Leaf Disease Segmentation

Proyek ini bertujuan untuk melakukan segmentasi area penyakit pada daun menggunakan pendekatan berbasis pengolahan citra digital (Image Processing). Fokus utama adalah untuk meningkatkan akurasi segmentasi dengan beberapa metode preprocessing, seperti CLAHE dan Gaussian Blur, serta evaluasi kinerja model menggunakan metrik IoU dan Dice Score.

🔍 Deskripsi Singkat

Pada citra daun, area yang terinfeksi sering kali memiliki warna dan tekstur yang berbeda dibandingkan bagian sehat. Proyek ini melakukan:

• Konversi dari BGR ke HSV
• Penerapan CLAHE pada channel V
• Gaussian Blurring untuk mengurangi noise
• Thresholding (Otsu)
• Operasi morfologi (opening dan closing)
• Evaluasi dengan IoU dan Dice Score terhadap ground truth

📁 Dataset

Dataset yang digunakan merupakan kumpulan citra daun beserta ground truth dari area penyakitnya, yang dapat diakses melalui: 👉 Leaf Disease Segmentation Dataset on Kaggle

Dataset berisi:

• Images/: Folder gambar daun asli
• Masks/: Folder berisi ground truth mask (biner) dari area terinfeksi

⚙️ Tahapan Segmentasi

1. Preprocessing

   • Resize gambar menjadi 256x256
   • Konversi BGR ke HSV
   • Aplikasi CLAHE (Contrast Limited Adaptive Histogram Equalization) pada V channel
   • Gaussian Blur untuk mengurangi noise

2. Thresholding & Morfologi

   • Thresholding Otsu digunakan untuk mendapatkan area penyakit
   • Morphological Opening untuk menghapus noise kecil
   • Morphological Closing untuk menyambungkan bagian yang terputus

3. Evaluasi

   • Digunakan metrik Intersection over Union (IoU) dan Dice Score
   • Evaluasi dilakukan terhadap setiap citra dan dihitung rata-rata performanya

📊 Hasil Evaluasi

Metode Preprocessing	Rata-rata IoU	Rata-rata Dice
Tanpa Gaussian Blur	0.3074	0.4150
Dengan Gaussian Blur	0.3120	0.4191

Walaupun hasil blur secara visual terlihat lebih kabur, evaluasi kuantitatif menunjukkan adanya peningkatan performa segmentasi.

🛠 Tools dan Library

• Python
• OpenCV
• NumPy
• Matplotlib
• scikit-image

💡 Catatan

• Proyek ini bersifat non-deep learning, menggunakan pendekatan klasik segmentasi citra.
• Cocok untuk pemahaman awal tentang Image Processing dan Computer Vision di bidang pertanian digital.

📬 Kontak

Jika ingin berdiskusi atau kolaborasi, silakan hubungi: Mochammad Edo Pramudya
Mahasiswa Sains Data, Universitas Negeri Surabaya
📧 edopramudua174@gmail.com