KLASIFIKASI CITRA PENYAKIT DAUN KOPI ARABIKA MENGGUNAKAN SUPPORT VECTOR MACHINE (SVM) DENGAN SELEKSI FITUR INFORMATION GAIN

Tanaman kopi arabika lebih rentan terhadap penyakit dibandingkan dengan jenis penyakit kopi lainnya. Hal tersebut menyulitkan petani kopi dalam memelihara tanaman kopi arabika sehingga diperlukan proses identifikasi penyakit sejak dini. Proses identifikasi penyakit tanaman dapat didiagnosa melalui d...

Full description

Saved in:
Bibliographic Details
Main Author: Sylviana Murni, (Author)
Format: Book
Published: 2022-07-13.
Subjects:
Online Access:Link Metadata
Tags: Add Tag
No Tags, Be the first to tag this record!
Description
Summary:Tanaman kopi arabika lebih rentan terhadap penyakit dibandingkan dengan jenis penyakit kopi lainnya. Hal tersebut menyulitkan petani kopi dalam memelihara tanaman kopi arabika sehingga diperlukan proses identifikasi penyakit sejak dini. Proses identifikasi penyakit tanaman dapat didiagnosa melalui daun. Teknik pengolahan citra digital dapat dimanfaatkan dalam mengklasifikasikan jenis penyakit daun kopi arabika melalui citra daun. Tahapan yang dilakukan yaitu pra proses, ekstraksi fitur, seleksi fitur, dan klasifikasi. Metode ekstraksi fitur yang digunakan adalah Gray-Level Co-occurrence Matrix (GLCM) sebagai metode ekstraksi fitur tekstur dan Color Moment sebagai metode ekstraksi fitur warna. Proses ekstraksi fitur GLCM dan Color Moment menghasilkan 29 fitur. Pemilihan fitur diperlukan untuk memperoleh fitur - fitur yang relevan yang memberikan hasil klasifikasi terbaik. Pada penelitian ini menerapkan metode seleksi fitur Information Gain. Algoritma klasifikasi yang digunakan yaitu Support Vector Machine (SVM). Total data yang digunakan pada data imbalanced sebanyak 1325 data dan data balanced sebanyak 1534 data dengan pembagian 80% data latih dan 20% data uji. Dalam menentukan jumlah fitur terbaik yang memberikan akurasi tertinggi dilakukan pengujian performa klasifikasi dengan penggunaan jumlah fitur yang berbeda pada data imbalanced dan data balanced. Perbedaan jumlah fitur diperoleh dari kombinasi atribut peringkat teratas hingga terendah hasil seleksi fitur Information Gain. Hasil pengujian menunjukkan, penggunaan 18 fitur dari 29 fitur pada data imbalanced menghasilkan akurasi tertinggi dengan nilai akurasi sebesar 68,30%, presisi sebesar 55,77%, dan recall sebesar 57,85%.
Item Description:http://repository.upnvj.ac.id/19725/1/ABSTRAK.pdf
http://repository.upnvj.ac.id/19725/3/AWAL.pdf
http://repository.upnvj.ac.id/19725/4/BAB%201.pdf
http://repository.upnvj.ac.id/19725/5/BAB%202.pdf
http://repository.upnvj.ac.id/19725/6/BAB%203.pdf
http://repository.upnvj.ac.id/19725/7/BAB%204.pdf
http://repository.upnvj.ac.id/19725/8/BAB%205.pdf
http://repository.upnvj.ac.id/19725/9/DAFTAR%20PUSTAKA.pdf
http://repository.upnvj.ac.id/19725/12/RIWAYAT%20HIDUP.pdf
http://repository.upnvj.ac.id/19725/11/LAMPIRAN.pdf
http://repository.upnvj.ac.id/19725/10/HASIL%20PLAGIARISME.pdf
http://repository.upnvj.ac.id/19725/2/ARTIKEL%20KI.pdf