Image Classification of Disease in Guava Fruits

Deskripsi Proyek

Proyek ini bertujuan untuk mengembangkan sistem klasifikasi penyakit pada buah jambu biji secara otomatis menggunakan citra digital. Dengan bantuan teknik pengolahan citra dan machine learning, model dilatih untuk mengenali tiga kelas:

• Anthracnose
• Fruit Flies
• Healthy Guava

Dataset citra diperoleh dari lapangan dan telah divalidasi oleh ahli patologi tanaman. Proyek ini merupakan bagian dari mata kuliah Pengolahan Citra Digital Semester Genap 2024/2025.

---

Tujuan Proyek

• Mengklasifikasikan penyakit jambu biji menggunakan fitur tekstur dan warna dari citra buah.
• Membandingkan performa berbagai algoritma machine learning seperti KNN, SVM, Random Forest, dan XGBoost.
• Membangun aplikasi prediksi penyakit berbasis web menggunakan Streamlit.

---

Dataset

• 📁 Jumlah Citra: 473 (setelah augmentasi: 3784)
• 🏷️ Kelas: Anthracnose, Fruit Flies, Healthy Guava
• 📸 Ukuran Gambar: 512x512 piksel, format RGB
• 🔗 Guava Fruit Disease Dataset (Kaggle)

---

Teknologi dan Tools

• Python, OpenCV
• Scikit-learn, NumPy, Matplotlib
• GLCM & Gabor Filter (untuk ekstraksi fitur)
• PCA (untuk reduksi dimensi)
• Streamlit (untuk deployment lokal)

---

Metodologi

1. Preprocessing

• Resize → 256x256 px
• Normalisasi Warna → konversi RGB ke HSV
• Denoising → Gaussian Blur + Median Blur
• Segmentasi → Otsu Thresholding pada channel Value

2. Ekstraksi Fitur

• GLCM: Contrast, Dissimilarity, Homogeneity, ASM, Energy, Correlation
• Gabor Filter: Mengidentifikasi pola frekuensi dan orientasi tekstur

3. Reduksi Dimensi

• PCA (Principal Component Analysis): mengurangi kompleksitas data

4. Modeling

• K-Nearest Neighbors (KNN): k=30, Euclidean distance
• Support Vector Machine (SVM): Kernel RBF, C=5000
• Random Forest: 1000 pohon keputusan
• XGBoost: Gradient Boosted Trees

5. Evaluasi

• Akurasi
• Precision, Recall, F1-Score
• Confusion Matrix

---

Hasil Evaluasi Model

Model	Akurasi	Catatan
KNN	66.2%	Kesulitan membedakan healthy & fruit_fly
SVM (RBF)	78.9%	Kinerja paling konsisten dan stabil
Random Forest	69.0%	Baik pada anthracnose, lemah di kelas sehat
XGBoost	69.0%	Variatif, kesulitan pada healthy_guava

---

Deployment

• Model diimplementasikan sebagai aplikasi web menggunakan Streamlit
• Aplikasi memuat model .joblib, melakukan preprocessing otomatis sebelum prediksi
• Saat ini dijalankan secara lokal

---

Insight Visualisasi PCA

• Distribusi kelas fruit_fly sangat terpisah
• Healthy dan Anthracnose saling tumpang tindih
• Terlihat kemungkinan adanya fitur yang mirip antar kelas

---

Kontributor

Nama	NIM
Putri Manika Rukmamaya	23031554091
Nazula Sinta Wati	23031554105
Monika Intan Puspitasari	23031554189

---

Link Terkait

• 📂 Dataset