Klasifikasi Penyakit Mentimun Menggunakan Gabungan Fitur Tekstur Local Binary Pattern dan Fitur Konvolusional VGG-16

Arifin, Miftahol (2024) Klasifikasi Penyakit Mentimun Menggunakan Gabungan Fitur Tekstur Local Binary Pattern dan Fitur Konvolusional VGG-16. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6025221038-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2026. Download (5MB) | Request a copy

Abstract

Mentimun (Cucumis sativus) adalah tanaman hortikultura penting di seluruh dunia, bernilai tinggi baik untuk konsumsi segar maupun sebagai bahan olahan. Namun, budidaya mentimun sering menghadapi tantangan akibat penyakit yang dapat mengurangi hasil dan kualitas secara signifikan. Penyakit-penyakit ini, seperti bercak daun, layu batang, dan busuk buah, umumnya disebabkan oleh berbagai patogen termasuk virus, bakteri, dan jamur. Secara tradisional, deteksi penyakit pada mentimun dilakukan secara manual, yang memakan waktu dan tidak efektif bagi petani dan pengecer. Oleh karena itu, pengembangan model berbasis visi mesin seperti Deep Learning (DL) dan Machine Learning (ML) untuk deteksi dini penyakit melalui analisis gambar penyakit tanaman mentimun sangat penting untuk membantu petani dalam budidaya mentimun. Meskipun banyak penelitian tentang klasifikasi penyakit tanaman menggunakan beberapa model DL dan ML menunjukkan hasil optimal, penelitian pada tanaman mentimun masih terbatas pada deteksi penyakit yang menyerang daun saja. Penelitian ini bertujuan untuk mengoptimalkan klasifikasi citra penyakit mentimun dengan mengembangkan model yang menggabungkan fitur tekstur Local Binary Pattern (LBP) dan fitur konvolusional VGG-16. Penelitian ini menggunakan dataset gambar penyakit tanaman mentimun yang diberi nama Cucumber Disease Recognition Dataset, yang dipublikasikan pada tahun 2022. Dataset ini terdiri dari 8 kelas gambar penyakit tanaman mentimun yang mencakup penyakit pada daun, batang, dan buah, dengan total 1280 gambar asli dan 6400 gambar yang telah di-augmentasi. Penelitian ini mengklasifikasikan gambar penyakit tanaman mentimun menggunakan Random Forest (RF) yang dikombinasikan dengan gabungan fitur tekstur LBP dan fitur visual VGG-16, kemudian dibandingkan performanya dengan model klasifikasi menggunakan VGG-16, LBP+RF, dan VGG-16+RF pada dataset yang sama. Hasil penelitian ini menunjukkan bahwa kinerja model untuk klasifikasi penyakit mentimun mencapai precision sebesar 84.7%, recall sebesar 84%, F1Score sebesar 83.8%, dan akurasi sebesar 84%. Hasil ini melampaui kinerja model pembanding dalam klasifikasi penyakit tanaman mentimun yang diterapkan, seperti model VGG-16, kombinasi model LBP dengan RF, dan kombinasi model VGG-16 dengan RF.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Cucumber Disease Classification, Hybrid Model, Image Classification, Local Binary Pattern (LBP), Random Forest (RF), Texture Features, Visual Feature Extraction, VGG-16, Ekstraksi Fitur Visual, Fitur Tekstur, Klasifikasi Penyakit Mentimun, Klasifikasi Gambar, Model Hibrid
Subjects:	Q Science > Q Science (General) > Q325.5 Machine learning. Support vector machines. Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science) Q Science > QH Biology > QH301 Biology
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55101-(S2) Master Thesis
Depositing User:	Miftahol Arifin
Date Deposited:	13 Aug 2024 04:06
Last Modified:	13 Aug 2024 04:06
URI:	http://repository.its.ac.id/id/eprint/113593

Actions (login required)

View Item