berikut gambar penting pada metode pra-proses
1) gambar kliping: Memisahkan daun dengan bintik-bintik dari latar belakang yang
kompleks.
2) pengurangan kebisingan: dua filter-filter sederhana dan filter median dibandingkan dan
akhirnya median filter yang dipilih untuk menghapus suara untuk gambar.
3) threshoilding: untuk segmen atau gambar partisi ke latar belakang tempat
Dalam kata, gambar pra-pengolahan dapat membuat ekstraksi berikut parameter karakteristik
tidak akan terpengaruh oleh latar belakang, bentuk dan ukuran daun, cahaya dan kamera dan
membuat dasar yang baik untuk mengikuti karakteristik parameter yang efektif untuk
diagnosis penyakit, serta menyiapkan sistem pengenalan pola

2.2. Ringkasan Survey Literatur:

Dari survei literatur diatas ditemukan bahwa metode berikut digunakan oleh berbagai peneliti
untuk mendeteksi & analisa penyakit tanaman :
1. Propagasi kembali jaringan syaraf
2.Teknik pencitraan udara hiperspektrum dan tepi merah
3.Analisis pencitraan terintegrasi dengan Central Lab. of Agricultural Expert System
(CLASE) model diagnostik.
4.Kombinasi fitur morfologi daun, pengolahan gambar, jaringan neural berbasis classifier
& Teknik seleksi permukaan kabur untuk seleksi fitur.

5.Mesin vektor bantuan untuk mengembangkan cuaca berdasarkan model prediksi tanaman
penyakit.
6. Teknik Wavelet berbasis pengolahan citra dan jaringan syaraf.
7. Pengolahan citra dengan PCA & Probabilistic Neural Network (PNN).
8. Kombinasi gambar pertumbuhan, gambar segmentasi, algoritma zooming & Self
Organizing Map (SOM) jaringan saraf untuk mengelompokkan gambar kenaikan penyakit.
9. SOM & propagasi kembali jaringan saraf dengan algoritma genetika untuk optimasi &
dukungan vektor mesin untuk klasifikasi.
10. Gambar kliping, penyaringan & threshoulding.
11. Otsu segmentasi, K-means & umpan propagasi kembali jaringan saraf.

[V] Kesimpulan
Survei literatur dilakukan dalam makalah ini memberikan wawasan baru dalam deteksi
penyakit tanaman. Ruang lingkup dalam melakukan penelitian di bidang ini adalah sebagai
berikut:
1. Terdapat dua karakteristik deteksi penyakit-tanaman menggunakan metode pembelajaranmesin yang harus dicapai, yaitu: kecepatan dan akurasi. Oleh karena itu, terdapat cakupan
untuk berkerja dalam pengembangan inovasi, efisiensi, dan algoritma cepat yang akan
membantu ahli tanaman mendeteksi penyakit
2. Pekerjaan yang bisa dilakukan untuk secara otomatis memperkirakan tingkat keparahan
penyakit.
3. Pekerjaan yang diusulkan oleh peneliti Yao [21] dapat diperpanjang untuk pengembangan
algoritma hybrid seperti algoritma genetika & jaringan saraf di untuk meningkatkan tingkat
pengakuan final proses klasifikasi