Perbandingan Metode Ekstraksi Fitur LBP, GLCM, dan Canny dalam Klasifikasi Penyakit Daun Padi dengan KNN

Abstrak

Penentuan jenis penyakit daun padi secara cepat dan akurat sangat penting dalam mendukung upaya pengendalian penyakit secara dini di sektor pertanian. Penelitian ini bertujuan untuk membandingkan kinerja tiga metode ekstraksi fitur citra digital Local Binary Pattern (LBP), Gray Level Co-occurrence Matrix (GLCM), dan Canny Edge Detection dalam klasifikasi tiga jenis penyakit daun padi: Bacterial leaf blight, Brown spot, dan Leaf smut. Setiap metode dievaluasi berdasarkan confusion matrix serta metrik akurasi, presisi, recall, dan F1-score. Hasil eksperimen menunjukkan bahwa metode LBP memberikan performa tertinggi dengan akurasi mencapai 92,06%, diikuti oleh GLCM sebesar 78,57% dan Canny sebesar 66,67%. Selain akurasi, LBP juga unggul dalam seluruh metrik evaluasi lainnya. Temuan ini menunjukkan bahwa fitur tekstur lokal yang dihasilkan oleh LBP lebih efektif dalam membedakan jenis penyakit dibandingkan dengan fitur global dari GLCM maupun fitur tepi dari Canny. Oleh karena itu, LBP dapat direkomendasikan sebagai metode ekstraksi fitur yang lebih unggul untuk sistem klasifikasi otomatis penyakit daun padi berbasis citra digital.