Skripsi/Tugas Akhir
Analisis Penggunaan Algoritma Decision Tree dan Support Vector Machine untuk Klasifikasi Penyakit pada Tanaman Padi
xv + 129 hlm.; 20,5 x 28,5 cm 12 September 2024
Analisis Penggunaan Algoritma Decision Tree dan Support Vector Machine untuk Klasifikasi Penyakit pada Tanaman Padi Skripsi Untuk Memenuhi Syarat Memperoleh Gelar Sarjana Strata 1 Program Studi Teknik Informatika Oleh: Malik Abdul Aziz 192508 Alif Ramdhani 202312 - Indo Intan, S.T., M.T., Arwansyah, S.Kom., M.T.
ABSTRAK
Penurunan produksi padi di Indonesia menjadi isu penting dalam sektor pertanian, terutama disebabkan oleh serangan penyakit pada tanaman padi yang sulit dideteksi secara dini oleh petani. Penelitian ini bertujuan untuk mengembangkan model klasifikasi penyakit daun pada tanaman padi menggunakan algoritma Decision Tree dan Support Vector Machine (SVM), dengan fitur yang diekstraksi melalui Gray Level Co-Occurrence Matrix (GLCM) dan Colour Histogram. Dataset yang digunakan berasal dari gambar daun padi yang terinfeksi penyakit, yang kemudian melalui tahap preprocessing seperti cleaning, resizing, normalisasi dan konversi ke skala abu-abu sebelum dilakukan ekstraksi fitur. Hasil dari penelitian ini menunjukkan bahwa model Decision Tree memiliki akurasi 92,7%, sedangkan SVM mencapai akurasi 90,5%. Model Decision Tree unggul dalam mendeteksi dua dari tiga jenis penyakit, yaitu brown spot dan leaf blast, dengan precision dan recall yang lebih tinggi dibandingkan SVM. Di sisi lain, SVM lebih baik dalam mendeteksi bacterial leaf blight. Kesimpulannya, model Decision Tree lebih konsisten dalam performa keseluruhan dan lebih efektif dalam klasifikasi penyakit daun padi. Implementasi model ini diharapkan dapat membantu petani dalam mendeteksi penyakit pada daun padi secara cepat dan akurat, yang pada akhirnya dapat meningkatkan hasil produksi padi.
Kata Kunci: Decision Tree, Support Vector Machine, Klasifikasi Penyakit Padi, Gray Level Co-Occurrence Matrix, Colour Histogram
ABSTRACT
The decline in rice production in Indonesia is an important issue in the agricultural sector, mainly caused by disease attacks on rice plants which are difficult for farmers to detect early. This research aims to develop a classification model for leaf diseases in rice plants using the Decision Tree and Support Vector Machine (SVM) algorithms, with features extracted through the Gray Level Co-Occurrence Matrix (GLCM) and Color Histogram. The dataset used comes from images of rice leaves infected with disease, which then go through preprocessing stages such as cleaning, resizing, normalization and conversion to gray scale before feature extraction. The results of this research show that the Decision Tree model has an accuracy of 92.7%, while the SVM achieves an accuracy of 90.5%. The Decision Tree model is superior in detecting two of the three types of disease, namely brown spot and leaf blast, with higher precision and recall than SVM. On the other hand, SVM is better at detecting bacterial leaf blight. In conclusion, the Decision Tree model is more consistent in overall performance and more effective in classifying rice leaf diseases. It is hoped that the implementation of this model can help farmers detect diseases on rice leaves quickly and accurately, which in turn can increase rice production yields.
Keywords: Decision Tree, Support Vector Machine, Rice Disease Classification, Gray Level Co-Occurrence Matrix, Color Histogram
Tidak ada salinan data
Universitas DIPA Makassar
NPP 7371142D1000002
Jln. Perintis Kemerdekaan KM.9
Telp. (0411)587194
Hotline: +6281228221994
WhatsApp Admin: +6281342092072
e-Mail: perpustakaan@undipa.ac.id
© 2024 — Perpustakaan UNDIPA Makassar - SLiMS