Klasifikasi Penyakit Pada Citra Daun Tanaman Padi Menggunakan Arsitektur VGG-19 Dan Principal Component Analysis

Mochamad Nurul Fahmi, 201969040045 (2023) Klasifikasi Penyakit Pada Citra Daun Tanaman Padi Menggunakan Arsitektur VGG-19 Dan Principal Component Analysis. Sarjana thesis, Universitas Yudharta.

	Text (Abstrak.pdf) 201969040045_Abstrak.pdf Download (34kB)
	Text (BAB%20I.pdf) 201969040045_BAB I.pdf Download (76kB)
	Text (BAB%20II.pdf) 201969040045_BAB II.pdf Restricted to Registered users only Download (207kB) | Request a copy
	Text (BAB%20III.pdf) 201969040045_BAB III.pdf Restricted to Registered users only Download (117kB) | Request a copy
	Text (BAB%20IV.pdf) 201969040045_BAB IV.pdf Restricted to Registered users only Download (150kB) | Request a copy
	Text (BAB%20V.pdf) 201969040045_BAB V.pdf Restricted to Registered users only Download (37kB) | Request a copy
	Text (Daftar%20Pustaka.pdf) 201969040045_Daftar Pustaka.pdf Download (164kB)
	Text (Halaman%20Depan.pdf) 201969040045_Halaman Depan.pdf Restricted to Registered users only Download (207kB) | Request a copy

Abstract

Padi dalam bahasa latin nya adalah Oryza Sativa merupakan tanaman budi daya terpenting didalam peradaban khususnya di negara Indonesia. Penelitian terkait klasifikasi jenis penyakit daun padi telah banyak dilakukan. Penelitian ini menerapkan metode Convolutional Neural Network (CNN) dengan arsitektur VGG-19 untuk klasifikasi citra penyakit daun tanaman padi. Penelitian ini adalah untuk membandingkan hasil akurasi Data pada penelitian ini terbagi atas 4 kelas, yaitu blast, brown spot, leaf smut, dan healthy dengan data asli yang berjumlah 3.102 data berupa gambar.. Penentuan arsitektur dalam pembuatan model merupakan penentu hasil Klasifikasi pada citra. Pada penelitian ini Arsitektur yang digunakan dalam pembuatan model adalah Arsitektur VGG-19 dengan menggunakan reduksi dimensi Algoritma Principal Component Analysis (PCA). Pengujian Algoritma VGG-19 sebelum di reduksi dimensi Epoch 50, dan batch size 100, dengan akurasi 0.9849, waktu pengujian epoch 109/step. Setelah dilakukan reduksi dimensi PCA, PCA mengurangi jumlah fitur menjadi 12 komponen, hasil akurasi yang diperoleh 0,9888. Berdasarkan hasil pengujian tersebut PCA melakukan peran penting dalam mengurangi kompleksitas dimensi dengan tingkat akurasi yang tinggi.

Item Type:	Thesis (Sarjana)
Identification Number:	005.12 FAH K
Contributors:	Contribution Contributors Email Thesis advisor Lukman Hakim, S.Kom., P.hD, ㅤ UNSPECIFIED
Subjects:	Karya Umum > Ilmu Umum dan Komputer
Divisions:	Fakultas Teknik > Teknik Informatika
Date Deposited:	05 Oct 2023 15:11
Last Modified:	22 May 2024 06:08
URI:	https://repository.yudharta.ac.id/id/eprint/4291

Actions (login required)

View Item