Indonesi an  Journa l  of El ect ri cal Engineer ing  an d  Comp ut er  Scie nce   Vo l.   23 ,  No.   1 ,   Ju ly   2021 , p p.  378 ~ 386   IS S N: 25 02 - 4752, DO I: 10 .11 591/ijeecs .v 23 .i 1 . pp 378 - 386          378       Journ al h om e page :  http: // ij eecs.i aesc or e.c om   Haruma nis mango le af  d isease r ecogniti on  sy stem   u sing i mage  processi ng techn iqu e       R.   A.   JM.   Gin ing 1 , S.   S.   M.   Fau z i 2 ,  N.   M .   Yu s off 3 , T.   R.   Ra z ak 4 ,   M.   H.   Ismail 5 , N.   A .   Z ak i 6 ,    F.  Ab dull ah 7   1,2,3,4,5 Facul t y   of C om pute r  and   Mathe m at i ca l   Sc ie nc es,   Univ ersiti  T eknol ogi   MA RA,  Perli s,   Mal a y sia   6 Facul t y   of  Arch it e ct ure ,   Pl anni n g  and  Surve y ing, Unive rsit i  T ekn ologi   MA RA,  Pe rli s,  Ma lay si a   7 Pus at   Pen y elidi kan,   Hort ikul tu r M ard i  Sintok ,   K eda h ,   Mal a y s ia       Art ic le  In f o     ABSTR A CT   Art ic le  history:   Re cei ved  Ma r 23 , 202 1   Re vised A pr   1 9 , 2 021   Accepte d  Ma y   1,   2021       Curre nt  Harum ani s  m ango  far m ing  te chn ique  in  Ma lay sia   stil l   m ost l y   depe nds on  the   f armers'   own e xp ert ise  to  m onit or   the   cro ps from the   at t ac k  of   pests  and  insec t s.  Thi s  appr oach  is  sus ce pti ble  to  hum an  err ors,  and  thos e   who  do  not  po sse ss   thi s  skill   m a y   not  be  able  to  det e ct   the   dise ase   at   the   righ t   ti m e.   As   le af  dis ea ses  seriousl y   a ffe ct   th e  cro p ' s  g rowth  and  the   qu al ity   of  the  y i el d ,   th is  study   ai m s  to  deve lop  a  rec ogniti on  sy st em  tha t  det ec ts  th e   pre senc e  of  dis ea se  in  the   m a ngo  le af  using  image  proc essin g  te chni qu e.   First,  the   image  is  ac quire d  thro ugh  a  sm art phone  ca m era;  once  it   has  bee n   pre - proc essed ,   i t   is  the n   segm ented  in  whi ch  t h e  RGB  image  is  c onver te d   to   an  HS I  image ,   t hen  th e  fe at ur es  are  extrac te d .   La stl y ,   th e  cl ass ifi c at ion   of   disea se  is  done  to  det e rm ine   the  t y p e  of  leaf  dis ea se.   The   propo sed  s y stem   eff ectivel y   de tec ts  and  class if y   t he  disea se   with  an  accurac y   of  6 8. 89%.   Th e  findi ngs  of  thi s  proje c t  wil l  contribute  to  f armer s  and  soci ety 's  bene fi t,  and   rese arc h ers  c an us e  the a ppro ac h   to addre ss   sim ilar  issues i n   futur e  works .     Ke yw or d s :   Harum anis    Im age p r ocessi ng   Leaf  disease   Ma tl ab   This   is an  open   acc ess arti cl e   un der  the  CC  B Y - SA   l ic ense .     Corres pond in g  Aut h or :   S.  S . M. Fauzi   Faculty  of Com pu te r  an d  Ma them a ti cal  Scie n ces   Un i ver sit i Te knol og i M ARA   Perlis B ra nch , 026 00,   Ar a u, P erli s,  Ma la ysi a   Em a il :  sh ukor s anim @u itm .ed u. m y       1.   INTROD U CTION   On e  of   Ma la ysi a' s  fa m ou s  m ang o  va riet ie s  is  Har um anis  m ang o,   wh ic h  ha s  a  ph e nom enal  com m ercial   dem and   an d  thri ve s  well ,  par ti cu la rly   in  Perlis,  Ma la ysi a ' s  no rt hern  sta te .  Yiel ding  good  a nd   ripe   Harum anis  is  no t  a n  ea sy  ta sk ;  th us ,   fa rm e rs  al ways  m ust   ta ke  ext ra  ca re  of  t hem ,  m a inly   to  pre ven t   them   from   the  diseases  that  m ay   i nf ect   a nd   r uin   the  cr op.  U su a ll y,  far m ers  will   m ake  regular  m on it or in g  t hro ug h  their  nak e d  e ye s  to  detect   po te ntial   disea ses.  F or  insta nce,  t he  f ede r al   agr ic ultur e  m ark et ing  aut hority   ( FA M A) in M al ay sia  u ses  hum an  ex per ts  f or the  fru it s  gr a ding  process  usi ng p e rcep ti on and  hand  m et ho d.   Howe ver,  this  appr oach  seem s  le ss  ef fici ent   as  it   co nsum e s  m or e  tim e  a nd  fa rm ers  m a y  ov e rlo ok   so m e  le aves  th at   are  al rea dy  infected   an d  m issed  the   ri gh t  t i m e  to  pr e vent   and  treat   the m   [1 ] .  Be sides ,  this   appr oach   is  al so   not  app li cabl e  to  ever y  farm er  as  they   hu gely   rely   on   hum an  exp erts.  Additi on al ly ,  hum an   exp e rts a re  pro ne  to  hum an  er ror; h e nce t his  m ade th e m et ho d l ess  reli able.   Ther e f or e,  it   is  necessar y  f or  red e fining  the  op e rati on  of  th e  far m ing   indu stry,  an d  the  ke y  to  this  is  sm art  far m ing .   This   ap proac h' s  research  ef f ort   has   been  dra m at ic ally  exp a nd e d  sig nifica ntly   with  t he  rise  of  var i ou s   m et ho ds ,  su c h  as   m a chine  le a rn i ng  and  im age  pro cessi ng.  Howe ver,  m os t  of   t he   re ported  w orks  on  sm art  far m ing   wer e  c onduct e d  on  rice  an d  tom at o  cro ps,  wh e reas  ver y  l it tl e  on   the  Ha r um anis  m ang oe s.  The   Evaluation Warning : The document was created with Spire.PDF for Python.
Ind on esi a n  J  E le c Eng &  Co m p  Sci     IS S N:  25 02 - 4752       Ha r uma nis  m ango le af d ise ase  reco gnit ion  s yst em usin g  im ag e  proces sin g t echn i qu e   ( R.  A. JM.  G i ning )   379   pr e vious  s olu t ion s  c onverge   on   the  f r uits  rather   tha n  it s  le aves;  wh i ch  al so   play   a  vital   ro le   in  cr op  pro du ct ivit y.   T hu s ,  this   stu dy  inten ds   t o  de velo p  a  rec ogni ti on   syst em   th at   can  qu ic kly  help   fa rm ers  detect   m ang o l eaf  dis eases easi ly  w i thout any  hum an  inte rf e ren ce .   Find i ng   from   t his  stu dy  will   con t rib ute  to  s ociet y' s  ben efit   as  Ma la ysi a ' s  econom ic   back bones  is  the   a gr ic ultur e  sec tor.   T he  pro gressi vely   com p et it ive  and   vola ti le   m ark et ing  and   chall e ng e s  su ch  as  insec ts  a nd   pests  r uin i ng   t he  cr ops,  e xh a us ti ve  fa rm ing   m et ho ds   a nd  far m ers  at tempti ng   t o  pr oduc e  foo d  in  the   m os t  su sta ina ble  m a nn e r  justi fy  the   need   for  m or e  e ff ic ie nt  fa rm i ng   m et ho ds.  T hu s ,  by  im ple m enting  the  a ppr oac h  der i ved   f r om   t his  pro j ect ' s  resu lt s,  far m ers  can  al so   ta ke  pr eca utio ns   or  treat   the  infected  le aves  at   th e  right   tim e.  The  be gi nn e r  far m ers  c an  al s o  detect   the  diseases  e ve n  without  pr i or  kn ow le d ge   about  it .  A  fe w  m ajo r  le af  diseases  w ere  detect ed  i n  the  Harum anis  m ang o  fam ily  su ch  as  An t hracn os e,  m ango  scab ,  an d  powd e ry   m il dew .  More ov e r,   s om e  far m ers  m ay  al so   us e  pestic ide  to  av oid   a  disea se  ou tb rea k  an d  pest  gro wth  befor e  diag nosin g  the   diseases .  Hence ,  the   pro j ect   can  reduce   the  us e  of  hazar dous   pestic ides  t hat  pose   a  si gnific a nt   threat to  hum a n healt h.       2.   RELATE D  S TUDIES   2 . 1 .      H arum ani s mang o   Ma ny  m ang o  (Man gifer a   in dica  Lin n.)  is   a  tro pical   f r uit  that  bel ongs   m or ph ologica ll y  to  the   delique scent   dru pe  s ub - ty pe .   It  posse sses  one  la r ge  see d  wh ic h  is  s urr ounde d  by  fles hy   m esocarp  an d  has  m any  var ie ti es  [ 2 ] .  In  Ma la ysi a,  20 9  cl ones  of  m ang o  ha ve  been  re gistere d  by  the  De par t m ent  of   A gr ic ul ture.   An y  cl ones  th at   po ssess  s uff ic ie ntly   hig h  qual it ie s  m ay  be  reco m m end ed  f or   gen e ral  plantin g  f ro m   thes e   reg ist ere d  cl on es.  Ma lgo a  an d  A pp le   Ma ng o,   Ha ru m anis,   MA  162,   MA  165,  MA  204,  an d  MA  205  are  a m on g  the  pro m isi ng   ones  [ 3 ] .  Harum anis  m ang o  is  ho nour e d  as  t he  “ K ing   of  Ma ngoe s”  in  this  c ount ry  due   to  it s  delic i ou s ness,   unf orgett able  sweet  ta ste   and   a ro m at ic  s m el l  [4 ] .  The   fruit   is  al so   ve ry  rich  in  vitam in  A,  C, an d  m edici nal q ualit ie s.  Its  le aves ar e  m os tl y used  in  r it ua ls as they  are   anti - bacte rial  ag ai ns t  gr am - po sit ive  bacteria   [ 5].  W it hin   t he  s pe ci es,  two  ty pe s  are  recog nized.   T he  first  ty pe  pro du ce s   a  seed  with  a  sing le   zy go ti c  em br yo.  It  is  cal le d  m on oem br yoni c  m ang oes  t hat  or igi nated  in  s ub - tr op ic al   I nd ia ,  and   th e  othe r  ty pe  is p olyem br yo nic m ang oes  which c reate a  se ed wit h  a  fe w  e m br yos [6].     2 . 2 .      H arum a nis ma ngo le af dise as es   The  Harum anis  le aves  a re  usual ly   expose d  to  sp eci fic  m a ngo  le af   ty pe  diseases.  The  anth racnose   ( colle totric hum   glo eos porio dies)  is  on e  of  the  well - known  m ang o  le a f  diseases.  T he   anthr ac nose  exh i bits   sever e   f ungal  bu l b,   see ds,  a nd  le ave s  f ungu s.  I n  yo ung  s hoots ,  fl ow e rs  a nd  f ru it s,  t he  di sease  causes   s ever e  losses  [ 7 ] .  Othe r  tha n  that,  E lsi no ë  m ang ife rae.  It  is  al so   known  as  De nt ic ularia  m anif erae  cau ses  m an go   scab.  O nly  li ve  plant  ti ss ue  ca n  s urvive  t his  f ungus.  The re  a re  no  rec ords  of  this  disease  a ff ect in g  oth e r  plants   oth e r  tha n  m angoes .  Sm al l  black  spots  de velo ped  on  ne wly  set   f ru it ,  and  the  fruit   f al ls  off  wh e n  m ul ti ple  black  le sio ns  infect  it .  Th e  rem ai nin g  a ff ect ed   f ru it   on   t he  tree  de velo ps   sca r  ti ssu e  that  m akes  it   un m ark et ab le   or down gr a des  it  [ 8 ].   Ther e  a re  ot he r  le af  diseases  li ke  Xan t ho m on as  cam pestris  pv .  Ma ng i fer a ei nd ic ae,  a  bac te rium   that  causes  black  s po t  ca pa ble  of  at ta cking   le a ve s,  bra nch es   an d  f r uit  [8 ] .  T he re  is  a  s ubsta nt ia l  season al   va riat ion   in  the  disease  sever it y.  It  m ay   be  s pr ea d  th rou gh   wind - dri ven  rain   f ro m   tree  to  tree  i n  the  fiel d  or  th r ough   too ls  us e d  to  c on t ro l t as ks  s uc h  as  prunin g  [ 9] .   The  fun gu s ,  O idium ,  causes  pow der y  m il de w  on  t he  le af  su r face .   Alth ough  a  m od e ratel y  sp oradi c   disease,   due  t o  flo wer  a nd  pa nicle   infecti on  an d  s ubse qu e nt  f ru it   set   fail ur e ,  it   m ay   ca us e  se ve re  c rop  lo ss .   The  c riti cal   ke y  to  diff e re ntiat ing   this   dis ease  is  the   presence  of  pan i cl es  an d  y oung  fruit   of  a   w hiti sh ,   pow der y  gro wth  of  the  fun gus .   T he  in fected   young  f ru it   c ha ng e s  c olour  a nd  fall s.  T he  whit e  grow t h  of  youn g  infected  le a ves   can  al so   be   s een  on  the  l ower  la ye r   [ 10] .   This  stu dy  is  fo c us in g  on  t wo   ty pes  of   di seases  wh ic h  a re  a nth rac nose  a nd  bacteria l  blac k  spot.  T hese  t wo  diseases   a re  sel ect ed  a s   these  a re  the   m os t   pr e valent a nd  prom inent d ise ase, a nd the  da ta  f or it  is e xtensiv el y  ob ta ina ble.     2 . 3 .      Re la ted w orks   T h e r e   a r e   s e v e r a l   t e c h n i q u e s   o f   d e t e c t i o n   a n d   i d e n t i f i c a t i o n   o f   c r o p   d i s e a s e s .   O n e   o f   t h o s e   t e c h n i q u e s ,   t h e   m o l e c u l a r   t e c h n i q u e   c a n   b e   u s e d   f o r   h i g h - t h r o u g h p u t   r e s e a r c h   w h e n   a n a l y z i n g   v a s t   n um b e r s   o f   s a m pl e s   [1 1 ] .   M o l e c u l a r   t e c h n i q u e   r e f e r s   t o   t h e  m i n i m um   a m o u n t   o f  m i c r o o r g a n i s m  t h a t   c a n   b e   f o u n d   i n   t h e   s a m pl e ,   a n d   E L I S A   i s   o n e   o f   t h e   w i d e l y   u s e d   m o l e c u l a r   m e t h o d s   f o r   d i s e a s e   d e t e c t i o n.   W i t h   E L I S A ,   t h e   m i c r o b i a l   p r o t e i n  ( a n t i g e n )   a s s o c i a t e d   w i t h   a   p l a n t   d i s e a s e   i s   i n j e c t e d   i nt o   a n   a n i m a l   w h i c h   p r o d u c e s   a n t i b o d i e s   a g a i n s t   t h e   a n t i g e n  i n   t h e   d e t e c t i o n   o f   d i s e a s e .   T he s e   a nt i b o d i e s   a r e   c o l l e c t e d   w i t h   a   f l u o r e s c e n t   d y e   a n d   e n z y m e s   f r om   t h e   a n i m a l ' s   b o d y   a n d   u s e d   f o r   a n t i g e n   d e t e c t i o n .   T h e   s a m p l e   w i l l   f l u o r e s c e   i n   t h e   p r e s e n c e   o f   t h e   d i s e a s e - c a u s i n g   mi c r o o r g a n i s m   ( a n t i g e n ) ,   t h u s   c o n f i r m i n g   t h e   e x i s t e n c e   o f   s p e c i f i c   p l a n t   d i s e a s e .     Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2502 - 4752   Ind on esi a n  J  E le c  En g  &  Co m p  Sci,   Vo l.   23 , N o.   1 ,  Ju ly   2021 :  378   -   386   380   On   t he  oth e r   ha nd,  the  hy per s pectral  te c hn i qu e   can  be   us e d  to  c ol le ct   valuab le   plant  healt h  inf or m at ion   ov er  a  wide   ra ng e  of  wav el e ng t hs   rangin g  fro m   35 0  to   25 00  nm   [1 1 ] .  For  la rg e - scal e  c ulti vation,  hype rsp ect ral  i m aging  is  pr i m aril y  being  us e d  f or  plant   phe no ty pi ng  and  f or  detect ing  cr op  diseas e.  T he   m et ho dolo gy  is  ver y  sta ble  a nd   offer s  a  br i ef  analy sis  of   t he  im age  data.  It  is  widely   use d  f or   the  dete ct ion   of   plant  disease  by   m easur ing   t he   changes  i n  r eflect ion   resu lt ing   from   chan ges  in  biop hysic al   and   bi oc hem ic al  char act e risti cs at i nf ect io n.   The  im age  pro cessi ng  te ch niq ue   is  an oth e r  te chn iq ue  us e d  for  c rop  disea se  detect io n.   S tud y  in  [ 1 2 ]  hav e  decide d  to  purs ue  this  te chn i qu e  to  fi gure  out  sp eci fic  diseases  an d  to  pro vid e  the  treat m ent  f or   the   far m ers  for  the ir  sugarca ne  c r op s .  T he  te ch ni qu e  sta rts  wit h  the  le a f  im a ge  in put  ta ken  in  the  form   of   RGB   us in g  the  di gital   ca m era  and   then  tra ns f or m ed  into  gray sca le   to  el i m inate   th e  hu e  a nd   sat ur at io n  inf orm at ion .   Nex t,  t hro ugh  i m age  pr e - pro cessi ng,  un nee ded   pa rt  of   t he   i m age  is  re m ov e d  by  filt ering   t he  noise   a nd   t hen  the  ap pro pr ia te   portio n  us e d  f or  extracti on  is  segm ented.   A fter  that ,  te xt ure  sta ti sti cs  will  be  c om plete d,  an d  dise ase  pr e ve ntion   f or  t he  s ug arcane  leaves  is g i ven acco rd i ng to  t he  st ud y .    Si m il arly ,  i m a ge  processi ng  te chn i qu e   is  al s o  us e d  to   detect   the  m os t  fr e qu e ntly   occ urr ing   disease s   on   c otto n  le av es  su c h  as  bacteria l  bligh t,  al t ern a ria,  grey   m il dew ,  cerc ospora ,  a n d  f us ar ium   wilt   [1 3 ] - [ 1 5 ] .  I n  these  th ree  pa per s ,  im age  processin g  al s o  sta rts  with  im a ge  ac qu isi ti on  wh e re  hundre ds  of  le af  im ages  are  captu red  to  buil d  a  database .  The  im ages  ar e  la te r  pre - pro cessed  t o  im pr ov e   certai n  im age  f eat ur e s  w hich  a re   crit ic al   fo r  further   pr ocessin g.  The  pr e - pr oce ssing   ste ps  include  resizi ng  the  i m age  into  250  x  25 0  pixe l  an d  app ly in g  the  filt er.  Ne xt,  se gme ntati on   of  t he im ages is p erfo rm ed  so  that th e inf ect ed regi on  ca n be sepa rated  from   the  healt hy  reg io n.   E xtracti on   of  the  f e at ur es  is  the  nex t  crit ic al   st ep  to  do   afte r  segm entat ion   so   that  a  set   of   featu res  represe nting   e ach  cha racter  c an  be  obta ine d.  This  increase s  the  ackno wledg em ent  rate  with  a  m ini m u m   nu m ber   of   c om po nen ts .  Fo ll owi ng   e xtracti on  of   the  featu re,   a  cl assifi er  is  us ed  to  i den ti fy  the  disease  base d on the  featu res e xtracted .   The  stu dy  in  [1 6 ]   hav e  op t ed  for  an  im a ge  processi ng   te chn iq ue  in  orde r  to  get  use fu l  crit ic al   featur e s  for  t he   analy sis  of  var i ou s   rice   bl ast   diseases .  T he  le af   im ages  are  first  ac qu ired  t hr ough  a   we b  ca m era  and   pr ocesse d  by  Ra sp be r ry  Pi.  Then ,  the  im age  processi ng   is  done  by  conver t ing   the  RGB  im ages  into  gray scal e,   and  the  disea sed  c on t ours  a re  ide ntifie d  by   app ly in g  ed ge  detect io n  ( so be l).  Nex t ,  s ever al   analy ti cs  te chni qu es  a re  c onduct ed  t o  ide ntif y  the  im ages  accor ding  t o  the   sp eci fic  pro ble m   at   hand.   By   us in g  op ti m iz ation  te chn i qu e s,  t he  i m ages w il l t he n be se nt to  the  cloud  stora ge fo r  c om par ison.   Othe r  resea rc he rs  hav e  al so   us e d  im age  processin g  te c hniqu e  w hich  i nvolv es  sim il ar  ste ps   s u ch  as   i m age  acq uisit i on,  im age  pr e - processi ng,  im age  se gm entat i on,  f eat ur e   ext racti on  an d  cl a ssific at ion   [ 5 ] ,  [ 17 ] - [ 19 ] .  I n  these  pap e rs,   durin g  the  i m age  segm entat ion ,  O tsu' s  m et ho d  and   K - m eans  cl us te rin g  are  use d  t o  cl assify   the  obj ect   base d  on  a  set   of   the  fe at ur es  into  K  nu m ber   of  cl asses.  K - m eans  cl us te ring   is  m or e  su pe r fici al   than  ot her   cl us te r ing   m et ho ds   a nd   w orks  with   a  vast  nu m ber   of  var ia bles  as  well .  H owe ver,  a   diff e re nt  nu m ber   of   cl ust er  num ber s  and   diff e ren t  init ia l  c entr oid   val ues  pro du ces  a  d i f fer e nt  cl us te r  r esult .   Hen ce ,  init ia lizing   the  a ppropr ia te   num ber   of   cl us te r  k  an d  the  co rr ect   init ia l  centro id  nu m ber   is  nec essary .   So m e  of   the  draw bac ks   of   t he   m olecular  an d  hy per s pectra l  te chn iq ue  a re   tim e - con s um i ng,  la bo ur - inte ns ive  and   r eq uire  an   el abo rate  pro cess.  The  dra wb ac k  occ urre d,   espe ci al ly   du ri ng   sam ple  pr e par at io n  (c ollec ti on   and ext racti on)  in or der to  obta in r el ia ble a nd acc ur at e  res ul ts on the i den t ific at ion   of p la nt d isa bili ty  [ 20 ] .    Im age  proces sing  te ch niqu e,  on  t he  ot her  ha nd,  m i nim i zes  the  su bject ivit y  of  tra diti on al   cl assifi cat ion   m et ho ds   a nd   m ist akes  com m itted  by  hu m an  bein gs   [ 17 ] .   Thu s ,  the  reli abili ty   of   the  est i m ation   is  en han ce d,  a nd  reli able   dat a  f or  disease   s tud ie s  a re  giv e n.   The   ap proa ch  is  al s o  sim ple,  i n  wh ic h  i t  on ly   need s  m erely   c om pu te rs,   dig it al   ca m eras,  as  well   as  the  sof tware  program s.  The  im age  proces sin g  ap proac h  al so   m ini m iz es   the  subj ect ivit y  of   tradit io nal   cl assifi cat ion   m et ho ds   a nd   is   m or e  strai ghtf orward.  Othe r  i m age   processi ng   te c hn i qu e s  that  use s  hybr i d  ap pro ach [ 21] ,  im a ge  segm entat ion   [ 22 ]   an d  cl ust er - ba sed  featu re  [23]   al so   pro ven   to   be  us ef ul  in  the  process  of  i m age  pr oces sing   te ch nique .   Hen ce ,  acco rd i ng   to  the  s ta te d  ben e fits,  the  pro po se d  rec ogniti on  syst em   i m ple m ents  the  i m age  proces sin g  te ch nique  to  de te ct   the  Harum anis  m a ngo  le a f disea s es.       3.   METHO DOL OGY   As  sta te d  in  th e  pr e vious  sect ion ,  the  te ch ni qu e  util iz ed  for  the  devel opm ent  of   the  pr oto ty pe  is  the  i m age  pr oc essing  te c hn i qu e .  Im age  pr oces s ing   te ch nolo gy  us ed  for  pla nt   disease  detec ti on   el i m inate s  the  su bject ivit y  of   tradit ion al   cl as sific at ion   m et h od s  a nd  hum a n - i nduce d  erro r.   Th us,  the  est i m ation   reli abi li ty   is  i m pr oved ,  an d  accurate  data   acqu ire d  f or   disease  stu dies .  The  te ch niqu e  is  al so   conv enient,  wh ic h  needs  com pu te rs,   dig it al   ca m eras  with  the  com bin at io n  of  ne cessary  softwa re  pro gr am s  t o  reali ze  for  disease   detect ion sy ste m   [24] .   T h e   n e c e s s a r y   s t e p s   f o r   d i s e a s e   d e t e c t i o n  u s i n g   i m a g e   p r o c e s s i n g   a r e - i m a g e   a c q ui s i t i o n ,   p r e - p r o c e s s i n g ,   f e a t u r e   e x t r a c t i o n ,   s e gm e n t a t i o n   a n d   f i n a l l y ,   c l a s s i f i c a t i o n  [ 5 ] ,  [ 17 ] - [ 19 ].   I n   t h i s   s t ud y ,   t h e   Evaluation Warning : The document was created with Spire.PDF for Python.
Ind on esi a n  J  E le c Eng &  Co m p  Sci     IS S N:  25 02 - 4752       Ha r uma nis  m ango le af d ise ase  reco gnit ion  s yst em usin g  im ag e  proces sin g t echn i qu e   ( R.  A. JM.  G i ning )   381   M A T L A B ’ s   I m a g e   P r o c e s s i n g   T o o l b o x   w a s   u t i l i z e d .   I t   p r o v i d e s   a   c o m p r e h e n s i v e   c o l l e c t i o n   o f   s t a n d a r d  r e f e r e n c e   a l g o r i t hm s   a n d   w o r k f l o w   f r a m e w o r k s   f o r   i m a g e   p r o c e s s i n g ,   a n a l y s i s ,   v i s u a l i z a t i o n ,   a n d   a l g o r i t hm s   d e v e l o pm e n t .   T h i s   t o o l b o x   w a s   u s e d   t o   p e r f o r m   t h e   i m a g e   p r e - p r o c e s s i n g ,   i m a g e   s e gm e n t a t i o n ,   e x t r a c t i o n   o f   f e a t u r e   a n d   c l a s s i f i c a t i o n   p r o c e s s .   T h e   M A T L A B ’ s   G u i d e   a l s o   e m p l oy e d   t o   d e v e l o p   t h e   G U I   o f   t h e   p r o t o t y p e .     3 . 1 .      Im age  ac quisi tion   T h e   p r o c e s s   o f   a c q u i r i n g   l e a v e s   i m a g e s   b y   c a p t u r i n g   i m a g e s   o f   d i f f e r e n t   t y p e s   o f   l e a v e s   us i n g   a   hi g h - r e s o l u t i o n   c a m e r a   t o  o b t a i n  g o o d   r e s u l t s   a n d   e f f i c i e n c y   [ 2 5 ] .   T h e   l e a v e s '   i m a g e s   w e r e   t a k e n   m a n u a l l y   u s i n g   a   R e dm i   N o t e   7   s m a r t p h o n e   c a m e r a ,   t a k e n   a t   t w o   h a r u m a n i s   m a n g o   f a r m s   l o c a t e d   a t   R e p o h   a n d   B a t u   B e r t a ng k u p ,   P e r l i s .   T h e r e   a r e   1 0 3   h e a l t hy   l e a f   i m a ge s ,   a n d  4 3   i m a g e s   o f   t h e   d i s e a s e d   l e a v e s   ( a n t h r a c n o s e   a n d   b a c t e r i a l   b l a c k  s p o t )   w e r e   o b t a i n e d .   E a c h   t y pe   o f   i m a g e s   s a m p l e   w a s   d i v i de d   i n t o   t w o   c a t e g o r i e s ;   t r a i n i ng   ( ± 7 0 % )   a n d   t e s t i n g   ( ± 3 0 % )   i m a g e s ,   s a v e d   i nt o   a   f i l e   n a m e d   " d a t a s e t " .   B o t h   c a t e g o r i e s   u n d e r g o   t h e   s a m e   p r o c e s s e s   t h r o u g h o u t   t h e   m e t h o d o l o g y   p h a s e s .   H o w e v e r ,   t h e   t r a i n i n g   i s   d o n e   f i r s t   b e f o r e   t h e   t e s t i n g.   H e n c e ,   t r a i ni n g   t h e   s y s t e m   u s i n g   t r a i ni n g   i m a g e s   w i l l   b e   d i s c u s s e d   f i r s t ,   f o l l o w e d   b y   t h e   t e s t i ng ,   w h i c h   u s e s   t e s t i n g   i m a g e s .   Fo r   the   syst e m   trai ning,   each   trai ning  im age  is  up l oa ded  int o  the   syst em ,  ru nnin g  t hro ugh  a  se ries  of  functi ons  im pl e m enting  the  pre - processi ng,  segm entat ion ,  and   featu re  e xtracti on   phases  consecuti vely   -   this   will   be  disc us s ed  m or e  in  t he   desc riptio n  of  each  phase.  T he  syst em   will  then  prom pt  to  la bel  t he  upl oad e d  i m ages  us in g  the  f ollo wing  ta gs :  0  f or   he al thy,  1  f or   a nthracn os e  a nd  2  f or  bacter ia l  black  s pot.   Thes e   la belle d data ar e save d  i n  a  da ta base  nam ed  db.m at .     3 . 2 .      Im age p re - pr ocessin g   Be fore  ext racti on   a nd  cl assifi cat ion ,  it   is  sta nd a rd   pract ic e  for  le af  i m ages  to  go  t hro ugh  pr e - processi ng.  Va rio us   pre - proc essing  te ch niques  ca n  be   ta ken  int o  acc ount  t o  el im inate   the  no ise   f r om   the   acqu i red  im ag es;   the  us a ge  of  im age  cl ipp in g  to   get  the  a re a  in  quest ion  by   crop ping,  t he   sm oo thin g  filt er  f or  i m age  s m oo thing,  an d  i m age  enh a ncem ent  t o  co ntr ol  the  con t ra st  le vel  [1 7].  I n  this  ph ase,  the  noise   on   th e   trai ning  im age s  was  re du c ed  us in g  a  filt erin g  te ch nique  -   im age  enh a nce m ent,  wh ic h  increase d  the  i m age' s  con t rast.  Tw o  MATLAB' s  filt ering   te c hn i que  functi ons  we re  ap plied  in  t his  phase,  im adjust   to  inc rea se  th e  con t rast  an d  stret chlim   to   ad just  the  im age  intensit y.  T he  GUI  for  te sti ng  was  al s o  devel op e d  to   il lustrate   th e   ov e rall   te sti ng   pr oce sses.  T he  imrea d   f un ct ion   is  util ized   to  ena ble  the  te sti ng   im a ge  uploa d  fun ct ion .     Figure  1  il lustr at es the tw o functi ons'  ex ecut ion   with a  cli ck on  the e nhan ce i m age contr ast   butt on.             Figure  1 .  Im age enhan cem ent       3 . 3 .      Im age se gmen tatio n   Im age  seg m entat ion   is  a  m e tho d  by  wh ic h  an  i m age  is  m o re  m eaningfu l  and   c onve nient   to  analy ze   [25].  Se gm entat ion   c om pr ise s  pa rtit ion in g  t he   im age,  or  an y  relat ion ,   int o  sepa rate  par ts   of  the  sam e  featur es.   Upo n  e nh a nci ng  the   im age,  the  RGB   pictu re  was  t hen  tr ansfo rm ed  to  hu e ,  sat ur at io n,  an d  inten sit y  ( HS I ).  The  tra nsfo rm at ion   w as  ena bled  us in g  im2 double   f un ct io n  that  c onve rts  true  R GB  col our  im age  to  doubl e   pr eci sio n  a nd,   rescale   the   da ta   and  extra c t  the  in div id ua l  com po ne nt  of  the  im age  w her e  a ppr opriat e.   Af te r wa rd s ,  th e  co nv e rsion  e qu at io n  is  a ppli ed  to  tra nsfo r m   the  RGB  im age  int o  H SI  for m at .  Fi gure 2   de picts  the se gm ented  i m ages af te r  cl ic kin g o n  t he  S egm ent I m age b utto n.     Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2502 - 4752   Ind on esi a n  J  E le c  En g  &  Co m p  Sci,   Vo l.   23 , N o.   1 ,  Ju ly   2021 :  378   -   386   382       Figure  2 .  Im age seg m entat ion       3 . 4 .      Fe ature  ext r act i on   The  e xtracti on   of   t he  featu re   play s  a  vital   ro le   in  im age  processi ng.  Fe at ur e  e xtracti on  is  us e d  in   m any  ap plica tio ns  of   im age  pr oces sin g.   Col our,   te xture,  a nd   m or phol ogy  can  be  con si der e d  as  a  featur e  f or  le af  dis ease  de te ct ion .  T he  gr ey   le vel  c o - oc currence  m at rix  ( GLCM)  for  each  pi xel  m a p  f or   H  a nd   S  i m ages   of   i nf ect e d  cl ust ers  was   c reat ed  f or  this  syst e m .  GLCM  sta ti sti cs  su ch  as  m ean,  sta ndar d  dev ia ti on,  e nt ropy,   RM S,  va riance , corr el at io n, e nergy, a nd  hom og eneit y wer e extracte d.     3 . 5 .      Disease  c lassifica tion   Af te r  t he  pr e vi ou s   phase' s  ex ecuti on,  the  re su lt   co uld   be  vi ewed   by  cl ic ki ng   t he  vie w  r esult  butt on.  Figure  3   sho w s  the  syst em   s uccess fu ll y  pr oc essed   the  im a ge  a nd  ide ntifi ed  t he  le af   dis ease,  in   wh ic h  in  this   dem on strat io n, the lea f  w as  in fected  by a nthr acnose.           Figure  3 .  Re su l t display       4.   RESU LT S   A ND  D IS C USS ION   The  syst em ' s   perform ance  was  e v al uate d  to  te st  it s  ac cur acy ,   recall ,   preci sion,  a nd  F 1 - sco re  i n  detect ing   t he  l eaf  disea ses.  T he  detai ls  of  th is  evaluati on  a re  disc us se d  i n  this  sect io n.   T o  deliver   the  s yst e m   evaluati on,  a n  exp e rim ent  was  carried  out  on  14 6  i m ages  of   the  t hr ee  c hose n  cl asses  w hich  wer e  healt hy  le af  as w el l as le af th at  w as inf ect ed  by an t hr ac nose an d  bacte rial  b la ck  spot.  Table 1  s hows t he  i m age d at aset  that   was  di vid e d  in to  two  s ubset s  wh e re  a  set   of   113  im ages  are  us ed  for  trai ni ng   a nd  a  set   of  33   im ages  are  us e d  for  t he  test .     Af te r  div i ding  the  i m ages  into  the  tw o  subs et s,  the  33   im a ges  f ro m   the  test  data  wer e  te ste d  an d  th e   resu lt s  wer e   re corde d  in a  co nfusion  m at rix  ta ble.  A   m at rix  of  co nfusi on  is  a  ta ble d epict ing   t he  values  of   t rue   neg at ive ,  true  po sit ive ,  false  po sit ive  as   well   as  false  neg at ive.  This  al lo w s  tho r ough  res ults  rather   tha n  on ly   the correct  proporti on  of   gues ses ( acc ur acy ) [3 ] . Fi gure  4 s hows  t he ge neral  co nf us io n  m at rix  ta ble.     Evaluation Warning : The document was created with Spire.PDF for Python.
Ind on esi a n  J  E le c Eng &  Co m p  Sci     IS S N:  25 02 - 4752       Ha r uma nis  m ango le af d ise ase  reco gnit ion  s yst em usin g  im ag e  proces sin g t echn i qu e   ( R.  A. JM.  G i ning )   383   Table  1.   Divi din g i m age d at aset s into  trai ning  data an d  te st  data   Diseas e class   Total i m ag e  datas e ts   Tr ain in g  data   Test data   Health y   103   83   20   An th racno se   30   20   10   Bacterial Bl ack Sp o t   13   10   3   Total   146   113   33           Figure  4 .  Ge ne ral co nfusi on  m at rix  ta ble       The  ne xt  ste p  was  to  cal culat e  the  accuracy,  pr eci sio n,   rec al l  and   F1   sco rin g.   Acc ur acy   rep rese nt s   the  am ou nt  of  t est   data  that  w ere  accu ratel y  identifie d  ove r  the  s um   of   te st  data.  I n  ( 1 )   disp la ys  the  f or m ula  of   ov e rall   accu rac y.  Pr eci sio n  is  the  rati o  of   c orrectl y  exp ect ed   po sit ive obser v at ions  to  the  a ct ual  total   pr e di ct ed   ob s er vation.  I n  ( 2 )   il lustrate s  the  eq uation  of  pr eci sio n.   Re c al l  is  the  rati o  of   c orrectl y  predict ed  posit iv es  to  al l  act ual  cl ass  obser vatio ns .   In  ( 3 )   in dicat es  the  recall   f orm ula.  Last ly ,  F1   is  t he  har m on ic   m ean  of  p r eci sion  and recall  a nd is a  bette r  m eas ur em ent than a ccur acy .   I n ( 4 )   sh ows  the  F1 - s cor e  equati on.         (1)       (2)       (3)       (4)     Wh e re  T P -   T ru e  P os it ive,  TN -   T ru e  Ne gative,  F P -   F al se  p os it ive,  FN -   False   Ne gative .   Th e   conf us io n  m at rix  ta ble  of   Ha r um anis  Ma ngo  Leaf  Disease  Detect ion   Syst e m   is  sh ow n  in   Table  2.   The  c la sses   wer e  a  healt hy  le af,  the  leaf i nfect ed by a nthr acnose a nd the  le af in fe ct ed b y t he  bacte rial  b la ck sp ot.       Table  2 .   C onf usi on m at rix  ta ble o f  the syste m   Diseas e class   TP   TN   FP   FN   Health y   10   4   6     An th racno se   7       3   Bacterial Bl ack Sp o t   2       1       Fr om   Table  2,  TP  in dicat es  th at   the  le af  is  ei ther  healt hy  or   infected   an d  was  c orrectl y  identifie d  by  the  syst em .  T N  in dicat es  th at   the  le af  is  no t  healt hy  or   not  infecte d  and  was   co rr e ct ly   identifie d  by  the   syst e m .  FN   indi cat es  that  the  l eaf  is  infected ,   bu t  the  syst em   identifie d  it   as   healt hy.  FP  in dicat es  that  the   le af  is healt hy, b ut  the syst em  iden ti fied  it  as  infec te d.   Few  facto rs  m igh t  c on t rib ute  to  wh y   the  sy stem   inaccur at el y  detect   t he  diseases.   Th e  f irst  facto r  i s   the  an gle  from   wh ic h  the  le af  i m age  was  ta ken.  I f  the  ca m era  was  not  po sit io ne d  wel l,  the  captu red  i m age  m igh t  be   intri cat e  for  t he  sy stem   to  proces s  pri m arily  durin g  the   se gme ntati on  proce ss.  T he  le a f  w as  sti ll   consi der e d  he al thy  even   th ough  the re  we r e  a  few   blac k  or   brown  s pots  on  the  le a f.   T he  syst e m   m igh t   interp ret  these   sp ots   as  a n  i nfect ed  le af  w he n  it   wa s  no t.   T he  la ck   of   le a f  i m ages  infecte d  by  ant hr ac no se  an d  bacteria l blac k spo t  m igh t al so  contrib ute to   wh y t he  le a f' s inaccu rate cl ass ific at ion .     Table  3  show s   the  accu racy,  pr eci sio n,   reca ll   and   F 1 - sc or e  for  eac h  cl ass  base d  on  t he   conf us io n  m at rix  from  Ta ble 2 . T hese  re su lt s w ere  obta ined  a fter p e rfor m ing  the cal culat ion   base d on  t he  f our  e quat ion s   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2502 - 4752   Ind on esi a n  J  E le c  En g  &  Co m p  Sci,   Vo l.   23 , N o.   1 ,  Ju ly   2021 :  378   -   386   384   pr ese nted .  A  s uccess fu l  cl ass ifie r' s  pr eci sio n  s hould   prefe rab ly   be   1,  an d  high  re cal l  i m plies  that  the  c la ss  (a   sm a ll   nu m ber   of   F N)   was  ide ntifie d  co rr ect l y.  F1 - sc ore  is  on ly   one  if  both  recall   and   preci sion   are  1.  The  F 1  scor e  only  g et s  h ig h  i f bo t h  re cal l and   preci s ion are  h i gh.   Af te r   the  e xpe rim ent,  the  res ults  obta ine d  wer e  t he n  co m par ed  an d  a naly sed.   Table   4  de picts  the   com par ison   be tween  the  pro po s ed  a ppro a c h  an d  the  ot he r  two  e xisti ng  appro ac hes  ba sed  on  the  cl assifi er   us e d  a nd the t hree sy ste m s '  ac cur acy   rate.  T he  overall  acc uracy  o f  the  pro pose d  syst em  is  68.89% .       Table  3 .   T he  a ccur acy ,  preci s ion ,  r ecal l a nd  F1 - sco re  of the  syst e m   Diseas e class   Accurac y  ( %)   Precisio n   Recall   F1 - sco re   Health y   70   0 .71   1   0 .77   An th racno se   70   1   0 .70   0 .82   Bacterial Bl ack Sp o t   6 6 .67   1   0 .67   0 .80       Table  4 .   C om par iso n betwee n t he pr opos e d s yst e m  w it h  the  existi ng syst em   Pap er   Accurac y  ( %)   Health y   8 7 .80   An th racno se   8 3 .26   Bacterial Bl ack Sp o t   6 8 .89       Fr om   the  ta ble   above ,   it   is  sh own  t hat  the  pro po s ed  syst em   had   the  l ow est   a ccur acy   rate.  T he  la ck  of   trai ning  im age s  causes  this  lo west  res ult.  For  instance ,  both  existi ng  syst e m s  had   trai ne d  62 9  an d  20 2  i m age s   com par ed  t o  the  propose d  s yst e m ,  wh ic h  on ly   trai ne d  113  im ages.  Both  existi ng  sys tem s  al so   us e d  SVM   cl assifi ers,   giv i ng   m or e accu r at e resu lt s,  espe ci al ly  w hen m or e  im ages w er e trai ne d.   Nex t,  t he  feat ures  that  the  tw o  existi ng  syst e m s  and   the  propose d  syst em   had   m ay   al so   i m pact  the  accuracy  of   t he   syst e m s.  Re search  i n  [ 26 ]   e xt racted  the  le av es'   te xtu re,  col our,   a nd  sh a pe  fe at ur e s,  wh e re as  in  [27]   extracte d  t he  te xture an d  colo ur  f eat ur es  d ur i ng  the  featur e ext racti on   process . Th e pro posed  syst e m  o nly  extracte d t he  te xture feat ur e;  t hu s , t his m igh t co ntribute  to  a n ov e rall  lack  of accu racy.       5.   CONCL US I O N   This  pa per   de s cribe d  a   stud y  on   dev el op i ng   a  syst e m   that  d et ect s  disease  i n  the  m ango  le af  us in g  an   i m age  process ing   te c hn i qu e .   The  pro po se d  syst em   eff ect ively   detect s  and   cl assify   the  disease  wi th  an   accuracy  of  68 .89%,  wh ic h  is  low,   re su lt ed  f ro m   the  inadequacy   of   trai ning  im ages.   Ad di ti on al   diseases   will   be  inte gr at e d wit h  the  r ec oginit ion   syst e m  as p a rt of  fu t ur e  works.         6.   ACKN OWLE DGE MENT   We  grat ef ully   ackno wled ge   su pp or t  by  Un i ver sit iTe kn ologi  MARA  Ca wanga n  Per li s,  Ma la ysi a  unde r  dan a   pem bu dayaa n  pe nyel idika n  da lam an  (DPP D)   un der  G ra nts  No  60 0 - T NCPI  5/ 3 /D D N  (09)   ( 019 /20 20 ).       REFERE NCE S   [1]   Chuanl ei,  Z . ,   Sh anwe n ,   Z . ,   Juch eng,   Y.,   Yan cui,   S.,   and  Jia,   C . ,   “ Apple  le af  disea se  ide n ti fi cati on  using  gene tic  al gorit hm   and  c orre lation  base d   fea tur e  select io n  m et hod, ”   Int e rnational   Jour n al  of  Agric u lt ur al  and  Bi olog ical   Engi ne ering ,  vol .   10 ,   no .   2 ,   pp .   7 4 - 83 ,   2017 , d oi :  10. 3965/j.ijabe . 2 0171002. 2166 .    [2]   Huang,   C.   Y.,   Kuo,  C.   H.,   W u ,   C.   H.,   Kuan,   A.  W . ,   Guo,  H.  R. ,   Li n,   Y.  H.,  and  W ang,   P.  K.,   “ Free   Radi c al - Scave nging ,   Anti - Infl amm at or y ,   and  Antiba c terial   Act ivi t ie s  of  W at er  and  Et hanol   Ext r ac t s  Prepa red   fro m  Com pre ss iona l - Puffing  Pretre a t ed  Ma ngo  (Mangif era   indi c a  L. )  Pee ls,”   Jou rnal  of  Food  Qualit y ,  2018,   d oi :  10. 1155/2018/ 10 25387 .    [3]   Yin,   M.  O. ,   a nd   Na y ,   C.   H . ,   “ Plant   L ea f  Disea se  Det ec t i on  and  Cla ss i fi ca t ion  using  I m age   Proce ss ing, ”   Inte rnational   Jo urnal  of Re searc h  and  Eng ineeri ng ,  vol .   5 ,   no .   9 ,  pp.   516 - 523 ,   20 18,   d oi :  10 . 2127 6/i jre.2018. 5 . 9. 4 .    [4]   Tha ra n at han ,   R.   N.,   Yashoda,   H.  M.,   and  Prabh a,   T .   N.,   “ Mango  (Mangif era   in dic a  L . ),   “ the   ki ng  of  fruit s”  -   An   over vie w, ”  In   F ood  Revie ws   Int ernati onal , v ol .   22,   no .   2 ,   2006 ,   doi :  10 . 1080/87 559120600574493 .    [5]   Sethupa th y ,   J. ,   &  Veni,   S.,   “ OpenCV  base d  disea se  ide nt ifi c ation  of  m ango  l ea ves, ”  Inte rnat ional   Journal  of   Engi ne ering  and   Technol og y ,  vol .   8 ,   no .   5 ,  pp .   19 90 - 1998 ,   2016 ,   doi :  10 . 21817/ij et /2016/ v8 i5/ 16 0805417 .    [6]   Ploet z ,   R.   C. ,   “ Di sea ses  of  tropi c al   frui t   cro ps,”   Dise ases  of  Tr opic al  Fruit   Cro ps ,   2003,   doi :  10. 1079/978085 1993904. 0000 .    Evaluation Warning : The document was created with Spire.PDF for Python.
Ind on esi a n  J  E le c Eng &  Co m p  Sci     IS S N:  25 02 - 4752       Ha r uma nis  m ango le af d ise ase  reco gnit ion  s yst em usin g  im ag e  proces sin g t echn i qu e   ( R.  A. JM.  G i ning )   385   [7]   El qassas,  R. ,   an d   Abu - nase r,   S.   S.,   “ Expe rt  S ystem  for  the   Di agnosis  of  Mango  Disea ses,”   2 018  Inte rnation al  Confe renc e  on   Digit al Arts, Me dia  and  Te chnology  ( ICDAMT) ,  vol.   2 ,   no .   8 ,  pp .   10 - 18 ,   2018 .     [8]   Conde,   B .   D . ,   Pitke thle y ,   R.   N.,  Sm it h,   E. S.   C. ,   Kulkar ni, V.   J.,  and  Darwin . ,   “ Agnote. August,   2 007,   pp .   1 - 5.     [9]   Pitke thle y ,   R. ,   P at hologi st ,   P.   P. ,   and  Servi ce s,   D.,   “ Agnote  Ba ct er i al   B la ck   Spot of   Mangoe s,”   Jul y ,   2006 .     [10]   Nelson,   S.,   “ Mango  Pow der y   M il dew,”  Depart ment  of  Pl ant   a nd  Env ironmen t al  Protecti on   Sc ie nc es ,   6 ,   2008,   htt p://citese erx . i st.psu. edu/ v ie wd oc/ downlo ad ? do i= 10. 1 . 1. 731 . 42 52&re p=r ep1& t y pe =pdf   [11]   Fang,   Y.,   and  R amasam y ,   R.   P. ,   “ Curre nt  and  prospec ti v e  m et ho ds  for  pla nt  dise ase   det e ction, ”  B iosensors ,  vol.   5,   no.   3 ,  pp .   537 - 5 61,   2015 ,   doi :  10 . 3390/bi os50305 37 .    [12]   Mitka l ,   P.,   Pawar,   P.,   Naga n e,  M.,   Bhosale ,   P.,   P adwa l,   M.,  and  Naga ne,   P.,   “ Le af  Disea se  Dete ction  an d  Preve nti on   Us ing  Im age   Proc essing  using Ma tl ab ,” p p .   26 - 30 ,   201 6 .     [13]   Adhao,   A.  S.,   a nd   Pawar,   V.  R. ,   “ Autom at ic   Cott on  Leaf  Disea s e  Diagnosis  and  Control li ng  Us ing  Raspber r y   Pi   and  IoT , ”   Lec ture  Not es  in   Net wo rks and  Syst ems ,  pp.   157 - 167 ,   20 18,   doi :  10 . 1007 /978 - 981 - 10 - 552 3 - 2_15 .    [14]   B hong,   V.  S. ,   and   Pawar,   P .   B.   V.,   “ Stud y   and  Anal y sis  o f  Cott on  L ea f   Disea se  D etec t i on  Us ing  Im age   Proce ss ing, ”   Int ernati onal  Jour nal  of  Adv anc ed   Re search  in  Scienc e ,   Engi n ee r i ng  and  Technol ogy ,  vol.   3 ,   no.   2 ,  pp.   1447 - 1454 ,   2016 .     [15]   Sara ngdhar ,   A.  A.,   and   Pawar,  V.,   “ Mac hin e  l e arn ing  r egr essio n  te chn ique  for  cot ton  leaf  dise a se  dete ction  and  cont rolling  usin g  IoT, ”   Procee dings  of  the   I nte rnational   Co nfe renc e  on  Elec troni cs,   Comm unic ati on  and   Ae ros pace   Te ch nology ,   ICECA  2017 ,  pp .   449 - 4 54,   2017 ,   d oi :  10 . 1109/ICE CA.20 17. 8212855 .    [16]   Ramesh,  S.,   &  Raj ar am,  B. ,   “ Io t  base d  cro p  dis ea se  id ent if ic a tion  sy st e m   using  opti m iz ation  technique s, ”   ARP N   Journal  of   Engi n ee ring a nd   App lied  Sc ie n ce s ,  vol. 13, no.  4,   pp.   13 92 - 1395 ,   2018 .     [17]   Pati l,  B. ,   Hem a nt ,   P. ,   Shubha m ,   Y.,   Arvind ,   S.,   and  Patil,   D.,   “ Plant   Mo n it oring  Us ing  I m age   Proce ss in g ,   Raspber r y   P I  an d  IoT, ”   Int ernational  Re search  J ournal  of  Engi n ee ring  and  Tech nology   ( IRJ ET) ,  vol.   4,   no .   10 ,  p p.   1337 - 1342 ,   201 7 .     [18]   Patki ,   S.  S. ,   and   S abl e,   G.  S. ,   “ Cott on  Leaf  Disea se  Det ec t ion  &   Cla ss ifi c at ion   using  Multi   SV M,”   Inte rnat ion al   Journal  of  Adv a nce d  Re search  i n  Computer  and   Comm unic ati on  Engi nee ring ,  vol.   5,   no.   10 ,  pp .   165 - 168 ,   2016,   d oi :  10 . 17148/IJ ARCCE.2016. 5 1034 .    [19]   Rastog i,   A. ,   Aro ra,   R. ,   and  Shar m a,   S.,   “ Le af  d i sea se  detec t ion  and  gra ding  usi ng  computer   v ision  te chno log y   &  fuz z y   logic, ”  2nd  Inte rnational   Confe renc e  on  Signal   Proce ss in g  and  Inte grate d  Net works ,   SP IN  2015,   pp.   500 - 505 ,   2015 ,   d oi :  1 0. 1109/SP IN.2015. 7095350 .    [20]   Sankar a n,   S.,   Mishra,   A.,  Eh sani,   R . ,   and  Davis,   C . ,   “ A  re vie w  of  adv anced  techniqu es  for  det e ct ing   plan t   disea ses,”   Co mputers  and   El ectronics  in  Agric ul ture ,  vol.   72,   n o.   1 ,  pp.   1 - 13 ,   2010 ,  d oi :  10. 1016/j.c om pa g. 2010 . 02 . 007 .     [21]   Muham ad  Farid  Mavi,   Zu lki fl i  H usin,  Badlishah  Ahm ad,   Yasm in   Mohd  Yac ob,   R ohani   S.  Moham ed  Farook,   W e i   Keong  Ta n ,   “ Mango  ripe n ess  c la ss ifi c at ion  s y s te m   using  h y br i d  te chn ique,”   I ndonesian  Jour nal  of  E lectric a l   Engi ne ering  and  Computer  Sci ence   ( IJE ECS) ,   vol.   14,   no.   2,   pp.   859 - 868,   Ma y   2019 ,  doi :  10. 11591/ijeecs. v14. i2. pp859 - 86 8 .    [22]   Al - Furaij i ,   O.  J.   M.,   Tua n ,   N.  A.,   and  Yurev ich,  T.,   “ A  new  fast  eff i ci en t  non - m axi m um   supp ression  al gori th m  base d  on  image  segm ent at ion , ”   I ndonesian  Journal  of  El ectric al   Engi ne ering  and  Computer  Sci enc e   ( IJE ECS) ,  vol.   19,   no .   2 ,  pp .   11 55 - 1163 ,   2020 ,  doi :  10 . 11591/ij ee cs. v19 . i2 . pp10 62 - 1070 .     [23]   A lha ran ,   A.  F. ,   Fatl awi ,   H.  K . ,   and   Al i ,   N .   S.,   “ A  cl ust er - ba sed  feature   se lecti on  m et hod   fo r  image  t ext ur e  cl assifi ca t ion,”  Indone si an  Journal  of  El ectric al  Engi ne ering  and  Computer  Sci enc e   ( IJE ECS) ,  vol.   14,   no.   3 ,  pp .   1433 - 1442 ,   201 9 ,  doi :  10 . 11591 /i jeec s.v14 . i3 . pp 1433 - 1442 .     [24]   Gupta,   M. ,   “ Pla nt  Disea se  De tecti on   using  Dig it al  Im age   Proc essing, ”  In te rna ti onal  Journal  of  Innov at io n   &   Adv anc eme nt   in compute r sci ence ,   vo l. 7, no. 5, 2 018 .     [25]   Mainka r,   P.  M. ,   Ghor pade ,   S.,   an d  Adawadka r,   M.,   “ Plant   Le af  Disea se  Detect io n  and  Cla ss ifi cat ion  Us ing  Im age   Proce ss ing  Te ch nique s,”   In te rnat ional   Journal  of  Innov ative  and  Eme rging  Re sea rch  in  Engi ne eri ng ,  vol.   2 ,   no.   4 ,  pp.   139 - 144 ,   20 15 .     [26]   Es - Saad y ,   Y. ,   El  Mass i,   I. ,   E l  Ya ss a,   M.,   Mam m ass,  D.,   and  Benazoun,   A.,   “ Auto m at ic   re cogni t io n  of  pla nt  l ea ves  disea ses  base d  on  seria l  com bination  of  two  SVM  cl assifie rs,”   Proce ed ings  of  2016  Inte rnatio nal  Confe r ence  on  El e ct rica l  and   In formation  Techn ologi es,   ICEIT  2 016 ,   2016 ,  pp .   5 61 - 566 , d oi :  10 . 1109/E IT ec h. 20 16. 7519661 .    [27]   Adhao,   A.  S.,   a nd   Pawar,   V.  R. ,   “ Autom at ic   Cott on  Leaf  Disea s e  Diagnosis  and  Control li ng  Us ing  Raspber r y   Pi   and  IoT , ”   Lec ture  Not es  in   Net wo rks and  Syst ems ,  pp.   157 - 167,   20 18,   d oi :  10 . 1007 /978 - 981 - 10 - 552 3 - 2_15 .        BIOGR AP HI ES OF  A UTH ORS       R.   A.   J.   M.   Gi nin g  is  now  serving  as  a  le c ture r  a t  th e  Facul t y   of  Co m pute r  and  Mathe m at i ca l  S ci en ce s,  Univer s it i  Te kno logi   MA R  Henc e,   acco rding  to  the   stated  bene fi ts,  the   proposed  r e cogni ti on   s y st e m   implements  the   image  pro ce s sing  te chn ique   t o  det e ct   th e  Harum ani s  m an go  le af  disea ses .   A,  Perli s  Branc h,   Malay si a.   H e  rec e ive d  his  Diploma  in   Com pute r  Science   and  Ba chelor  Scie nc e  (Hons )  spec ia lizin g  in  Inform at io n  Sy st ems   Engi ne eri ng  fro m   the   Univer siti   Te knolog i  MA RA,  and  Mas te r  of  Scie nc e  in  Cloud  Com pute r  from   Newca stle Univ ersity ,   Unit ed  Ki ngdom .       Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2502 - 4752   Ind on esi a n  J  E le c  En g  &  Co m p  Sci,   Vo l.   23 , N o.   1 ,  Ju ly   2021 :  378   -   386   386     As sociate   Pr ofe ss or  Ts.  Dr  Sh u kor  San im  Mohd  Fau z i   is  a  Deput y   R ec to r  (Re sea rch   and   Industria l  Li nk a ges)  at   Ui TM  Perli s  Branc h ,   and  al so  a  f ac u lty   m ember  of  Facul t y   of   Com pute r  and   Mathe m atical   Scie nc es,   Uni ver siti   Te kno lo gi  MA RA,  Perli s  Bran ch,  Malay s ia.  He   r ec e ive d  Mast er   of  Sci enc e   ( Com pute r  Science   -   Real - T i m e  Software   Engi ne eri ng)  f r om   the   Cen tre  for  Advanc ed  S oftwa re  Engi n eering,   Univ ersit i   Te knologi   Malay s ia.  He  th en  obtained  his  PhD   in  Software   Engi n ee ring   fr om   the   Univer si t y   of   New  South Wal es  (U NS W )         N.   M .   Yu soff  is  a   rese arc h   stude nt   from   th e  Facu lty   of   Com pute r and  Math ematic al   Sc ie nc es  and  is und er  gu i danc e   and   dir ec t ion  from   th e  r ese arc her s   of  Appli ed  Com puti ng  a nd  Te chno log y   Res ea rch   Group.         T.   R .   Raz ak  cu rre ntly   works   a t   Univer siti   Te kn ologi   MA RA,  Perli s  Bran ch,   M al a y si a  and   al so  a   fa cul t y   m ember  of  Fac ulty   of   Com pute r  and   Math ematica l   Scie n ce s.   He  recei v ed  Bac he lor  of  Inform at ion  Te chn olog y   (Hons )  spec i al i zi ng  in  Artifi c ial  Inte l li ge nt  from   the  Univer siti   Utar a   Malay si a,   and  Master   of  Scie nce   (Intelli g ent   Sy stems )  from   th e  Univer s it i   Utar a  Mal a y s ia .   He  the n  obtain ed  his  PhD   in  Com pute r  Scie n ce   from   the   Univer sit y   of   Notti ngham,  Uni te d  Kingdom .         M.   H .   Is mail   i s  a  le ct ure r  and   rese arc he r  from   Facul t y   of  Com pute r  and  M at hemat ica l   Scie nc es,   Univer siti   Te kno logi   M ARA ,   Perli s  Bra nch,   Mal a y s ia.   He  obta in ed  his  first  degr e e  in  Data   Com m unic a ti on  and  Ne t work  and  his  m aste r’s  degr ee   in  i nform at ion  tech nolog y .   His   primar y   r ese ar c h  int er est  is  Mobile   and  Pe rva si ve  Com puti ng  a nd  is  ac ti v ely   i nvolve d  in   m obil e  t ec hnolo g y   soluti on   in  h i s c om m unity .         N.   A.   Z a ki,  holds  a  Doctor   of  Philosoph y   (Ph D)  from   Univer siti   T eknol ogi  MA RA,  Shah  Alam  in  2018  in  the   fi el d  of  G eomati cs  (Remo te   Sensing)  and  le ads  to  th e  fi eld  of  ca rbon   stocks  for  fore sts.  Dr  Nurul  Ain  is  cur ren tly   se rvi ng  at   Univer sit i  Te knologi   MA R A  (UiTM)   Perli s Bra n ch at   the   Fa cul t y   of  A rch itect ur e, Pla n ning  and   Surve ying.           F.   Ab du ll ah  is  cur ren tly   work ing  as  Senio r  R ese arc h   Offic er   at   M al a y si an  Agric ult ur al  Resea rch   and   Deve lopment   Insti tut e  (MA RDI)  and  now  holds  a   positi on  of  H ea d   of  Station   at   Hortic u lt ure   Resea rch   Cen tre  MA RDI   Sintok,   Keda h,   Mal a ysia.   He  recei v e d   Bac hel or   Scie nc e  Bio - ind ustr y ,   m aj oring  in  Plant   Phy sio lo g y   from   the   Univer sit y   Putr a  Malay s ia.  He  the n  obt ai ned  P ost  Gradua te   Di ploma  in  Scie n c e  (Hortic u lt ura l  Scie nc e)  and  Ph . D  in  Plant  Scie nc e  (Fruit  Crop  Ph y siolog y )  from   the   M asse y   Unive rsit y ,   Pa lmerston  North,   New  Ze a la nd.     Evaluation Warning : The document was created with Spire.PDF for Python.