Hybrid Contrast Enhancement Dan Segmentasi Citra Multi-Ambang Untuk Analisis Penyakit Daun Tomat Berbasis Convolutional Neural Network

Abstract

Kualitas analisis citra digital sangat dipengaruhi oleh proses peningkatan kualitas citra (image enhancement) dan segmentasi yang mampu memisahkan objek dari latar belakang secara akurat. Permasalahan yang sering dijumpai pada citra digital, seperti kontras rendah, pencahayaan yang tidak merata, dan keberadaan derau (noise), menyebabkan hasil segmentasi menjadi kurang optimal. Penelitian ini mengusulkan metode Hybrid Contrast Enhancement and Multi-Threshold Image Segmentation yang mengintegrasikan Median Filter, Contrast Limited Adaptive Histogram Equalization (CLAHE), Gamma Correction, Multi-Level Otsu Thresholding, dan operasi morfologi untuk meningkatkan kualitas citra sekaligus menghasilkan segmentasi yang lebih akurat. Penelitian menggunakan 1.200 citra digital yang dibagi menjadi 840 data latih (70%) dan 360 data uji (30%). Hasil segmentasi kemudian dievaluasi melalui proses klasifikasi menggunakan Convolutional Neural Network (CNN) untuk mengukur efektivitas metode yang diusulkan. Berdasarkan hasil pengujian pada data uji, metode yang diusulkan memperoleh akurasi sebesar 96,42%, presisi sebesar 95,87%, recall sebesar 96,15%, dan F1-score sebesar 96,01%. Selain meningkatkan nilai evaluasi klasifikasi, metode hybrid juga mampu memperbaiki kualitas visual citra, mengurangi derau, meningkatkan kontras, serta menghasilkan batas objek yang lebih jelas dibandingkan metode konvensional. Hasil penelitian menunjukkan bahwa kombinasi beberapa teknik image enhancement dan segmentasi adaptif mampu meningkatkan performa analisis citra digital sehingga berpotensi diterapkan pada berbagai bidang, seperti pengolahan citra medis, pertanian cerdas, pengawasan industri, dan sistem visi komputer.