In d onesia n   Jo u rn al   of  E l ect rical En gin eerin g an d  Compu t er   S cien ce   V ol .   1 4 ,   N o.   1 ,  A pril   201 9 ,   pp.   3 68 ~ 374   I SS N :   25 02 - 4752 ,   D O I :   10 . 11591/ijeecs. v1 4 .i 1 . pp 368 - 374       368       Jo u rn al   h om e page :  http:/ / ia es core. com/ journals /index. ph p/ijeecs   Convol utional  ne ural net wor k vs bag of  feature s for bamb ar a  ground nut lea f di sease re cogniti on       Ha f i z atu l   Ha n i n   Ha mzah 1 ,  Nu r b ai t y S ab ri 2 ,  Z ai d ah   Ibra h i m 3 ,   D i n o I sa 4   1, 3 Facult y  of  Co m put er and  Mathe m ati ca l   Sci enc es,   Un i ver s i ti T e knol ogi M ARA ,   Shah  Al a m ,   Sel a ngor,   Ma l aysi a   2 Facult y  o f C o mputer  and Mat he m at i ca l   Sc i enc es,   Un i ver s i ti T ekn ol ogi M ARA ,   C ampus   Jas i n ,   Me l aka ,   Mal ays i a   4 CON N E CT Init i at i ve,  Crop s f or  t he F u t ure ,   Jal an   Brog a,  Se m enyi h,   Se l angor ,   Mala ysi a       A rt i cle In f o     A B S T R A C T   A r t i c l e  h i story :   R ece i ve d   S ep   2 ,   20 18   R e vi se d  N ov   30 ,   20 18   A ccept e d  D ec   12 ,   2018     T his  pape r  i nve sti gates  bambara   groundnut   l eaf   disea se  re cog ni tion  us i ng   t wo  popu l ar  t ec hni ques  known   as   Convol u t i ona l   Neura l   Net work   (CNN )  and   Bag  of   Features  (BOF )  w i t h  Speede d - up  Robust   Feature  (SU RF )  and  Support  Vec t or  Mac hi ne  (SV M)   classi fie r.   L ea f  disea se  re cogniti on  has  at t ra cted   m any  re sea rc her s be ca use  t he  outc om e  i s   use f ul  for  f ar m ers.  One  of   t he  cro ps  t hat  prov i de  h i g h  i ncome  f or   f armers  i s  ba m bar a  groundnut   bu t  the   l ea ves  are  ea si l y  i n f ec t ed  wit h  d i sea ses  es pec i all y  a f t er  t h e  ra i n.   T h is  could  aff ec t  t he   cro p  produc t i vit y.   T hu s,   au t oma t i c  disea se  re c ogni tion  i s  cru c i al.   A  new   dataset   t ha t   cons i s t s  o f   400   imag es  of   t he  i n f ec t e d  and  non - i n f ec t ed  l ea ves  of   bambara   groundnut   has   bee n  const ruc t ed.   T he  e xper i m ental  re su l ts  i nd i ca t e   t hat  bo t h  o f   t h ese   t ec hni ques  produc e  excel l ent  l ea f   d i sea se  re cognit i on   ac cur ac y.   K ey w ord s :   BoF   C N N   Leaf  disease  r ecogn i ti on     S U R F   S V M   Copyri ght ©  201 9  Institu t e of A d vanc ed E ngi nee ri ng  and   Scienc e.    A ll r i ghts  reserv ed .   Corres po n din g Auth or :   H afi za t ul  H anin H am zah    F acul ty  of  C om pu t er   an d Ma t hem at i ca l   S cien ces,     U niv er siti   Te knol ogi   M A R A ,     S hah   A l am , S e l an gor ,   M alay s i a   Em ail:   hani nh a m zah9 4@ gma il. com       1.   IN T R ODU C T ION     B am bara  gro undn ut ,   or  the  s cient i f i c  nam e  V i gna  sub t er r anea  ( L)   V er dc.   is   ori gin a lly   plan t e d  in  the  A frican   c onti ne nt  an d  has   be en  c ultiv a t e d  in  t r opi ca l   A fr ic a  f or  cen t ur i e s   [ 1] .  I t   has  be en   pl a nted   in  M a l ays i a   du e  to si m ilar  wea t her co ndit i on  but  one  of  the ch a llenges  pl a ntin g  it h er e  i s tha t  it  can   e asi l y  be  infec t e d  w it h  le af  di sea ses   aft er   hea vy   r ai ns  [1 ] .   I n  order  t o  m i nim i ze  the  l ea f  disease   t ha t   induce d  dam age  dur ing  t he   growt h  of   ba m bara  groun dnut,   harve st   a nd  pos t - harves t  process ing ,   as   w ell   as   m axim i ze  pro du c ti vity  a nd  ens ure  agric ultura l   s usta i na bi l it y,  au tom ati c   l ea f  disease  r ecogn i ti on  i s   highly   i m por t a nt  [ 2].   The   ex i s ti ng   m eth od   fo r   l ea f  pla nt   disease   r ecognit i on   i s   si m ply   a pply ing   the  na ke d  eye  obser va tion  by  e xp er t s  [ 3].   I n  doing  so ,   a  l ar ge  t eam   of  ex pe r t s  as  w el l   as   cont i nu ous  m onit ori ng   of  pl a nt  i s   r equired,   w hi c h  i nc ur  co st s  fo r   l ar ge  farm s  [3] .   P l ant   diseas e  r ecog ni t io n   by   visu a l   w ay   i s  m ore  l abo r i ous  a nd   t i m e  consum in g  an d  at  th e   sam e  t i m e,  l ess  accur ate a nd   can  be done  only  i n l i m ite d ar e a s   [4 ] .   I n  order  to  a da pt   to   t his  fas t   ch an ging  e nvi r on m e nt,   ap pro priat e   an d  t i m el y  plan t   le af  disease   r ecognit i on   i s  cr uci a l .   H owever,   m os t   pla nt  l eaf  diseases  gen er a t e  so m e  kin d  of   m anif esta t io n  in  the  visib l e   sp ec t r um,   so   t he  na ked   ey e  exam i na ti on   of  a  t r ain e d  pro fe ssion a l   i s  t he  pr i m e  t echni qu e   adopt e d  in  pr acti c e   fo r   pla nt   disea se  r ecognit i on   [5 ] .   A n  au t om ated   plan t   l eaf  disease  r eco gni ti on   sy s t em   coul d  be  of   gre at  he lp   fo r   am ate urs  in  t he   garde ning  process  a nd   als o  t r ai ned   prof e ssio nals  as  a  ver i f i cat i on  system   i n  diseas e     di a gnost i cs  [6] .   V ar i ou s  fe atu r es  a nd   c la ssifi er s  hav e   been   inv e sti gat e d  t o  r ec ognize   pl a nt  diseases   automa tica l ly  [ 7 ] - [ 10 ] .   C ol our   feature s  a nd  B ac k - P r op aga tion  N e ural  N e tw ork  ( B P N N )   hav e   be en   us e d  fo r   cotton  a nd  gro undnut  disease s  class i f i ca tion   [ 7 ].   S hap e  an d  co lou r   fe at ur es  w i t h  S up por t   V ect or  M a chine   ( SVM)  classifier   hav e  bee n  util i ze d  t o  c l ass i f y  r i ce - plan t   disease s   [ 8 ].   SVM  has  als o  be en  us e d  to  cl assif y  Evaluation Warning : The document was created with Spire.PDF for Python.
I ndon es i a n J  El ec  En g &  C om p S ci     I SS N :   2502 - 4752       Con v olut i on al   neura l   ne t work   vs  ba g o f   f ea tu res  f or   bam bar a grou ndnu t   l e af …   ( H afi z atul   H an in  H amza h )   369   cotton  l ea f  s pot  disease   in  [ 9 ].   A   com parative  s tudy  has   bee n  perfo r m ed  am ong  vari ou s   t e xtu r e  fe atu r es   nam ely   Loca l   Bin ar y  P at t er n  ( LB P )   and   G r ay  Le vel   Co - oc curr ence  M a tr i x  ( G LCM)  and   c l ass ifi er s  that  ar e   P r ob ab i lis t ic   N eural  N etw ork   ( P NN),   B P NN,   S V M   and  R a ndom  F orest  ( R F )   t o  cla ss i f y  diseases  i n  grapes   and   the  r esult s   i nd i cate  t ha t   G LC M   w i th  RF   achi eve  t he  bes t   r ecogn i ti on  r esult s  [ 1 1 ].   Conv olutio nal   N eural  N etwork  ( C N N )   i s  getting  popul ar   in  obje ct  r ecogn itio n  pro blem s  suc h  as  l ea f  r ecogn i ti on   [ 13 - 14] ,   frui t  r ecognit i on  [15 - 16] ,   chara cter  r ecog ni t io n  [17],   vehic l e   r ecognit i on  [ 18 ]   a nd   pa l m   oil   fresh  fru it  bu nc h  r i pe ness  grad ing  r ecog niti on   [19].   P l ant  di sease  clas sific ation  based  on   C N N   pro duce   out s t a nding   a ccura cy   r esult s  [ 20] .   B oF,   on e  of  t he  m any   m ach i ne   l ear ning  t ech niques,   has  a l s o  show n  good  pe r fo r m ance  in  obj e c t  r ecognit i on  [ 21 - 22] .   D ue  t o  prom i s i ng  r esu l ts  pro duced  by  BoF   an d  C N N ,   t hi s  r esear ch  pla ns   to  i nve stig a t e   t he i r   perfo r m ances  in  r ecog ni zing bam bara  gro undnut  l eaf  disease.       2.   R E S E A R C H METHOD   2.1.    C onvo l u t i ona l   N eu ral   N et wo r k   (CNN)   The  ar ch itec t ur e  of   C N N   i s  st r uc t ure d  as  a   ser i es  of  l a ye r s,   t hat  co nsis ts  of  t hree  l a ye r s  w hi c h  ar e   conv olv e  l ayer ,   po ol i ng  l ayer   and   R ec tified  Linear   unit  ( Re Lu)  [ 16 ] .   C on volve  l a yer  ex tr acts  fea t ures  of   a n  i m age  us in g  f ilt er   a nd  i m age   pa t ch  tha t   s t r ides  ov er   t he   in put   i m age.   R e Lu  l ayer  r ep l a ces  al l   neg a tive  pixe l  values  i n  the  f eatu r e  m a p  w ith   zer o  w hil e  poolin g  l a yer  allows  the  fea tur e  m ap  t o  be   do w n - sam ple d  af t er   R eL u  l ayer  t o  r edu ce  the  dim ens i ona l it y.  M a x - pool i ng   com put es   the   m axi m um  lo cal  of   fea t ure   m ap.  N eighbori ng  pool i ng  t a kes  inpu t   from   feature   m aps  t hat  ar e  sh i ft e d  or   st r i de  by  m ore  t ha n  on e  r ow s  or  columns.   F i gu r e  1 sho w s  t he a r chitecture  of   a  C N N   [2 3].           F i gu r e  1.   T he   ar c hi te c t ur e   of   CN N   [26]       2.2 .     B ag   of  Featu res  ( B oF)   O ne  m ethod   that  r eprese nts   i m ages  as  or derless  c oll ec tions  of   l oca l   feature s  i s  ca lled  B a g  of   F eatu r es  ( B oF)   [22].   I n  t hi s  pr oj ec t ,   S peed ed  up  Ro bust   F eatu r es  ( S U R F)  has  been   us e d  in  BoF   beca us e  th e   perfo r m ance  of  this  fea t ure  i s   excelle nt   a nd  only  r equire  lo w   com put at iona l   cos t   [24].   I t   i s  a  de scr i pt or  t ha t   i s  base d  on  H ess i an   m atri x  m easure s  a nd  an   i m age  d e t ect or.   F or  a  descri pto r   w hi c h  us es   only  64  di m e nsions   l ead ing   t o  quic k  fea t ure  ex t r actio n,  and   it  als o  us es  a  2D   H aa r   w avel et  t r ans f orm   [2 4]. The  t w o  com m on  perspec t ives   f or   t he  BoF   i m ag e  r eprese ntati on  e xpl a nation  w hi c h  t he   f i r st   on e   i s   the  by  a nalo gy  fr om  t he   B a g  of   W ords  r epr esen t at ion .   O ne  r eprese nt s  a  do c ume nt  that  no r m al i zes  his t ogr am   of   w ord  co unt s  w ith   B a g  of  Wo r ds ,   [2 5].   Fi gur e  2   sh ows  the  p r ocess   f or  BoF   i m age  r ep r esent a t io n .           F i gu r e  2.   Process  fo r   B oF  i m age  r eprese nt a ti on   [ 22]     Evaluation Warning : The document was created with Spire.PDF for Python.
            IS S N :   25 02 - 4752   I ndon es i a n J  El ec  En g &  C om p S ci,   V ol .   1 4 ,   N o.   1 ,  A pril   201 9   :   368   –   374   370   3.   R E S U L T S   A N D  A N A L YS IS   3.1.    T h e   D ataset   A   new  dat ase t  of   the  bam ba r a  groundn ut   le af  i m ages  ha s  been   c onst r uc t ed  that  c onsists  of  20 0  i m ages of  t he  n on - infec t e d  l e aves  a nd 2 00   im ages  of l ea ve s  w ith  disease s .   They  w er e  ca ptu r ed   from   a   f ar m   i n  S em eny i h,  S el angor  usi ng  a  m o bil e  phone.   S ome   sam pl e   i m ages   of  b a m bara  groun dnut  w i th  a nd  w i thou t   diseases   ar e  i l lus t r ated   in  F i gur e  3 and   F i gur e  4.             F i gu r e  3.  S ome   sam pl e  i m ages  of   bam bara  groundn ut   w itho ut   l ea f d i seases           F i gu r e  4.  S ome sam pl e  i m ages  of   bam bara   groundn ut   w ith   l eaf  diseases       Evaluation Warning : The document was created with Spire.PDF for Python.
I ndon es i a n J  El ec  En g &  C om p S ci     I SS N :   2502 - 4752       Con v olut i on al   neura l   ne t work   vs  ba g o f   f ea tu res  f or   bam bar a grou ndnu t   l e af …   ( H afi z atul   H an in  H amza h )   371   3.2 .     CNN   A   st ack  of  C N N   con s i s t   of   c onvolve  l a yer,   poolin g  l ayer  and  R e Lu   l a ye r   w hi l e   ad diti onal   st ac k  of  l ayers  can  be  add e d  to  i m pro ve  the  perf ormance.   C N N   t ak es  color  i m age s  and   the  fea t ur es  ar e   aut oma t i ca ll y  ext r ac t ed   by   the  c onvo l ve   la yers.   The   si z e  of  filter s  i n  t he   c onvolve  la yer  an d  the  va l ue   of  st r i de   i n  t he   poolin g  l a yer  r eprese nt   the  nu m ber  of   c olu m ns   t o  be  s kippe d  f or  the  slidi ng   w i nd ow   t hro ugh  t he   i m age .   These  va l ue s  c an  be  c hange d  as  the y  ca n  a f fect  the  r es ult   of   the  r eco gnit i on  perf orm ance.   B esi des   tha t ,   the   values  of   e pochs   r eprese nt  t he  num ber  of  i t er at io n  f or  t he  t r ai ning  process  a nd   i ni t ia l   l ear ni ng  r at e  t ha t  r eprese nt  the   va l ue   of   the  w e i gh t   to  be  a djuste d  du r i ng  th e  t r ai ning   proc ess,   can  be  c ha ng e d  to  view   the i r   eff ec t   to  the  r ecogn i ti on   r a t e .   The  i m age  s i ze  r equired  f or  bas i c  C N N   i s  22 4  x  224  pix e l s.   Exp er im ent al   r esult s  w er e  c onducte d  on  the  c omb i na tion  of  t hese   values  a nd  the  r e sult s   ar e  s ho w n  in  Ta ble  1.   The  f i r st  column  r epres ents  the  s i ze  of   t he  filter   an d  the  num ber  of  f i lter s  in  t he  c onvo l ve  l a yer.   By  r efer r i ng  to   Tab l e  1,  w e  can   see   tha t   a   10 0%  accur a cy  i s   ac hi e ve d  w i th  [ 5, 20 ]   in  the  f i r st   c onvo l ve   l a ye r   and  [ 3,3 2]  in  the   seco nd   co nvol ve lay er ,   and   F i gur e  5 sho w s  the  r esult s  of   th i s  t r ai ning  an d vali datio n proc esses.             F i gu r e  5.   The resu l t   of  C N N   w i th  [5 , 20]   i n t he fi r s t   conv olv e  l ayer  an d [3, 32 ]   i n t he se co nd   co nvol ve la yer   Tab l e  1.  Exp er i m ent a l   R e sul ts  on   P ar a m eter  Tuni ng  fo r   B a si c  C N N   No  of  Stac k  of  L ay e r s   C o n v o lv e  L ay e r   Po o lin g  la y e r   a n d   Str id e   Acc u r acy  ( %)   Tota l  T i m e/s   1   [ 3 ,16 ]   3   7 8 .82   3 0  sec   [ 5 ,20 ]   3   8 3 .59   2 8  sec   2   [ 3 ,16 ]  [ 3 ,3 2 ]   3   9 1 .79   2 7  sec     [ 5 ,  2 0 ][ 3 ,3 2 ]   2   1 0 0 .00   2 7  sec   3   [ 5 ,  2 0 ][ 3 ,3 2 ]  [ 3 ,  3 2 ]   2   7 5 .90   4 1  sec   [ 5 ,  2 0 ][ 3 ,3 2 ]  [ 3 ,16]   2   7 4 .87   3 4  sec       By  l oo king  a t  Tab l e  1,  w e  can  see   tha t   a s  the  nu m ber  of   l a yers  i ncre ases,   t he   accu r acy  i s   al so  i ncrea se d.   But   w hen   t he   num ber  of   l a yers   i s   m ore  t ha n  3,  the  acc uracy  be gin s  to  dr op .   T his  m eans  t ha t  t w o  st ac ks   of  l a yers  plu s  1  clas sifi ca tion  l ayer  pro du ce  t he  be st   accur ac y  f or  bam bara  groun dnut  l ea d  disease   r ecognit i on.     3.3 .     B ag   of  Featu res  ( B oF)   The  si z e  of   a n  i m age  us e d  f or  B oF  i s  227  x   227  pi xels  an d  t he  acc uracy  pr oduced   i s  10 0% .   F i gu r e  6  sh ows  the  r esu l t  of  visu a l   w or ds   occ urr ence   pro du ce d  by  BoF   fo r   ou r   da t ase t .   S peed e d - U p  R ob us t  F eatu r e   ( SURF ) a nd   Su pp ort V ecto r   M ac hin e  ( S VM )   i s  bein g uti l i ze d i n t he BoF .       Evaluation Warning : The document was created with Spire.PDF for Python.
            IS S N :   25 02 - 4752   I ndon es i a n J  El ec  En g &  C om p S ci,   V ol .   1 4 ,   N o.   1 ,  A pril   201 9   :   368   –   374   372       F i gu r e  6.   V i sua l   w ord  occu r r ences  r esult       Tab l e  2  show s   an  ov er vi ew   of   the  acc uracy  perfo r m ance   of  C N N   c ompar ed  t o  BoF   base d  on  our   bam bara  groun dnut  l ea f  dat a s et.  B y  lo oking   at  Tab l e  2,  w e  can  see  t ha t   BoF   i s  better  t ha n  bas i c  C N N   but   it   t oo k  a  longer   tim e  to  ac hieve   this  r es ul t .   Th i s  i s  beca us e  e xt r ac t in g  of  th e  S U R F   feature s  i s   lo ng er   c om pared   t o t he t i m e  t o ext r ac t   t he l ow - le vel   an d m i dd le   l evel   fea tur es  by   t he  C N N .         Tab l e  2.  The  Per fo r m ance  O vervi ew   fo r   B as i c  C N N   and   BoF   fo r   B am bara  D ataset   M o d e l   B a sic  C NN   B o F   Va l i d a t i o n  a c c u r a c y   100   100   E la p se d   Tim e   (s )   27   31       4.   C ONC L U S IO N   I n  th is   pa pe r ,   a  c om pa r is on   be tw e e n  CN N   a nd   B oF   w a s  pe r f or m e d  w it h  r e s pe c t  to   a c c ur a c y  a nd   e la ps e d  t im e .   Th e   e xp e r im e nt   r e s ul ts   s ho w   th a t  Bo F   a c hi e ve d  th e   s a m e   a c cu r a c y  r a te   a s  CN N   w hi c h  is   1 00 % .   H ow e ve r ,   Bo F   r e qu ir e s   a   hi gh e r   e la ps e d  t im e   du e   to   th e   la r ge   nu m be r   of   S U RF   f ea tu r e s   r e qu ir e d  to   b e   e xt r a c te d .   A lt h ou gh   t he   n um be r   of   la ye r s   a f f e c ts   t he   a c c ur a c y  pe r f or m a nc e ,   th e   c om pl e x it y  o f   t he   CN N   a r c hi te c tu r e   do e s   no t  gu a r a n te e   a   be tt e r  r e s ul t .   T he  e xp e r im en ta l  r e s ul ts   in   t hi s   r e s e a r c h  in di c a te   t ha t  tw o  s ta c ks   of   la ye r s   pr od u c e   be tt e r   a c c ur a c y  c om pa r e d  to   th r e e   s ta c ks  of   la ye r s .   T he   us e   of  CN N   is   r e c om m e nd e d  f or   le a f   di s e a s e   r e c og n it io n  if   th e   pr o c e s s in g   t im e   is   no t  a n  is s ue .   F or   f ut ur e   w or k ,   m or e   de e p  l e a r ni ng   m o de l s   a nd   pu bl ic ly   a va i la bl e   da ta s e ts   w il l  be   te s te d.       A C KNOWL ED GE M E N T S   The  a uthor s  w oul d  li ke  t o  than k  F acu lt y  of   Com put e r   and   M a the m ati ca l   S cienc es,   U ni vers i ti  Tek nologi  M A R A ,  S hah   A l a m , Selangor,   fo r   sp onso r i ng  this  r esear ch.       R E F E R E N C E S   [1]   Azm an,  R. ,   Maye s,   S.,  &  L u,   C.   Nut r iti ona l   P rofi l e  O f   Bamb ara   Groundnut   And  It s  Po t ent i al  For  Food  Prod uct  Deve l opm ent  In   Mal aysi a.  Mod el  Int ern ati onal  Underut il i sed  Le gum e  Research   And  Bree di ng  Journal . ,   24(4),  .   (2016) 429.   Htt p : //D x . Do i . Org/ 1 0. 4314/ Acs j.V 2 4i 4. 9) .   [2]   Fang,   Y.,  &  Ramasam y,   R .   Cu rre nt   And  Pros p ec t i ve  Met hods  For  Pl an t   Disea se  Det ec t i on.   B i osensors,  5(3), .   Htt p:/ / Dx . Doi. O rg/ 10. 3390 / Bi o s 5030537  (2016)  537 - 561.   Evaluation Warning : The document was created with Spire.PDF for Python.
I ndon es i a n J  El ec  En g &  C om p S ci     I SS N :   2502 - 4752       Con v olut i on al   neura l   ne t work   vs  ba g o f   f ea tu res  f or   bam bar a grou ndnu t   l e af …   ( H afi z atul   H an in  H amza h )   373   [3]   Si ngh ,   V.,  &  Mi sra,  A.   Det e cti on  O f   P l ant  L ea f   Disea ses  Us i ng  I m age   Segm entat i on  An d  Soft   Com pu ti ng  T ec hni ques.   In f o rm at i on  Proce ssi ng  In A gr i cul t ur e,  4(1H t t p ://Dx.Doi . Org/ 10 . 101 6/ J . Inpa . 2016. 10 . 005  (2017),41 - 49   [4]   Shet ye,  H . ,   Ran e,  T . ,   Pawar,  T . ,   &  Dandwat e,  P.   An  Anal ys i s   Of   Met hodo l o gi es  F or  L ea f   Di sea se  Det ec ti on   T ec hni ques.   In t e rna t i onal   Journal  O f   Resea rc h  In  Advent   T ec hnol ogy,   Vo l . 4 ,   No. 2 ,   Februa ry  2016,   Vol. 4(No . 2),   53 - 58.   H ttp:// Dx.Do i . Org /E - Iss n :.  (2 016).   2321 - 9637   [5]   Ibra hi m ,   Z.,  Sa bri ,   N.,  &  Mangshor,   N .   N.   A  L ea f  Rec ogni tion  u si ng   T e x t ure   Features  for  Herba l   P l ant   Ide nt if i ca tion, IJEE C S, vol.   9 ,   .   ( 2018).   no.   1,   15 2 - 156.   [6]   Sl adojev i c,  S.,  Ars enovic,  M.,   Anderl a,  A. ,   Cul i brk ,   D.,  &  St ef anovic,  D . .   Dee p  Neur al  Net works   Based  Rec ogni t i on  O f   Pl ant  Disea ses  By  L ea f   Im age   Cl ass if i ca tion.   C om p ut a t i onal  In te l ligence   And  Neurosci enc e,  201 6.   (2016)   [7]   Pil li ,   S.   K.,  Nal l a t hamb i ,   B.   G eor ge,  S.   J.  and  Diwanji,  V . ,   “ eAGRO B OT -   A  Robo t   f or  Ea rl y  Crop  D isea se  Det ec t i on  u si ng   Im age   Proce ss i n g”,  IEEE   2 nd   Inte rna t i onal  Con f e re nce   on  E l ec t roni cs  and  Comm uni ca t i on  Syst em   (ICE CS ),   2015.   [8]   Yao,  Q .   et .   al .   “Applica t i on   o f   s upport   vec t or  ma chine  f or  detec t i ng   ri ce   d i sea ses  us i ng  shape   and  colour  t extur e   f ea t ure s”,   In t ern ati onal   Con f ere nce   on  E ngi nee ri n g  and Com pu t at ion,  2009,   pp.   79 - 83.   [9]   Pat il ,   S .   P.   and  Z ambre,  R .   S.   “ Cl ass if i ca tion  o f  Cott on  L ea f   Sp ot   D i sea se  U si n g  Support  Vec t o r  Mac hi ne” ,   Jou rna l   of   E ng i nee ri ng  Resea rc h  and Appl i ca tions, Vol.   4,   I ss ue 5 ,   Version 1,   2010 ,   pp .   1 0 - 20.   [10]   Fuji t a ,   E . ,   Kawa saki ,   Y . ,   Uga,  H.,  Kagi wada ,   S .   and  Iya t om i,  H.,  “Ba si c  i nvestigati on  o n  a  robust   a nd  pra cti ca l   pl ant   di agnostic s y st e m ”,  15 th   IEEE In t ern ati onal   Con fe re nc e on  Mac hi ne L ea rni ng  and  Appli ca t i on s, 20 16,   pp.   989 - 992.   [11]   Sandi ka,  B. ,   Avil ,   S . ,   Sanat,   S .   and  Sri ni vasu ,   P . ,   “ Random  Fores t   base d  Cl assifi c ati on  o f   Disea ses  i n  Grape s  f ro m  Im age s  Captured  i n  Uncont ro l l e d  E nvi ron m ents” ,   IE EE  Int ern at i onal  Con f ere nc e  on  Si gnal  Pro ce ss i ng,   2016,   p p.   1775 - 1780.   [12]   Sasano,  S.,  Han,   X.   and  Chen,  Y. ,   “Food  Rec ogni tion  by  Com b i n ed  Bags  of   Col o r  Features  and  T exture  Features” ,   IE EE  9 th   In t ern ati ona l   C ongre ss  on  Im age   and  S igna l   Proce ssing,  Bi o Medi ca l   E n gi nee ri ng  and  In f or m ati cs   (CIS P - BME I),   2016,   p p.   815 - 819.   [13]   Z aidah  Ibra hi m,   Nurbai t y  Sabri  and  Di no  Isa,  " Mul ti - m axpool ing  Convol ution al  Neura l   Net w ork  f or  Medi c i n al  Herb  L ea f   Rec ogni tion",  Proce edings   o f   t he  6 t h   IIAE   Int ern at i o nal  Conf ere nce   on  Int elli gent  S yst em s  and  Im ag e   Proce ss i ng,   Sh imane,  Japa n,   Sept ember 2018 ,  p p.   327 - 331.   [14]   Nurbai t y  Sabri,  Z al i l ah  Abd  Aziz ,   Z aidah  Ibra hi m ,   Muhammad  Akm al  Rasydan  bi n  Mohd  Rosni  and  Abdul   Haf iz   bi n  Abd  Ghapul ,   " Com par i ng  Co nvol utional   Neur al  Net work  Mod els   f or  L ea f   Recogni tion",  Int ern ati onal  Journal   o f  E ngi nee ri ng   T ec hnol ogy,   7  (3 . 15 ) (2018)  p p.   141 - 144.     [15]   Nur  Azi da  Muham m ad,  A m el i n a  Ab  Nasi r,  Z ai dah  Ibra hi m   and   Nurbai t y  Sabri,   " E valuat i on  of   CNN ,   A l exne t   and  Googl eNe t   f or   F rui t  Rec ogni tion " ,   Indone si an  Jo urna l   of  Elec t ri c al  E ng i nee ri ng  and  Com pu t er  Sci enc e  (IJE ESC),  Vol .   12,   No .   2 ,   Novem ber   201 8,   pp.   468 - 475 .   [16]   Hou,   L.,   W u,   Q . ,   Sun ,   Q.,  Yang ,   H.,  &  L i,  P .   F rui t   re cogni t i on  base d  on  convol ut i on  neur al  net work.   2016  12th   Int ern ati onal   Co nf ere nce   on  Nat ura l   Com pu t at i o n,   Fuzzy  Sy st e m s  and  Knowledg e  Di scove ry,  ICNC - FS K D  20 16,   18 - 22.     [17]   Muhaa f i dz  Md  Saufi ,   Mohd  A f iq  Z amanhur i ,   N ora si ah  Mohammad  and  Z a i dah  Ibra hi m   " Dee p  L ea rni ng  f or  Ro m an   Handwrit t en  Ch ara cter  R ec ogni t i on" ,   Int ern ati on al  Journal   of   E le ctri ca l   E ngi nee ri ng  and  Com put er  Sci enc e,  Vol.   12,   No .   2 ,   Novem ber   2018,   pp.   4 55 - 460.   [18]   Raja  Durrat un  Safi yah ,   Z aid  A bdul   Rahim,   Sy ams ul   Sya fi q  ,   Z aidah  Ibra hi m   and  Nurbai t y  S abr i   " Perf orm anc e   E valuation  f or  Vi s i on - Based  V ehicl e  Cl ass ifica t i on   Using  Conv ol utional  Neura l  Net work" ,   In t ern ati onal  Journal   o f  E ngi nee ri ng   & Te chnology,   7  (3 . 15),  (2018),   pp.   86 - 40.   [19]   Z aid ah  Ibra hi m,   Nurbai t y  Sabri   and  Di no  Isa,  “Palm   Oil   Fresh  Fruit   Bunch  Ri p ene ss   Gradi ng  Rec ogni t i on  U sing  Convol utional  N eur al  Net work”,  Journal   o f   T elec om m un i ca tion,   E l ec t ron i c  &  Co m put er  E ng i nee ri ng,   Vo l   9,   No .   3 - 2,   2018,   pp.   109 - 113.   [20]   Gupt a,  D.,  Ja i n,   K.,  Ja i n,   A.,  &   Anal y t i cs  Vi dh ya  Cont ent  T ea m .   Archi t ec t ure   of   Convo l u t i ona l   Neura l   Net wor ks   (CNN s)  de m ys t ified.   (2017 ,   June   29).   [21]   Schm i d ,   Cordel i a.  " Bag - of - f ea t ure s  f or  ca t egor y  class ifica tion."   E NS / I NRIA   Vi sua l   Rec ogni tion  and  Mac hi n e   L ea rni ng  Su mm er S chool L ec t ur e 25 - 29  Ju l y  (20 11).    [22]   O'H ara ,   St ephe n,   and  Bruce   A.   Drape r.  " Int rodu cti on  t o  t he  bag  of   f ea t ure s  par a di gm   f or  i m age   class ifica t i on  an d   re t ri eva l . "   arXi v   pre pri nt   arX i v: 1 101. 3354  (2011) .   [23]   Muham m ad, A.,  Nasi r   A . ,   Ibra him,   Z ,   Sabri ,   N. ,   E valuation  o f   C NN ,   A l exne t   and  Googl eNe t   f or   Fruit   Rec ogni ti on.   Indone si an Jo ur nal  o f   E l ec t r i ca l   E ngi nee ri ng   and Com pu t er S c i enc e 2018,   pp.   468 ~475   [24]   Ahm ad,  K . ,   Kha n,   R. ,   Ah m ad,  N.   and  Khan,  J.  “ E va l uati on   o f   SIF T  and  SU RF   usi ng  Bag  o f   W ords  Mode l   o n  a   Ver y  L arg e Dat a set , ”  Si ndh   Un i v .   Res.   Jour .   ( Sci .   Ser.) Vol.45  (3)   492 - 495  (2013).   [25]   S.   H.   L ee ,   C.   S.  Chan,  P.   W ilk in,  and  P.   Remagni no,   “De ep - pla nt :   P l ant  i den t ifica t i on  w i t h  co nvol utional   neur al  netw orks, ” I EEE  Int ern at i onal  Co nf ere nce   on  Im age   Proce ss i ng  (I C IP),   2015 .                 Evaluation Warning : The document was created with Spire.PDF for Python.
            IS S N :   25 02 - 4752   I ndon es i a n J  El ec  En g &  C om p S ci,   V ol .   1 4 ,   N o.   1 ,  A pril   201 9   :   368   –   374   374   B IO GRA PHI E S   OF  A U T HORS         Hafi za t ul   Hani n  Ham za h  i s  a  Ma st er’ s  s t udent   at  t he  Facult y   o f   C om put er  and  Ma t hematica l   Sc i enc es,   Uni ver s i ti T ekno l ogi   MA RA ,   Sha h  Al am ,   Sel ango r, Mal ays i a, whe re   she  i s c ont i nu ing  her   edu ca t i on  i n  t he  f i e l d  o f   Co mputer  Sci enc e  i n   W eb  T ec hnol ogy.   Her  are a  of  i n t ere st s   are   i m ag e  proc essi ng,   im age   re cognit i on ,   and  m ult i m ed i a com put i ng .           Z aidah  Ibra hi m  i s  an  Associate   Prof essor  a t   the   Facult y  o f   C om put er  and  M athem ati ca l   Sci e nce s,   Uni ver s i ti  T ekno l ogi   M ARA ,   Sha h  Al am,   Sel ango r,  Mal aysi a.   She  has  bee n   t eachi ng  cour ses  r elat ed  t o  Artif i cia l   Int e l li genc e  f or  m ore   t han  t en  yea rs.   She  i s  ac t i ve l y  involved  i n  re sea rc h  and  publ i ca t i ons   under   Di gital   I m age ,   Audi o  an d  Speec h  T ec hn ol ogy  (DIA ST )  re sea rc h   i nt ere st   group  t hat  i nc lude s   comput er v i s i on  and i nt e l ligent s yst em s.           Nurbai t y  Sabri   i s  a  l ec t ure r  at   t he  Facult y  o f  Com put er  and   Mat hematica l   Sci enc es,   Uni ve rsit i  T eknolog i   M AR A,   Jasi n ,   Mel aka .   She  t ea che s  progra m m i ng   l angua ge  and  i m ag e  proc essi ng.   Sh e  i s   a  m ember  of   D i g i t a l   Im age ,   Aud i o  and  Speec h  T ec hnol ogy  (DlAS T )  re sea rc h  group  and  cur r entl y   par t i cipating  i n  var i ous  re sea rc hes  re l ated  t o   ima ge  proc essi ng.   R ec entl y,   she  has   publ ished  pape rs  and  co - authored  i n  i nt ern ati onal  conf ere nce s  and   j ourna l s.   Her  r ese ar ch  i nt ere st s  i ncl ude  i m age   proc e ss i ng ,   comput er v i s i on  and patt ern   re cogniti on .           Prof.   D i no  Isa  is  a  prof essor  o f  Int elli gent  Syst ems   at  Un i ver sit y  o f   Nottingham   Mal ays i a  Campus,   Sem enyih,   Sel an gor,  si nce   2018,   and  has  publ i sh ed  m ore   t han  100  pape rs  i n  hi s  fi eld  o f   re sea rc h.   He  has  bee n  appoin t ed  as  Di re ctor,   CON N E CT   In itiati ve,  Crops  f or  t he  Fut ure ,   i nvo lving  i n  agr i cult u re - re l ated  proj ec t s  usi ng  m ac hi ne  le arn i ng  t o  i n f er  t he  l eve l   of   pro fi ts  ava i l able  t o  fa rm ers  when  under - ut il i ze d  cro ps  ar e  grown  and  i t s  der i vati ves  are   proc essed  on  a  c om m erc i al  sca l e.   He  i s  cur re ntly   t he  chief   consultant   t o  Tiger  So l utio ns  Sdn.   Bhd . ,   an   i nt egr ated  oil  a nd  gas  t ec hnol ogy  company  i nt e re st ed  i n  u si ng   m ac hi n e l ea rni ng  t o  pre di ct f a i l ure   i n  o il   and gas  p i pel i nes.     Evaluation Warning : The document was created with Spire.PDF for Python.