Please use this identifier to cite or link to this item: https://repositori.uma.ac.id/handle/123456789/20323
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorRahmadsyah-
dc.contributor.advisorMuhathir-
dc.contributor.authorUlfa, Mutia-
dc.date.accessioned2023-07-14T02:45:30Z-
dc.date.available2023-07-14T02:45:30Z-
dc.date.issued2023-03-09-
dc.identifier.urihttps://repositori.uma.ac.id/handle/123456789/20323-
dc.description74 Halamanen_US
dc.description.abstractProduktifitas teh sangat bergantung pada daun teh sehat yang merupakan komponen utama pada olahan teh. Namun, tanaman teh sangat rentan terhadap segala jenis gangguan, salah satu gangguan tersebut adalah hama yang menyebabkan penyakit pada daun teh, hama tersebut yaitu helopeltis. Merupakan jenis hama yang menyerang pucuk daun muda dengan cara menusuk bagian yang akan diserang, kemudian bekas tusukan dari silet tersebut akan menunjukkan gejala berupa bercak- bercak yang tidak beraturan. Berdasarkan keunikan pola kerusakan pada daun teh tersebut maka pada penelitian ini mengujicoba klasifikasi jenis penyakit daun teh dengan metode Support Vector Machine dan Learning Vector Quantization serta memanfaatkan ekstraksi fitur SIFT. Tujuan dari penelitian ini adalah untuk menemukan akurasi terbaik dengan perbandingan Learning Vector Quantization dan Support Vector Machine mennggunakan ekstraksi fitur SIFT pada klasifikasi penyakit daun teh. Tingkat akurasi yang dihasilkan oleh metode Support Vector Machine adalah 98% dengan Precision 99%, Recall 98%, F1-Score 98%, F2-Score 98%, Jacard Score 97%. Sedangkan tingkat akurasi yang dihasilkan oleh Learning Vector Quantization yaitu akurasi sebesar 96%, Precision 98%, Recall 97%, F1-Score 97%, F2-Score 96%, Jacard Score 94% Tea Productivity is highly dependent on healthy tea leaves which are the main components of processed tea. However, the tea plants is very susceptiblr to all kinds of disturbances, one of these disturbances is a pest that causes disease on tea leaves, the pest is helopeltis. Is a type pest that attacks young leaf shoots by piercing the part to be attacked, then the puncture mark from the razor wiil show symptoms in the form of irregular spots. Based on the uniqueness of the tea leaf damage pattern, this study tested the classification of tea leaf diseases using the Support Vector Machine method and Learning Vector Quantization and utilizing SIFT feature extraction. The purpose of this research is to find the best accuracy by comparing Learning Vector Quantization and Support Vector Machine using feature extraction in tea leaf disease classification. The level of accuracy produced by the Support Vector Machine method is 98%, Precision 99%, Recall 98%, F1-Score 98%, F2-Score 98%, Jacard Score 97%. While the level of accuracy produced by Learning Vector Quantization is an accuracy of 96%, Precision 98%, Recall 97%, F1-Score 97%, F2-Score 96%, Jacard Score 94%.en_US
dc.language.isoiden_US
dc.publisherProduktifitas teh sangat bergantung pada daun teh sehat yang merupakan komponen utama pada olahan teh. Namun, tanaman teh sangat rentan terhadap segala jenis gangguan, salah satu gangguan tersebut adalah hama yang menyebabkan penyakit pada daun teh, hama tersebut yaitu helopeltis. Merupakan jenis hama yang menyerang pucuk daun muda dengan cara menusuk bagian yang akan diserang, kemudian bekas tusukan dari silet tersebut akan menunjukkan gejala berupa bercak- bercak yang tidak beraturan. Berdasarkan keunikan pola kerusakan pada daun teh tersebut maka pada penelitian ini mengujicoba klasifikasi jenis penyakit daun teh dengan metode Support Vector Machine dan Learning Vector Quantization serta memanfaatkan ekstraksi fitur SIFT. Tujuan dari penelitian ini adalah untuk menemukan akurasi terbaik dengan perbandingan Learning Vector Quantization dan Support Vector Machine mennggunakan ekstraksi fitur SIFT pada klasifikasi penyakit daun teh. Tingkat akurasi yang dihasilkan oleh metode Support Vector Machine adalah 98% dengan Precision 99%, Recall 98%, F1-Score 98%, F2-Score 98%, Jacard Score 97%. Sedangkan tingkat akurasi yang dihasilkan oleh Learning Vector Quantization yaitu akurasi sebesar 96%, Precision 98%, Recall 97%, F1-Score 97%, F2-Score 96%, Jacard Score 94%.en_US
dc.relation.ispartofseriesNPM;178160063-
dc.subjectDaun Tehen_US
dc.subjectLVQen_US
dc.subjectSVMen_US
dc.subjectSIFTen_US
dc.titlePerbandingan Metode Learning Vector Quantization Dan Support Vector Machine Dalam Mengklasifikasi Penyakit Daun Teh Menggunakan Ekstraksi Fitur Siften_US
dc.title.alternativeComparison of Learning Vector Quantization Methods And Support Vector Machine In Classifying Diseases of Tea Leaves Using Sift Feature Extractionen_US
dc.typeThesisen_US
Appears in Collections:SP - Informatic Engineering

Files in This Item:
File Description SizeFormat 
178160063 - Mutia Ulfa - Fulltext.pdfCover, Abstract, Chapter I, II, III, V, Bibliography1.76 MBAdobe PDFView/Open
178160063 - Mutia Ulfa - Chapter IV.pdf
  Restricted Access
Chapter IV343.39 kBAdobe PDFView/Open Request a copy


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.