Tentang SmartLib Bantuan Pengguna

Skripsi S1

Record Data Skripsi S1

MhswID :

200401010

Judul :

ALGORITMA SUPPORT VECTOR MACHINE ONE AGAINST ONE PADA KLASIFIKASI PENYAKIT TANAMAN APEL BERDASARKAN PENGOLAHAN CITRA DAUN

Penulis :

KHALID HIDAYATTULLAH

Abstrak :

ABSTRAK Penyakit pada daun tanaman apel merupakan salah satu faktor yang dapat menurunkan kualitas dan produktivitas hasil pertanian. Identifikasi penyakit secara langsung berpotensi menimbulkan kesalahan akibat kemiripan pola visual antar jenis penyakit. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi penyakit daun apel berbasis pengolahan citra digital menggunakan metode ekstraksi fitur Local Binary Pattern (LBP) dan algoritma Support Vector Machine (SVM) dengan pendekatan One Against One (OAO). Metode LBP digunakan untuk mengekstraksi karakteristik tekstur daun dan menghasilkan representasi numerik dalam bentuk histogram terstandardisasi. Selanjutnya, fitur tersebut digunakan sebagai masukan pada model SVM OAO untuk melakukan klasifikasi multiclass terhadap empat kategori penyakit, yaitu alternaria_leaf_spot, brown_spot, gray_spot, dan rust. Evaluasi model dilakukan menggunakan 10-Fold Cross Validation dan pengujian pada data uji dengan tiga skenario pembagian dataset (70:30, 80:20, dan 90:10). Hasil validasi silang menunjukkan mean accuracy tertinggi sebesar 96,42% pada skenario 70:30. Pada tahap pengujian data uji, akurasi terbaik diperoleh pada skenario 90:10 sebesar 84%. Hasil penelitian menunjukkan bahwa kombinasi LBP dan SVM OAO mampu mengklasifikasikan penyakit daun apel secara efektif, meskipun masih terdapat kesalahan klasifikasi pada kelas dengan kemiripan tekstur yang tinggi. Kata Kunci: Klasifikasi Citra, Penyakit Daun Apel, Local Binary Pattern, Support Vector Machine One Against One, Multiclass Classification.

Abstrak Inggris :

ABSTRACT Apple leaf disease is one of the factors that can reduce the quality and productivity of agricultural products. Direct identification of apple leaf disease has the potential to cause errors due to the similarity of visual patterns between disease types. This study aims to develop a digital image processing-based apple leaf disease classification system using the Local Binary Pattern (LBP) feature extraction method and the Support Vector Machine (SVM) algorithm with the One Against One (OAO) approach. The LBP method is used to extract leaf texture characteristics and produce a numerical representation in the form of a standardized histogram. Furthermore, these features are used as input to the SVM OAO model to perform multiclass classification of four disease categories, namely alternaria_leaf_spot, brown_spot, gray_spot, and rust. Model evaluation was carried out using 10-Fold Cross Validation and testing on test data with three dataset division scenarios (70:30, 80:20, and 90:10). The cross validation results showed the highest mean accuracy of 96.42% in the 70:30 scenario. In the test data testing stage, the best accuracy was obtained in the 90:10 scenario at 84%. The results show that the combination of LBP and SVM OAO is able to effectively classify apple leaf diseases, although there are still some misclassifications in classes with high texture similarity. Keywords: Image Classification, Apple Leaf Disease, Local Binary Pattern, One-to-One Support Vector Machine, Multiclass Classification.

Tahun :

2026

Cover :

Bab 1 :

Bab 2 :

Bab 3 :

Bab 4 :