ALFINTO MAULANA (2024) KLASIFIKASI PENYAKIT DAUN PADA TANAMAN KELAPA SAWIT DENGANFITUR GRAY LEVEL CO-OCURRENCE MATRIX DAN HAAR WAVELET TRANSFORM BERDASARKAN MACHINE LEARNING. S1 thesis, Universitas Muhammadiyah Yogyakarta.

[thumbnail of Halaman Judul] Text (Halaman Judul)
Halaman Judul.pdf
Download (922kB)
[thumbnail of Lembar Pengesahan] Text (Lembar Pengesahan)
Lembar Pengesahan.pdf
Restricted to Registered users only
Download (480kB)
[thumbnail of Abstrak] Text (Abstrak)
Abstrak.pdf
Restricted to Registered users only
Download (164kB)
[thumbnail of Bab I] Text (Bab I)
Bab I.pdf
Download (236kB)
[thumbnail of Bab II] Text (Bab II)
Bab II.pdf
Restricted to Registered users only
Download (761kB)
[thumbnail of Bab III] Text (Bab III)
Bab III.pdf
Restricted to Registered users only
Download (1MB)
[thumbnail of Bab IV] Text (Bab IV)
Bab IV.pdf
Restricted to Registered users only
Download (7MB)
[thumbnail of Bab V] Text (Bab V)
Bab V.pdf
Restricted to Registered users only
Download (141kB)
[thumbnail of Daftar Pustaka] Text (Daftar Pustaka)
Daftar Pustaka.pdf
Restricted to Registered users only
Download (198kB)
[thumbnail of Lampiran] Text (Lampiran)
Lampiran.pdf
Restricted to Registered users only
Download (255kB)
[thumbnail of Naskah Publikasi] Text (Naskah Publikasi)
Naskah Publikasi.pdf
Restricted to Registered users only
Download (488kB)
[thumbnail of Full Text] Text (Full Text)
Full Text.pdf
Restricted to Repository staff only
Download (11MB)

Abstract

Tanaman kelapa sawit seringkali terserang penyakit yang dapat berdampak buruk terhadap produktivitas tanaman dan kualitas minyak yang dihasilkan. Penyakit-penyakit tersebut disebabkan oleh jamur, bakteri, virus, dan hama yang dapat menyebar dengan cepat dan merusak daun kelapa sawit. Oleh karena itu, deteksi dini penyakit daun kelapa sawit mempunyai peran yang sangat penting untuk mengurangi dampak negatif terhadap tanaman dan kerugian ekonomi yang signifikan. Tujuan dari penelitian ini adalah merancang sistem untuk mengklasifikasikan jenis penyakit daun tanaman kelapa sawit dengan menggunakan ekstraksi fitur Gray Level Co-ocurrence Matrix (GLCM) dan Haar Wavelet Transform serta algoritma klasifikasi K-Nearest Neighbor (KNN) dan Support Vector Machine (SVM). Hasil yang diperoleh dari penelitian ini yaitu pada ekstraksi fitur Gray Level Co-Occurrence Matrix (GLCM), rata-rata akurasi training tertinggi didapatkan pada model Cubic SVM dengan nilai akurasi sebesar 98.16 persen dan waktu 94.016 detik, untuk akurasi testing tertinggi didapatkan pada metode Support Vector Machine (SVM) model Cubic SVM dengan accuracy 98%, precision 97%, recall 97%, specificity 99%, dan f-score 97%, Sedangkan untuk ekstraksi fitur Haar Wavelet Transform level 2 nilai rata-rata akurasi testing tertinggi didapatkan pada model Cubic SVM dengan nilai akurasi sebesar 81.54 persen dan waktu 48.135 detik, untuk akurasi testing tertinggi didapatkan pada metode Support Vector Machine (SVM) model Medium Gaussian SVM dengan accuracy 87%, precision 81%, recall 81%, specificity 90%, dan f-score 81%.

Dosen Pembimbing: Yessi Jusman, S.T., M.Sc., Ph.D. | NIDN1007058408
Item Type: Thesis (S1)
Uncontrolled Keywords: Gray Level Co-ocurrence Matrix, Haar Wavelet Transform, Oil Palm, K-Nearest Neighbor, Support Vector Machine
Divisions: Fakultas Teknik > S1 Teknik Elektro
Depositing User: Eko Kurnawan
Date Deposited: 30 Jan 2024 01:13
Last Modified: 30 Jan 2024 01:13
URI: https://etd.umy.ac.id/id/eprint/44284

Actions (login required)

View Item View Item