• Login
    View Item 
    •   DSpace Home
    • FACULTY OF INDUSTRIAL TECHNOLOGY
    • ELECTRICAL ENGINEERING (TEKNIK ELEKTRO)
    • DISSERTATIONS AND THESES (EE)
    • View Item
    •   DSpace Home
    • FACULTY OF INDUSTRIAL TECHNOLOGY
    • ELECTRICAL ENGINEERING (TEKNIK ELEKTRO)
    • DISSERTATIONS AND THESES (EE)
    • View Item
    JavaScript is disabled for your browser. Some features of this site may not work without it.

    GRAY LEVEL CO-OCCURRENCE MATRIX (GLCM) UNTUK FEATURE EXTRACTION SISTEM KLASIFIKASI PENYAKIT DAUN PADI

    Thumbnail
    View/Open
    ARTIKEL ILMIAH_HANDOYO SURYO LAKSONO_102119055.pdf (517.9Kb)
    LAPORAN TA_HANDOYO SURYO LAKSONO_102119055.pdf (4.586Mb)
    Date
    2023-08-04
    Author
    Laksono, Handoyo Suryo
    Metadata
    Show full item record
    Abstract
    Penyakit tanaman padi dapat menyebabkan kerugian yang cukup besar dalam produksi padi. Deteksi dini penyakit tanaman padi penting untuk dilakukan tindakan pencegahan yang tepat. Dalam perancangan ini, kami mengusulkan untuk menggunakan metode Feature Extraction untuk mengidentifikasi dan mengklasifikasikan penyakit daun padi. Algoritma klasifikasi Artificial Neural Network (ANN) digunakan untuk melatih model klasifikasi. Pertama, foto daun padi yang terinfeksi diambil dan diproses untuk mendapatkan citra skala abu-abu. Selanjutnya, matriks Gray Level Co-Occurance Matrix (GLCM) dihitung dari gambar skala abu-abu dengan mempertimbangkan hubungan spasial antara piksel tetangga. Berbagai fitur statistik seperti energi, kontras, homogenitas, dan korelasi diekstraksi dari matriks GLCM untuk mendeskripsikan fitur tekstur citra. Setelah penghilangan fitur, model klasifikasi Artificial Neural Network (ANN) dilatih menggunakan dataset yang terdiri dari citra daun padi sehat dan sakit. Proses pelatihan Artificial Neural Network (ANN) melibatkan pengoptimalan bobot dan bias menggunakan propagasi balik untuk mencapai klasifikasi yang akurat. Setelah pelatihan, model ANN diuji menggunakan data pengujian terpisah untuk mengukur performa klasifikasi. Hasil eksperimen menunjukkan bahwa metode GLCM efektif membantu meningkatkan akurasi, validasi akurasi, loss, validasi loss, precision, dan recall, metode GLCM dengan menggunakan algoritma klasifikasi ANN diperoleh nilai akurasi dan loss yang terbaik pada metode pembagian data training dan validation sebesar 80:20 dengan pengaruh pada learning rate sebesar 0.0001 dan epoch sebesar 100 yang menghasilkan nilai akurasi sebesar 97.38%, validasi akurasi sebesar 96.89%, loss sebesar 0.0396, validasi loss sebesar 0.0224, presisi sebesar 97.2089%, dan recall sebesar 97.0529% dengan didasari kestabilan pada data training dan validation pada grafik.
    URI
    https://library.universitaspertamina.ac.id//xmlui/handle/123456789/9242
    Collections
    • DISSERTATIONS AND THESES (EE)

    DSpace software copyright © 2002-2015  DuraSpace
    Contact Us | Send Feedback
    Theme by 
    @mire NV
     

     

    Browse

    All of DSpaceCommunities & CollectionsBy Issue DateAuthorsTitlesSubjectsThis CollectionBy Issue DateAuthorsTitlesSubjects

    My Account

    LoginRegister

    DSpace software copyright © 2002-2015  DuraSpace
    Contact Us | Send Feedback
    Theme by 
    @mire NV