DETEKSI PENYAKIT BUSUK BUAH PADA TANAMAN CABAI

BERDASARKAN CITRA DAUN MENGGUNAKAN ALGORITMA

K-MEANS
Deni Priyadi 1
1
Prodi Informatika, Fakultas Teknik, Universitas Majalengka, Majalengka
Denipriyadi90@gmail.com

INFORMASI
ABSTRAK
ARTIKEL
Uraikan abstrak di sini
Article history:
Received
Revised
Accepted

Keywords:
Cabai
Citra Daun
K-Means
Keyword4
Keyword5

1. Pendahuluan Pasar Tradisional merupakan

Cabai termasuk ke dalam jenis
tanaman holtikultura yang sangat
mudah ditanam di berbagai dataran,
baik di dataran rendah ataupun di
dataran tinggi. Selain dapat tumbuh di
mana saja, cabai merupakan sebuah
peluang bisnis yang menjanjikan bagi
para Petani, (Harpenas, 2010)
Cabai mempunyai ciri khas yang
sangat pedas bagi Sebagian kalangan,
namun di beberapa daerah cabai ini
sangat penting dalam setiap
masakannya. Salah satu daerah yang
wajib menggunakan cabai ialah daerah
Padang. Selain dari rasa pedas cabai
juga memiliki protein, kalori, lemak,
karbohidrat, kalsium, serta vitamin
A,B1, dan C. lalu cabai juga dapat
melancarkan sirkulasi darah ke jantung.
(Harpenas, 2010) Tak heran apabila
permintaan pembeli di pasar sangat
melambung tinggi dan harganya paling
flutuaktif di Pasar Tradisional.
tempat terjadinya jual beli kebutuhan
pokok masyarakat. Di sini kita dapat
menjumpai berbagai jenis cabai. Mulai
dari cabai keriting, cabai rawit, cabai
domba dan masih banyak lagi. Di pasar
tradisional terdapat banyak penjual dan
pembeli. Namun, sayang ga semua
bulan selalu tersedia banyak cabai. Ada
beberapa bulan yang stock cabainya
kosong, namun permintaanya sedang
tinggi-tingginya.
Stock kosong di pasar tradisional
diakibatkan oleh hasil panen cabai
kurang baik. Penyebab terjadinya
penurunan stock di pasar tradisional
disebabkan karena adanya penyakit
salah satu contohnya Busuk buah.
2
Gambar 1. Penyakit Busuk Buah Antraknosa
Serangan penyakit patek, busuk
buah atau antraknosa pada tanaman
cabai dapat mengakibatkan kerugian
yang sangat besar dan bahkan serangan
penyakit ini menimbulkan kegagalan
panen yang diakibatkan rusaknya buah
cabai. [1]
Gejala awal penyakit ini ditandai
dengan munculnya bercak yang agak
mengkilap, sedikit terbenam dan berair,
berwarna hitam, orange dan coklat.
Warna hitam merupakan struktur dari
cendawan (mikro skelerotia dan
aservulus), apabila kondisi lingkungan
lembab tubuh buah akan berwarna
orange atau merah muda. Luka yang
ditimbulkan akan semakin melebar dan
membentuk sebuah lingkaran konsentris
dengan ukuran diameter sekitar 30 mm
atau lebih. Dalam waktu yang tidak
lama buah akan berubah menjadi coklat
kehitaman dan membusuk, ledakan
penyakit ini sangat cepat pada musim
hujan. Serangan yang berat
menyebabkan seluruh buah keriput dan
mengering. Warna kulit buah seperti
jerami padi.
Batang yang terserang oleh
patogen ini menunjukkan bercak coklat
kehitaman dan selanjutnya mengering.
Pada serangan berat bercak kehitaman
2. Metode
menjalar ke seluruh jaringan dan
akhirnya tanaman mengalami kematian.
Kehilangan hasil yang disebabkan oleh
penyakit ini dapat mencapai 90%
(Jiang, et al. 2015). Maka, diperlukan
mendeteksi citra daun di awal masa
pertumbuhan, agar mengurangi resiko
gagal panen.
JISTEC : Journal of Information and System Technology
ISSN 0000-0000 (Online)
Pengolahan citra banyak sekali
digunakan di berbagai bidang seperti
pada bidang kesehatan, contohnya
Untuk menganalisis tekstur nucleus
dan /mendetaksi sitoplasma (Septian et
al., 2016). Untuk mendeteksi
diameternya tumor pada kulit (Sucipto
& Riana, 2013). Untuk mendiagnosa
potensi dari glaucoma (Arifin, Riana, &
Hapsari, 2014) dan masih banyak lagi.
Selain, dari bidang Kesehatan,
pengolahan citra juga diterapkan pada
bidang pertanian, contohnya
Implementasi Algoritme K-Means
Sebagai Metode Segmentasi Citra
Dalam Identifikasi Penyakit Daun
Jeruk. (Febrinanto, Dewi, & Wiratno,
2018). Dari penelitian ini dapat
disimpulkan bahwa algoritma K-Means
dapat menghasilkan tingkat akurasi
sebesar 90.83%. Lalu ada Segmentasi
Berbasis K-Means Pada Deteksi Citra
Penyakit Daun Tanaman Jagung
(Rosiani, Cahya, Rahmawati, &
Tupamahu, 2020). Dari penelitian ini
dapat disimpulkan bahwa algoritma K-
Means clustering ini menghasilkan
keluaran tingkat keakuratan yang baik
sebesar 90%
Dengan adanya permasalahan
yang terjadi di masyarakat dan juga
penelitian-penelitian yang sebelumnya
sudah ada. Maka peneliti memustuskan
untuk menggunakan pengolahan citra
digital untuk mendeteksi penyakit yang
ada pada tanaman cabai dan juga
menggunakan algoritma K-Means
Clustering untuk segmentasi citra pada
penyakit tanaman cabai. Alasannya
algoritma K-Means dapat
mengelompokkan citra daun yang
berdasarkan penyakitnya dengan tingkat
keakuratan yang tinggi
Berdasarkan gambar 2, untuk
metode yang dilakukan pada penelitian ini
dapat menggunakan metode sebagai
berikut :
a. Masukan citra daun penyakit busuk
buah cabai
 3
ISSN 2502-3357 (Online)
F. Fulan, et. al./Register 7 (1) January 2021 pp. 1-5 ISSN 2503-0477 (Print)
b. Mengubah ukuran asli citra daun d. Ulangi langkah hingga lengkap
menjadi ukuran 400x400 meliputi seluruh hasil nilai data dalam
c. Transformasi warna RGB ke warna perpindahan satu klaster ke klaster
L*a*b* lainnya (Widodo et al., 2011).
d. Lakukan segmentasi pada citra daun Data yang digunakan untuk diklaster
menggunakan algoritma K-Means diperoleh dengan membandingkan jarak
e. Hitung jarak kemiripan warna dari (distance), jarak digunakan untuk
hasil segmentasi yang disimpan pada menentukan tingkat kesamaan (similarity
training dengan menggunakan degree) atau ketidaksamaan dua vektor
pendekatan warna Euclidean Distance. fitur.
Tingkat kesamaan berupa suatu nilai
(score) dan berdasarkan skor tersebut dua
vektor fitur akan dikatakan mirip atau
tidak. Euclidean distance adalah metrika
yang paling sering digunakan untuk
menghitung kesamaan 2 vektor. Euclidean
distance menghitung akar dari kuadrat
perbedaan 2 vektor (Mara & Satyahadewi,
2013).

Contoh dari algoritma K-Means

yaitu:
a. Iterasi ke-1. Pusat – pusat gugusan
ditetapkan secara acak. Piksel – piksel
akan ditempatkan ke pusat – pusat
terdekat.
b. Iterasi ke-2. Setiap pusat – pusat
gugusan berpindah/bergerak ke pusat
tengah rataan, semua pikselnya.
c. c. Iterasi ke-n. Semua pusat gugusan
Gambar 2. Flowchart sistem telah stabil.
Algoritma K-Means secara umum 3. Hasil dan Pembahasan
dilakukan dengan algoritma dasar sebagai
berikut: Uriaan hasil dan pembahasan
a. Data yang dipisahkan dikelompokan 4. Kesimpulan
kedalam kelompok-kelompok data
Uraian kesimpulan
(klaster) k dan nilainilai data diacak
kedalam hasil-hasil yang dimasukan 5. Ucapan terima kasih
kedalam kelompok data yang
memiliki kesamaan jumlah dari nilai Uraian ucapan terima kasih
data.
b. Menghitung setiap nilai data 6. Referensi
menggunakan jarak Euclidean pada
setiap klaster.
c. Abaikan jika nilai data diwakili oleh
kelompok datanya sendiri , dan
pindah nilai kedalam kelompok data
yang telah terwakili jika nilai data
tersebut tidak diwakili oleh kelompok
data.

Write some words of tile … http://doi.org/10.26594/register.v6i1.idarticle

2021 Register: Jurnal Ilmiah Teknologi Sistem Informasi (Scientific Journal of Information System Technology) with CC BY NC SA license.