Perbandingan Metode Segmentasi Warna HSV dan RGB untuk Deteksi Kerusakan Daun Berbasis Pengolahan Citra Digital

Raul Ishomullah; Reni Rahmadewi; Dicka Wahyu Nugraha

doi:10.32493/epic.v9i1.59935

Authors

Raul Ishomullah Program Studi Teknik Elektro, Fakultas Teknik, Universitas Singaperbangsa Karawang
Reni Rahmadewi Program Studi Teknik Elektro, Fakultas Teknik, Universitas Singaperbangsa Karawang
Dicka Wahyu Nugraha Program Studi Teknik Elektro, Fakultas Teknik, Universitas Singaperbangsa Karawang

DOI:

https://doi.org/10.32493/epic.v9i1.59935

Keywords:

Deteksi Penyakit Daun, Pengolahan Citra Digital, segmentasi warna, HSV, RGB

Abstract

Penyakit pada tanaman umumnya ditandai oleh perubahan warna pada daun seperti bercak kuning atau coklat yang disebabkan oleh jamur, bakteri, atau kekurangan nutrisi. Identifikasi secara manual memerlukan waktu dan ketelitian tinggi, sehingga diperlukan metode otomatis berbasis pengolahan citra digital. Penelitian ini bertujuan untuk menganalisis dan membandingkan performa segmentasi warna pada ruang RGB dan HSV dalam mendeteksi kerusakan daun. Metode yang digunakan meliputi preprocessing citra, segmentasi berbasis threshold pada ruang warna RGB dan HSV, deteksi area penyakit berdasarkan perubahan warna, serta perhitungan persentase kerusakan daun. Pengujian dilakukan pada beberapa citra daun sehat dan sakit dengan kondisi pencahayaan yang bervariasi. Hasil penelitian menunjukkan bahwa metode HSV memiliki kemampuan segmentasi yang lebih baik dibandingkan RGB dalam memisahkan daun dari latar belakang serta mendeteksi area penyakit secara lebih stabil. Hal ini disebabkan oleh pemisahan komponen warna dan intensitas pada ruang HSV, sehingga lebih tahan terhadap perubahan pencahayaan. Dengan demikian, metode HSV lebih efektif digunakan untuk deteksi awal penyakit daun dengan kompleksitas komputasi yang rendah.

References

Ali, M., & Mohammed, K. (2023). An intelligent and fast system for detection of grape diseases in RGB , grayscale , YCbCr , HSV and L * a * b * color spaces. https://doi.org/10.1007/s11042-023-17446-8

Amin, A., Sultan, M., Hang, Y. Q., Hasrulnizzam, W., Mahmood, W., & Saad, M. S. (2022). applied sciences Critical Materials Determination as a Complement to the Product Recycling Desirability Model for Sustainability in Malaysia. 1–16.

Jagung, T. (n.d.). Segmentasi berbasis k-means pada deteksi citra penyakit daun tanaman jagung. 37–42.

Khalid, S., & Basit, A. (n.d.). Leaf Disease Detection and Quantification using Color Space Properties.

Mohanty, S. P., Hughes, D. P., & Salathé, M. (2016). Using Deep Learning for Image-Based Plant Disease Detection. 7(September), 1–10. https://doi.org/10.3389/fpls.2016.01419

Patil, J. K., & Mandlik, V. S. (2024). Plant Leaf Disease Detection Using Integrated Color and Texture Features.

Rozaqi, A. J., Sunyoto, A., Arief, R., Informatika, M. T., & Yogyakarta, U. A. (n.d.). Deteksi Penyakit pada Daun Kentang Menggunakan Pengolahan Citra dengan Metode Convolutional Neural Network. 22–31.

Shafay, M., Hassan, T., Owais, M., Hussain, I., Khawaja, S. G., & Seneviratne, L. (2025). Recent advances in plant disease detection : challenges and opportunities.

Utilizing, F. W. (2018). Tunable Fabry-Perot Interferometer Designed for Electromagnetic Force. https://doi.org/10.3390/s18082572

Wajidi, F., Arifin, N., Studi, P., Informatika, T., Barat, U. S., & Penyakit, D. (2025). Deteksi Penyakit Daun Cabai Menggunakan Kombinasi GLCM Dan HSV dengan Klasifikasi SVM. 11(02), 178–189.