Jurnal Algoritma.
Logika dan Komputasi Versi Online: https://journal.
id/index.
php/alu DOI: http://dx.
org/10.
30813/j-alu.
Vol.
IX (No.
: 857 - 863.
Th.
p-ISSN: 2620-620X
e-ISSN: 2621-9840
IDENTIFIKASI PENYAKIT DAUN SELADA MENGGUNAKAN
SUPPORT VECTOR MACHINE (SVM) BERBASIS EKSTRAKSI
FITUR VISUAL
Lettuce Leaf Disease Identification Using Support Vector Machine (SVM) Based on Visual Feature Extraction Muh.
Ulil Amri, 105841106221@student.
Chyquitha Danuputri.
Kom.
,M.
Kom, chyquithadanuputri@unismuh.
Rizki Yusliana Bakti.
rizkiyusliana@unismuh.
Ir.
Muhammad Syafaat S.
Kuba.
syafaat_skuba@unismuh.
ida, dan Muhyiddin A M Hayat S.
Kom.
muhyiddin@unismuh.
Informatika/Fakultas Teknik.
Universitas Muhammadiyah Makassar Pengairan/Fakultas Teknik.
Universitas Muhammadiyah Makassar
Diterima 11 Agustus 2025 / Disetujui 20 Februari 2026
ABSTRACT
Lettuce (Lactuca sativa L.
) is a horticultural commodity with high economic value, but its productivity is often hampered by disease attacks.
Manual identification by farmers is often inaccurate due to similar visual symptoms between diseases.
This study aims to develop an automated disease identification system using a Support Vector Machine (SVM) based on visual feature extraction.
The research focuses on classifying four conditions of lettuce leaves: Healthy.
Cercospora Leaf Spot .
aused by Cercospora longissim.
Tip Burn, and Etiolation.
The methodology involves extracting color features from the HSV color space and texture features using the Gray-Level Co-occurrence Matrix (GLCM).
The effectiveness of data augmentation and hyperparameter optimization using Particle Swarm Optimization (PSO) was also evaluated through three comparative scenarios.
The results showed that data augmentation significantly increased the model's accuracy from a baseline of 69.
57% to 92.
Further optimization with PSO improved the performance to a final accuracy of 93.
The best model demonstrated a balanced F1-Score above 0.
91 for all classes, proving that the combination of HSV and GLCM feature extraction, data augmentation, and PSO-based SVM optimization is a robust and effective method for lettuce disease identification, offering a promising tool for precision agriculture.
Keywords: Disease Identification.
Lettuce.
Support Vector Machine.
Feature Extraction.
Particle Swarm Optimization.
ABSTRAK
Selada (Lactuca sativa L.
) merupakan komoditas hortikultura bernilai ekonomi tinggi, namun produktivitasnya sering terhambat oleh serangan penyakit.
Identifikasi manual oleh petani seringkali tidak akurat karena kemiripan gejala visual antar penyakit.
Penelitian ini bertujuan untuk membangun sistem identifikasi penyakit otomatis menggunakan Support Vector Machine (SVM) berbasis ekstraksi fitur visual.
Penelitian berfokus pada klasifikasi empat kondisi daun selada: Sehat.
Bercak Daun Cercospora .
isebabkan oleh Cercospora longissim.
Tipburn, dan Etiolasi.
Metodologi yang digunakan meliputi ekstraksi fitur warna dari ruang warna HSV dan fitur tekstur menggunakan Gray-Level Co-occurrence Matrix (GLCM).
Efektivitas augmentasi data dan optimasi hyperparameter menggunakan Particle Swarm Optimization (PSO) juga dievaluasi melalui tiga skenario perbandingan.
Hasil penelitian menunjukkan bahwa augmentasi data secara signifikan meningkatkan akurasi model dari baseline 69,57% menjadi 92,28%.
Optimasi lebih lanjut dengan PSO berhasil meningkatkan performa hingga mencapai akurasi final sebesar 93,63%.
Model terbaik menunjukkan F1-Score yang seimbang di atas 0,91 untuk semua kelas, membuktikan bahwa kombinasi metode ekstraksi fitur HSV dan GLCM, augmentasi data, dan optimasi *Korespondensi Penulis:
E-mail: 105841106221@student.
Jurnal Algoritma.
Logika dan Komputasi Versi Online: https://journal.
id/index.
php/alu DOI: http://dx.
org/10.
30813/j-alu.
Vol.
IX (No.
: 857 - 863 Th.
p-ISSN: 2620-620X e-ISSN: 2621-9840 SVM menggunakan PSO merupakan pendekatan yang andal dan efektif untuk identifikasi penyakit daun selada, serta menawarkan alat bantu yang prospektif untuk pertanian presisi.
Kata Kunci: Identifikasi Penyakit.
Selada.
Support Vector Machine.
Ekstraksi Fitur.
Particle Swarm Optimization.
PENDAHULUAN
Sektor pertanian memegang peranan strategis dalam perekonomian nasional dan upaya pemenuhan ketahanan pangan.
Di antara berbagai komoditas hortikultura, selada (Lactuca sativa ) memiliki kontribusi penting sebagai sumber pangan segar bagi masyarakat.
Namun, upaya peningkatan produktivitas selada seringkali dihadapkan pada tantangan signifikan berupa gangguan kesehatan tanaman, baik yang bersifat patogenik maupun fisiologis.
Kegagalan dalam membedakan penyebab gangguan ini dapat berujung pada kerugian ekonomi yang signifikan bagi petani .
Identifikasi penyakit secara manual oleh petani seringkali bersifat subjektif dan tidak akurat karena kemiripan gejala visual antar penyakit, terutama pada tahap awal, sehingga menyulitkan proses pembedaan .
Perkembangan teknologi Computer Vision dan pembelajaran mesin (Machine Learnin.
menawarkan solusi yang prospektif untuk mengatasi permasalahan ini.
Berbagai pendekatan telah dieksplorasi untuk melakukan identifikasi penyakit tanaman secara otomatis.
Pendekatan state-of-the-art saat ini didominasi oleh metode deep learning, khususnya Convolutional Neural Network (CNN).
Sebagai contoh, penelitian oleh Bhujel dkk.
berhasil mengembangkan arsitektur CNN ringan yang dilengkapi mekanisme atensi .
ttention-base.
untuk klasifikasi penyakit daun tomat dengan akurasi yang sangat tinggi .
Meskipun sangat kuat, pendekatan CNN umumnya memerlukan sumber daya komputasi yang besar dan dataset pelatihan yang ekstensif.
Di sisi lain, pendekatan machine learning klasik seperti Support Vector Machine (SVM), yang dikombinasikan dengan rekayasa fitur manual, tetap menjadi alternatif yang relevan dan lebih ringan secara komputasi.
Kombinasi SVM dengan ekstraksi fitur Gray-Level Co-occurrence Matrix (GLCM) telah terbukti efektif pada berbagai tanaman hortikultura, seperti pada deteksi penyakit cabai .
Penelitian yang lebih spesifik oleh Marlita dan Mustofa juga berhasil menerapkan kerangka kerja serupa untuk klasifikasi penyakit pada daun kentang .
Namun, studi-studi ini, meskipun berhasil, cenderung berfokus pada penerapan dasar dan belum secara spesifik mengeksplorasi dampak dari optimasi hyperparameter secara sistematis, yang merupakan faktor krusial untuk memaksimalkan potensi performa model SVM.
Dari tinjauan tersebut, teridentifikasi sebuah celah penelitian .
esearch ga.
yang jelas.
Terdapat kebutuhan untuk mengevaluasi apakah kinerja model SVM klasik dapat ditingkatkan secara signifikan melalui proses optimasi yang sistematis, sehingga mampu menjadi alternatif yang lebih efisien dibandingkan model deep learning yang kompleks.
Penelitian ini memposisikan diri untuk mengisi celah tersebut.
Dengan mengadopsi kerangka kerja SVM dan ekstraksi fitur visual (HSV dan GLCM) yang telah terbukti efektif, penelitian ini menambahkan sebuah lapisan investigasi yang sering terlewatkan.
Oleh karena itu, kontribusi utama dan kebaruan dari penelitian ini adalah melakukan analisis perbandingan secara spesifik antara model SVM dengan parameter standar dan model SVM yang hyperparameter nya dioptimalkan menggunakan algoritma Particle Swarm Optimization (PSO).
Dengan demikian, penelitian ini tidak hanya bertujuan untuk membangun sebuah sistem deteksi, tetapi juga untuk secara kuantitatif membuktikan dan mengukur sejauh mana proses optimasi dapat meningkatkan akurasi dan keandalan sebuah model klasifikasi klasik dalam domain identifikasi penyakit daun selada.
Jurnal Algoritma.
Logika dan Komputasi Versi Online: https://journal.
id/index.
php/alu DOI: http://dx.
org/10.
30813/j-alu.
Vol.
IX (No.
: 857 - 863 Th.
p-ISSN: 2620-620X
e-ISSN: 2621-9840
METODE PENELITIAN
Penelitian ini menggunakan pendekatan kuantitatif eksperimental untuk mengembangkan dan mengevaluasi model klasifikasi penyakit daun selada.
Metodologi penelitian dirancang untuk memastikan transparansi dan reprodusibilitas.
Dataset dan Pembagian Data Dataset yang digunakan merupakan data primer yang terdiri dari 230 citra digital daun selada, yang diambil menggunakan kamera ponsel cerdas di lokasi budidaya DEEDAD HIDROPONIK.
Makassar.
Komposisi Kelas Tabel 1.
Komposisi Dataset Induk Kelas Kategori Jumlah Gambar Sehat Cercospora longissima Tip Burn Etiolasi Total Dapat diamati bahwa terdapat ketidakseimbangan ringan .
ild imbalanc.
pada dataset, di mana kelas Cercospora longissima memiliki jumlah sampel yang lebih banyak.
Fakta ini menjadi pertimbangan penting dalam evaluasi model, di mana metrik seperti F1-Score menjadi lebih relevan daripada akurasi saja.
Dataset induk dibagi menjadi 80% data latih .
raining se.
dan 20% data uji .
esting se.
Pembagian ini dilakukan secara acak namun tetap menjaga proporsi setiap kelas .
tratified spli.
Proses optimasi hyperparameter menggunakan validasi silang 5-lipat .
-fold cross-validatio.
yang diterapkan hanya pada data latih untuk mencegah kebocoran informasi dari data uji.
Mengingat jumlah dataset asli yang terbatas, teknik augmentasi data diterapkan secara dinamis pada data latih untuk Skenario 2 dan 3.
Jenis augmentasi yang diterapkan meliputi A Rotasi.
Rotasi acak gambar dalam rentang A20 derajat.
A Flipping.
Pembalikan gambar secara horizontal dan vertikal.
A Zoom Pembesaran acak pada gambar hingga 20%.
A Pergeseran (Shif.
Pergeseran horizontal dan vertikal acak hingga 10% dari lebar/tinggi A Penyesuaian Kecerahan (Brightnes.
: Perubahan kecerahan acak dalam rentang .
8, 1.
Dua jenis fitur diekstraksi dari setiap citra yang telah di-resize menjadi 224x224 piksel.
Fitur Warna (HSV): Citra dikonversi ke ruang warna HSV.
Fitur warna diekstrak dengan menghitung tiga momen statistik mean, standar deviasi, dan skewness dari histogram untuk setiap kanal Hue (H).
Saturation (S), dan Value (V), menghasilkan total 9 fitur warna.
Pendekatan ini relevan dengan studi analisis color space yang telah dilakukan sebelumnya .
Fitur Tekstur (GLCM): Citra dikonversi ke format grayscale.
Fitur tekstur diekstraksi menggunakan Gray-Level Co-occurrence Matrix (GLCM), yang dihitung dengan jarak piksel .
Jurnal Algoritma.
Logika dan Komputasi Versi Online: https://journal.
id/index.
php/alu DOI: http://dx.
org/10.
30813/j-alu.
Vol.
IX (No.
: 857 - 863 Th.
p-ISSN: 2620-620X e-ISSN: 2621-9840 = 1 pada empat orientasi sudut: 0A, 45A, 90A, dan 135A.
Nilai dari keempat sudut ini kemudian dirata-ratakan untuk menghasilkan satu nilai tunggal untuk setiap parameter tekstur.
Efektivitas GLCM telah divalidasi dalam berbagai penelitian, seperti pada identifikasi penyakit cabai .
Model Klasifikasi dan Optimasi sebagai Model utama yang digunakan adalah Support Vector Machine (SVM) dengan kernel Radial Basis Function (RBF).
Formulasi SVM SVM bekerja dengan mencari hyperplane optimal yang memaksimalkan margin antar kelas.
Untuk data nonlinear, fungsi kernel RBF digunakan rumus .
cuA, yc.
= yceycuycy (Oeyu |.
cuA Oe yc.
| ) .
Optimasi Hyperparameter dengan PSO.
Untuk Skenario 3, hyperparameter SVM yaitu parameter regularisasi (C) dan parameter kernel .
dioptimalkan menggunakan Particle Swarm Optimization (PSO).
PSO bekerja dengan "kawanan" partikel yang menjelajahi ruang pencarian [C, gamm.
untuk menemukan kombinasi yang memberikan nilai fitness tertinggi.
Dalam penelitian ini, fungsi fitness didefinisikan sebagai akurasi rata-rata dari validasi silang 5lipat pada data latih.
Pendekatan optimasi SVM-PSO ini telah terbukti berhasil pada kasus serupa .
Kinerja model dievaluasi menggunakan Akurasi.
Presisi.
Recall, dan F1-Score yang diturunkan dari confusion matrix.
Akurasi = .
cNycE ycNycA)/.
cNycE ycNycA yaycE yaycA) Presisi = ycNycE/.
cNycE yaycE) Recall = ycNycE/.
cNycE yaycA) F1-Score = 2 O .
cEycyceycycnycycn O ycIyceycaycaycoyc.
cEycyceycycnycycn ycIyceycaycaycoyc.
HASIL DAN PEMBAHASAN Analisis perbandingan akurasi dari ketiga skenario (Gambar .
menunjukkan dampak signifikan dari setiap teknik.
Gambar 1.
Grafik Perbandingan Akurasi Antar Skenario Hasil menunjukkan lompatan kinerja signifikan dari Skenario 1 .
57%) ke Skenario 2 .
28%).
Peningkatan lebih lanjut ke Skenario 3 .
menunjukkan keberhasilan optimasi PSO.
Jurnal Algoritma.
Logika dan Komputasi Versi Online: https://journal.
id/index.
php/alu DOI: http://dx.
org/10.
30813/j-alu.
Vol.
IX (No.
: 857 - 863 Th.
p-ISSN: 2620-620X e-ISSN: 2621-9840 Analisis dan Interpretasi Hasil Efektivitas Augmentasi Data.
Peningkatan akurasi yang drastis setelah augmentasi data dapat dijelaskan oleh ukuran dataset awal yang terbatas.
Augmentasi secara artifisial menciptakan variasi baru, memaksa model untuk belajar fitur yang lebih robust dan mencegah overfitting.
Peran PSO dalam Fine-Tuning.
Peningkatan lebih lanjut oleh PSO menunjukkan peran finetuning.
PSO secara cerdas menjelajahi ruang parameter [C, gamm.
untuk menemukan "sweet spot" yang paling sesuai dengan struktur data, menyempurnakan decision boundary SVM lebih baik daripada parameter default.
Analisis Model Terbaik (Skenario .
Model terbaik (Skenario .
dievaluasi secara mendalam.
Tabel 2 menunjukkan laporan klasifikasi untuk setiap kelas.
Tabel 2.
Laporan Klasifikasi Model Terbaik (Skenario .
Kelas Presisi Recall F1-Score Cercospora Etiolasi Sehat Tip Burn F1-Score untuk semua kelas berada di atas 0.
91, menandakan kinerja model sangat baik dan seimbang.
Confusion matrix (Gambar .
mengonfirmasi bahwa sebagian besar prediksi Gambar 2.
Confusion Matrix Model Terbaik (Skenario .
Jurnal Algoritma.
Logika dan Komputasi Versi Online: https://journal.
id/index.
php/alu DOI: http://dx.
org/10.
30813/j-alu.
Vol.
IX (No.
: 857 - 863 Th.
p-ISSN: 2620-620X e-ISSN: 2621-9840 Berdasarkan hasil penelitian, dapat disimpulkan bahwa implementasi model SVM dengan fitur gabungan HSV dan GLCM berhasil dilakukan.
Augmentasi data terbukti menjadi faktor kunci yang secara drastis meningkatkan akurasi model dari 69.
57% menjadi 92.
Proses optimasi hyperparameter menggunakan PSO terbukti mampu memberikan peningkatan kinerja lebih lanjut hingga mencapai akurasi final 93.
Kombinasi dari rekayasa fitur yang relevan, augmentasi data, dan optimasi hyperparameter terbukti mampu menghasilkan sebuah model klasifikasi yang andal dan akurat untuk identifikasi penyakit pada daun selada.
SIMPULAN
Berdasarkan hasil penelitian, dapat disimpulkan bahwa implementasi model SVM dengan fitur gabungan HSV dan GLCM berhasil dilakukan.
Augmentasi data terbukti menjadi faktor kunci yang secara drastis meningkatkan akurasi model dari 69.
57% menjadi 92.
Proses optimasi hyperparameter menggunakan PSO terbukti mampu memberikan peningkatan kinerja lebih lanjut hingga mencapai akurasi final 93.
Kombinasi dari rekayasa fitur yang relevan, augmentasi data, dan optimasi hyperparameter terbukti mampu menghasilkan sebuah model klasifikasi yang andal dan akurat untuk identifikasi penyakit pada daun selada.
DAFTAR PUSTAKA