KLASIFIKASI CITRA TANAMAN SAWIT MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK (CNN) UNTUK MENGIDENTIFIKASI PENYAKIT TANAMAN KELAPA SAWIT

Ego, Oktafanda (2022) KLASIFIKASI CITRA TANAMAN SAWIT MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK (CNN) UNTUK MENGIDENTIFIKASI PENYAKIT TANAMAN KELAPA SAWIT. Masters thesis, Univesitas Putra Indonesia YPTK.

Preview	Text (Abstrak) Thesis_Ego Oktafanda_202321028_Abstrak.pdf Download (11kB) | Preview
Preview	Text (BAB I) Thesis_Ego Oktafanda_202321028_BAB I.pdf Download (29kB) | Preview
Preview	Text (Daftar Pustaka) Thesis_Ego Oktafanda_202321028_Daftar Pustaka.pdf Download (69kB) | Preview
	Text (Full Text) Thesis_Ego Oktafanda_202321028_Full Text.pdf Restricted to Repository staff only Download (5MB)

Abstract

ABSTRAK Kelapa sawit merupakan salah satu tumbuhan perkebunan yang memiliki prospek industri yang baik dipasar lokal maupun pasar dunia. Indonesia merupakan negara penghasil sawit terbesar di dunia. Pada umumnya, petani konvensional sulit untuk mengetahui secara detail hama dan penyakit tanaman sawit, hal ini karena sebagian besar petani kekurangan informasi dan masih mengandalkan pengalaman petani lain untuk mengatasi masalah hama dan penyakit pada pembibitan. Untuk mengetahui jenis-jenis hama dan penyakit kelapa sawit di lapangan, petani membutuhkan pengetahuan seperti para ahli tentang penyakit kelapa sawit. Tujuan penelitian ini adalah untuk mengklasifikasi jenis penyakit dan hama pada tanaman kelapasawit melalui citra daun bibit kelapa sawit yang berumur dibawak 2 tahun. Penelitian ini menggunakan 559 foto bibit kelapa sawit yang di ambil langsung dari lapangan melalui kamera DLSR dengan tiga kelas yaitu bagus, penyakit jamur curvularia dan hama kumbang malam. Foto tersebut di perbanyak dengan teknik augmentasi sehingga foto yang akan diolah sebanyak 1.646 foto. Selanjut nya foto akan di bagi menjadi 3 bagian yaitu data train, data validasi dengan perbandingan data train 70% dan data validasi 30% sehingga menjasi dataset. Dataset di olah menggunakan metode Convolutional Neural Network dengan menggunakan teknik transfer learning ResNet50, model ResNet50 ditraining kembali dengan dataset lalu output kelas diubah menjadi tiga kelas yaitu bagus, curvularia dan kumbang malam. Hasil dari training mendapatkan model terbaik pada epoch ke 16 dengan akurasi train 0,94 dan akurasi evaluasi 0,76. Selanjut nya model yang di training diimplementasikan dengan menggunakan bahasa pemograman python dan akurasi dari uji model menggunakan confusion matrix dengan data uji 456 data diketahui akurasi model pada kelas bagus dengan 84 data uji akurasi sebesar 89%, pada kelas curvularia yang memiliki 198 data uji dengan akurasi 84% dan kelas kumbang malam dengan total data 174 data dengan akurasi 80%. Dengan tingkat akurasi yang cukup baik dapat dijadikan landasan dan pertimbangan untuk menggunakan metode CNN yang tepat untuk mengklasifikasi jenis penyakit bibit sawit. Kata Kunci : Bibit Kelapa Sawit, CNN , Pengolahan Citra, Akurasi, Klasifikasi

Actions (login required)

View Item