PERBANDINGAN MODEL CNN DAN SVM PADA KLASIFIKASI PENYAKIT DAUN TANAMAN PAPRIKA DI DESA PANCASARI

Wibisana, Komang (2025) PERBANDINGAN MODEL CNN DAN SVM PADA KLASIFIKASI PENYAKIT DAUN TANAMAN PAPRIKA DI DESA PANCASARI. Undergraduate thesis, Universitas Pendidikan Ganesha.

[img] Text (COVER)
2115101063-COVER.pdf

Download (2MB)
[img] Text (ABSTRAK)
2115101063-ABSTRAK.pdf

Download (188kB)
[img] Text (BAB 1 PENDAHULUAN)
2115101063-BAB 1 PENDAHULUAN.pdf

Download (226kB)
[img] Text (BAB 2 KAJIAN TEORI)
2115101063-BAB 2 KAJIAN TEORI.pdf
Restricted to Repository staff only

Download (755kB) | Request a copy
[img] Text (BAB 3 METODELOGI PENELITIAN)
2115101063-BAB 3 METODELOGI PENELITIAN.pdf
Restricted to Repository staff only

Download (568kB) | Request a copy
[img] Text (BAB 4 HASIL DAN PEMBAHASAN)
2115101063-BAB 4 HASIL DAN PEMBAHASAN.pdf
Restricted to Repository staff only

Download (1MB) | Request a copy
[img] Text (BAB 5 PENUTUP)
2115101063-BAB 5 PENUTUP.pdf
Restricted to Repository staff only

Download (144kB) | Request a copy
[img] Text (DAFTAR PUSTAKA)
2115101063-DAFTAR PUSTAKA.pdf

Download (155kB)
[img] Text (LAMPIRAN)
2115101063-LAMPIRAN.pdf

Download (1MB)

Abstract

Penelitian ini membandingkan kinerja model Convolutional Neural Network (CNN) dan Support Vector Machine (SVM) untuk mengklasifikasikan penyakit pada daun tanaman paprika di Desa Pancasari, Kabupaten Buleleng, Bali. Masalah utama yang dihadapi petani adalah penurunan hasil panen hingga 66% (dari 300 kg/minggu menjadi 100 kg/minggu) akibat serangan hama thrips, jamur Cercospora capsici, dan virus Xanthomonas campestris. Dataset terdiri dari 173 gambar asli daun paprika yang dikelompokkan menjadi empat kelas: sehat (42 gambar), hama (38 gambar), jamur (44 gambar), dan virus (49 gambar). Teknik augmentasi diterapkan dengan rotasi (15°–270°) dan flip horizontal/vertikal, menghasilkan 1.390 gambar untuk data train. Model CNN diuji dengan tiga skenario: early stopping (patience=5), pelatihan 50 epoch, dan 100 epoch, menggunakan arsitektur dua lapisan konvolusi (32 dan 64 filter) dan dropout 0.5. SVM dievaluasi dengan tiga kernel (linear, polinomial, RBF) berdasarkan fitur warna (RGB, HSL) dan tekstur (Sobel). Hasil menunjukkan CNN dengan early stopping mencapai akurasi tertinggi (97%), diikuti SVM kernel polinomial (akurasi 94%). Analisis confusion matrix menunjukkan CNN lebih konsisten dalam mengidentifikasi semua kelas, khususnya kelas virus (presisi dan recall 1.00). Keunggulan CNN terletak pada ekstraksi fitur secara otomatis, sementara SVM mengandalkan ekstraksi fitur manual yang ditentukan sebelumnya. Temuan ini mendukung pengembangan sistem deteksi penyakit dalam Smart Green House (SGH) tanaman paprika di Desa Pancasari.

Item Type: Thesis (Undergraduate)
Subjects: Q Science > Q Science (General)
S Agriculture > S Agriculture (General)
T Technology > T Technology (General)
Divisions: Fakultas Teknik dan Kejuruan > Jurusan Teknik Informatika > Program Studi Ilmu Komputer (S1)
Depositing User: KOMANG WIBISANA
Date Deposited: 28 Jul 2025 14:35
Last Modified: 28 Jul 2025 14:35
URI: http://repo.undiksha.ac.id/id/eprint/26217

Actions (login required)

View Item View Item