Klasifikasi Penyakit pada Daun Jagung Berbasis Citra Digital dengan Recurrent Neural Network
| Main Author: | Pratama, Leonardo |
|---|---|
| Format: | Thesis NonPeerReviewed application/pdf |
| Bahasa: | eng |
| Terbitan: |
, 2020
|
| Subjects: | |
| Online Access: |
http://kc.umn.ac.id/13786/1/HALAMAN_AWAL.pdf http://kc.umn.ac.id/13786/2/DAFTAR_PUSTAKA.pdf http://kc.umn.ac.id/13786/3/BAB_I.pdf http://kc.umn.ac.id/13786/4/BAB_II.pdf http://kc.umn.ac.id/13786/5/BAB_III.pdf http://kc.umn.ac.id/13786/6/BAB_IV.pdf http://kc.umn.ac.id/13786/7/BAB_V.pdf http://kc.umn.ac.id/13786/8/LAMPIRAN.pdf http://kc.umn.ac.id/13786/ |
Daftar Isi:
- Pertanian dan perladangan, khususnya makanan pokok merupakan kebutuhan primer bagi seluruh anggota masyarakat indonesia. Gagal panen karena musibah yang disebabkan oleh gejala alam tidak dapat dihindari, tetapi gagal panen karena musibah serangan hama dapat dihindari dengan melakukan pengawasan ketat di daerah sekitar, tetapi tidak dengan penyakit. Penyakit khususnya pada tanaman jagung seperti hawar dapat menyebar dan menyebabkan kematian tanaman dengan cepat. Ciri-ciri pada beberapa penyakit di daun jagung memiliki sebuah kesamaan yang menyebabkan kesalahpahaman dan dapat menyebabkan penanganan penyakit pada tanaman yang tidak tepat yaitu bercak kecoklatan dengan tekstur yang mirip. Terdapat sebuah metode untuk mengekstraksi ciri tekstur dari sebuah gambar digital yaitu Gray Level Coocurrence Matrices (GLCM) yang ditulis oleh haralick et al dan dapat digunakan untuk mendeskripsikan daun yang terkena penyakit tersebut. Untuk menyelesaikan masalah identifikasi penyakit ini dengan menggunakan GLCM dibangunlah sebuah model Recurrent Neural Network (RNN) yang merupakan salah satu algoritma neural network dengan menggunakan framework baru dengan nama PyTorch. RNN dengan GLCM pada PyTorch dipilih dengan tujuan untuk membangun sebuah model yang dapat mengklasifikasikan penyakit pada daun jagung dengan menggunakan citra digital. Dengan menggunakan data tes, model ini dapat mengidentifikasi penyakit dengan akurasi hingga 96%.