KOMPARASI KINERJA SINGLE CLASSIFIER DAN STACKING MODEL DALAM KLASIFIKASI PENYAKIT TANAMAN PADI

Pertumbuhan populasi global yang pesat menuntut solusi inovatif dalam mempertahankan ketahanan pangan, terutama bagi tanaman padi yang menjadi komoditas utama di banyak negara berkembang. Penelitian ini membandingkan kinerja metode single classifier dan stacking model dalam klasifikasi penyakit tanaman padi. Dataset citra daun padi digunakan untuk mendeteksi tiga jenis penyakit, yaitu Bacterial Leaf Blight, Brown Spot, dan Leaf Smut. Fitur warna dan tekstur diekstraksi menggunakan metode RGB dan GLCM. Random Forest, Logistic Regression, dan Naïve Bayes diuji sebagai base learners. Selanjutnya, metode stacking diterapkan dengan kombinasi dua hingga tiga model untuk meningkatkan akurasi. Hasil penelitian menunjukkan bahwa Random Forest sebagai single classifier memiliki kinerja terbaik dengan akurasi tertinggi (87,5%) dan waktu komputasi efisien. Stacking model memberikan akurasi serupa (87,5%) namun dengan waktu komputasi pelatihan lebih tinggi. Dengan demikian, Random Forest lebih efisien dalam waktu komputasi, menjadikannya pilihan optimal untuk deteksi penyakit tanaman padi.
Kata Kunci: Ekstraksi Fitur, GLCM, Klasifikasi penyakit tanaman padi, Logistic Regression, Naïve Bayes, Random Forest, Stacking Model.