Cafila, Anindya (2026) Klasifikasi Penyakit Daun Padi Berdasarkan Citra Daun Menggunakan Ekstraksi Fitur Gray Level Co-occurrence Matrix (GLCM) dan Metode Convolutional Neural Network (CNN). S1 thesis, Universitas Malikussaleh.

	Text Cover.pdf Download (264kB)
	Text Abstrak.pdf Download (400kB)
	Text Bab 1.pdf Download (759kB)
	Text Daftar Pustaka.pdf Download (4MB)
	Text Full Text.pdf Restricted to Registered users only Download (4MB)

Abstract

Padi merupakan salah satu komoditas pertanian terpenting di Indonesia karena berperan sebagai sumber pangan utama bagi masyarakat. Namun, produktivitas padi masih sering terganggu oleh serangan penyakit daun yang dapat menurunkan kualitas dan kuantitas hasil panen. Identifikasi penyakit secara dini diperlukan agar penanganan dapat dilakukan lebih cepat, tepat, dan objektif. Penelitian ini mengusulkan metode klasifikasi penyakit daun padi berdasarkan citra daun dengan memanfaatkan Gray Level Co-occurrence Matrix (GLCM) sebagai ekstraksi fitur tekstur dan Convolutional Neural Network (CNN) dengan arsitektur MobileNet sebagai model klasifikasi. Dataset yang digunakan terdiri dari 931 citra daun padi yang berasal dari Kaggle dan data primer lapangan, kemudian terbagi ke dalam tiga kelas penyakit, yaitu Bacterial Leaf Blight, Leaf Blast, dan Tungro. Dataset dibagi menjadi 70% data pelatihan, 10% data validasi, dan 20% data pengujian. Tahap praproses citra meliputi pengubahan ukuran citra menjadi 224 × 224 piksel, normalisasi piksel, dan augmentasi data berupa rotasi, pembalikan citra, serta penyesuaian kecerahan. Selanjutnya, fitur tekstur diekstrak menggunakan GLCM untuk memperoleh karakteristik tekstur daun berdasarkan nilai contrast, energy, homogeneity, dan entropy. Setelah tahap ekstraksi fitur tekstur, proses klasifikasi dilakukan menggunakan model CNN berbasis MobileNet. Kinerja model dievaluasi menggunakan confusion matrix, akurasi, presisi, recall, dan F1-score. Hasil pengujian menunjukkan bahwa model yang diusulkan mampu mencapai akurasi sebesar 89%. Hasil tersebut menunjukkan bahwa penggunaan ekstraksi fitur GLCM dapat mendukung kinerja model CNN berbasis MobileNet dalam mengklasifikasikan penyakit daun padi. Model yang telah dilatih kemudian diimplementasikan ke dalam aplikasi berbasis web bernama RiceGuard AI untuk membantu proses identifikasi penyakit daun padi secara lebih praktis di lapangan.

Item Type:	Thesis (S1)
Subjects:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science S Agriculture > S Agriculture (General) T Technology > T Technology (General)
Divisions:	Fakultas Teknik > 57201 - Jurusan Sistem Informasi
Depositing User:	Anindya Cafila
Date Deposited:	09 Sep 2026 07:28
Last Modified:	09 Sep 2026 07:28
URI:	https://rama.unimal.ac.id/id/eprint/22563

Actions (login required)

View Item