DETEKSI PENYAKIT HAWAR DAUN JAGUNG MENGGUNAKAN EKSTRASI FITUR GLCM DAN METODE ARTIFICIAL NEURAL NETWORK BACKPROPAGATION

Permadi, Hidayat (2023) DETEKSI PENYAKIT HAWAR DAUN JAGUNG MENGGUNAKAN EKSTRASI FITUR GLCM DAN METODE ARTIFICIAL NEURAL NETWORK BACKPROPAGATION. S1 thesis, Universitas Mataram.

	Text Permadi Hidayat TA F1D016069 2023.pdf Restricted to Repository staff only Download (2MB)
Preview	Text Jurnal TA Permadi Hidayat F1D016069.pdf Download (1MB) | Preview

Abstract

Jagung merupakan salah satu jenis makanan pokok yang terkenal di dunia, karena merupakan salah satu tanaman pangan penting, selain gandum dan padi. Hal ini harus ditingkatkan seiring dengan kebutuhan jagung dengan memperhatikan penyakit yang dapat menyebabkan gagal panen. Penelitian ini bertujuan menentukan model pembelajaran yang optimal untuk mendeteksi penyakit hawar daun jagung yakni dengan menggunakan metode GLCM untuk ekstraksi ciri dan klasifikasi menggunakan metode Artificial Neural Network Backpropogation. Pengujian dilakukan dengan menyiapkan terlebih dahulu dataset berupa foto penyakit hawar daun jagung dan kondisi normal daun jagung, setelah itu dilakukan preprocessing berupa resize, ekstrasi fitur dengan menggunakan GLCM dengan ciri energy, contrast, correlation, dan homogenety. Melakukan pelatihan ANN-BP pada hasil ektrasi fitur dilanjutkan dengan pengujian ANN-BP yang belum digunakan pada proses pelatihan, analisa hasil pengujian model ANN-BP dengan hasil dari Confusion Matrix seperti akurasi, presisi, dan recall. Harapan dari penelitian ini adalah diharapkan dapat tercipta metode deteksi penyakit daun hawar yang optimal, efektif dan tepat, yang menunjukkan bahwa metode tersebut dapat memprediksi dengan tepat apakah sebuah citra daun jagung normal atau terkena penyakit. Eksperimen dilakukan dengan menggunakan 2 jenis neuron input untuk daun sehat dan sakit, batas error sebesar 0.001, terdapat 1 hidden layer, learning rate sebesar 0.3, epoch 400, dan pembagian dataset sebesar 80:20. Dalam model ini, terjadi peningkatan akurasi tertinggi dengan penambahan 3720 citra, mencapai 99.5% akurasi, 100% untuk precision, dan 100% untuk recall.

Item Type:	Thesis (S1)
Keywords (Kata Kunci):	Deteksi penyakit hawar daun jagung, GLCM, ANN-BP
Subjects:	T Technology > TD Environmental technology. Sanitary engineering
Divisions:	Fakultas Teknik
Depositing User:	Meike Megawati
Date Deposited:	13 Jun 2023 01:25
Last Modified:	13 Jun 2023 01:25
URI:	http://eprints.unram.ac.id/id/eprint/39767

Actions (login required)

View Item