Prabandari, Ganis Dwiarum (2024) KLASIFIKASI SKALA INTENSITAS KERUSAKAN DAUN BAWANG MERAH DENGAN EKSTRAKSI FITUR GRAY LEVEL CO-OCCURRENCE MATRIX DAN HUE SATURATION VALUE PADA METODE K-NEAREST NEIGHBOR. Other thesis, UPN Veteran Yogyakarta.
![]() |
Text
ABSTRAK.pdf Download (121kB) |
![]() |
Text
COVER.pdf Download (100kB) |
![]() |
Text
DAFTAR ISI.pdf Download (125kB) |
![]() |
Text
DAFTAR PUSTAKA.pdf Download (127kB) |
![]() |
Text
LEMBAR PENGESAHAN.pdf Download (745kB) |
![]() |
Text
SKRIPSI FULL_123180106_Ganis Dwiarum Prabandari.pdf Restricted to Repository staff only Download (6MB) |
Abstract
Dalam proses pembudidayaan bawang merah terdapat hama dan juga penyakit
yang menyerang dikarenakan bawang merah rentan terhadap infeksi bakteri dan jamur. Gejala yang mudah dilihat oleh mata adalah pada bagian daun karena daun memiliki
daerah yang lebih luas dibanding bagian yang lain sehingga akan lebih mudah untuk
diidentifikasi. Oleh karena itu, diperlukan sistem dengan metode klasifikasi skala intensitas
kerusakan tanaman yaitu bagian daun. Dalam pengolahan citra, ekstraksi fitur merupakan
cara untuk mendapatkan informasi penting mengenai karakteristik citra. Salah satu cara
untuk ekstraksi fitur adalah ekstraksi tekstur dan ekstraksi warna. GLCM adalah ekstraksi tekstur yang sudah banyak digunakan dan hasil yang
diperoleh dari matriks co-occurrence lebih baik dari metode diskriminasi tekstur lainnya. HSV dapat mendeteksi campuran warna yang lebih kompleks dengan komposisi tertentu. Ada beberapa fitur yang sering dipakai GLCM untuk ekstraksi fitur, antara lain ASM, Homogeneity, Contrast, dan Correlation, terdapat dua fitur lainnya yang jarang dipakai
yaitu Energy dan Dissimilarity. Fitur yang sering digunakan HSV adalah Mean, terdapat
fitur lainnya yang jarang digunakan yaitu Skewness, Entropy, dan Standar Deviasi. Penelitian ini akan mengkombinasikan beberapa fitur GLCM dan HSV tersebut untuk
mengklasifikasikan skala intensitas kerusakan daun bawang merah menggunakan metode
KNN. Dari model yang dibangun performa terbaik adalah kombinasi dari 4 fitur GLCM
yaitu ASM, Homogeneity, Contrast, dan Correlation arah 0°, 45°, 90°, dan 135° dengan 4
fitur HSV yaitu Mean, Skewness, Entropy, dan Standar Deviasi dengan akurasi sebesar
75.56% dengan K=1. Akurasi tersebut didapatkan melalui pengujian model menggunakan
confusion matrix dengan 8 model yang dibangun. Hasil pengujian model menunjukkan
bahwa performa model terbaik dihasilkan oleh kombinasi 4 fitur GLCM arah 0°, 45°, 90°, dan 135 dan 4 fitur HSV dengan peningkatkan akurasi sebesar 2.33% dari kombinasi fitur
lainnya, dan dapat berjalan baik dalam mengklasifikasi skala intensitas daun bawang
merah. Kata Kunci : Klasifikasi; GLCM; HSV; KNN; Daun Bawang Merah; Confusion Matrix
Item Type: | Thesis (Other) |
---|---|
Uncontrolled Keywords: | Klasifikasi; GLCM; HSV; KNN; Daun Bawang Merah; Confusion Matrix |
Subjects: | T Technology > TA Engineering (General). Civil engineering (General) |
Divisions: | Faculty of Engineering, Science and Mathematics > School of Engineering Sciences |
Depositing User: | A.Md Sepfriend Ayu Kelana Giri |
Date Deposited: | 29 May 2024 02:39 |
Last Modified: | 29 May 2024 02:39 |
URI: | http://eprints.upnyk.ac.id/id/eprint/39535 |
Actions (login required)
![]() |
View Item |