Perbandingan Metode Naïve Bayes Dan K-Nearest Neighbor Dalam Mengklasifikasikan Penyakit Pada Daun Terong Berdasarkan Ekstraksi Fitur Gray Level Co-Occurrence Matrix

Abstract

Penelitian ini menyelidiki efektivitas dua algoritma klasifikasi populer, K-Nearest Neighbor (KNN) dan Naïve Bayes Classifier (NBC), dalam mengidentifikasi penyakit dan hama yang menyerang daun terong. Untuk mencapai hal ini, penelitian ini memanfaatkan citra yang bersumber dari dataset PlantVillage, sebuah repositori komprehensif citra kesehatan tanaman. Citra-citra tersebut diproses untuk mengekstraksi fitur tekstur berdasarkan Gray Level Co-occurrence Matrix (GLCM), yang menyediakan informasi berharga tentang hubungan spasial intensitas piksel. Secara khusus, empat fitur GLCM—kontras, korelasi, energi, dan homogenitas—dihitung untuk setiap citra untuk dijadikan variabel input bagi pengklasifikasi. Tujuannya adalah untuk menentukan algoritma mana yang lebih akurat membedakan daun sehat dari daun yang terkena berbagai penyakit atau serangan hama. Hasil eksperimen mengungkapkan bahwa pengklasifikasi Naïve Bayes mencapai akurasi 96,68%, menunjukkan kinerja yang lebih unggul dibandingkan algoritma KNN, yang menghasilkan akurasi yang lebih rendah. Temuan ini menunjukkan bahwa Naïve Bayes, dengan pendekatan probabilistiknya, mungkin lebih efektif untuk tugas klasifikasi penyakit tanaman dan hama berdasarkan fitur tekstur.