Deteksi Hama Pada Daun Teh Dengan Metode Convolutional Neural Network (Cnn)

Hidayat, Bagja (2018) Deteksi Hama Pada Daun Teh Dengan Metode Convolutional Neural Network (Cnn). Diploma thesis, Universitas Komputer Indonesia.

Full text not available from this repository.
Official URL: http://elib.unikom.ac.id/gdl.php?mod=browse&op=rea...

Abstract

Produksi dan pengembangan komoditas teh merupakan salah satu core business perkebunan PTPN VIII. Salah satu penyebab turunnya produksi teh di Indonesia adalah serangan hama, ada dua jenis hama, yaitu hama blister blight dan hama hellopeltis. Dalam penelitian ini dapat diperoleh melalui empat tahap, yaitu pertama tahap preprocessing menggunakan metode grayscale, edge detection (Sobel) dan Standardization, kedua tahap feedforward menggunakan metode convolutinal layer, relu, max pooling dan fully connected layer, ketiga tahap backpropagation dan keempat tahap confusion matrix. Convolutional Neural Network (CNN) adalah metode klasifikasi yang akan digunakan didalam penelitian ini, CNN merupakan variasi dari Multilayer Perceptron (MLP) yang terinsfirasi dari jaringan saraf manusia. Tujuan yang ingin dicapai yaitu, convolutional neural network dapat mendeteksi yang baik dalam mengenali jenis hama pada daun teh. Setelah melakukan pengujian sistem dengan metode Black Box dapat ditarik kesimpulan bahwa program berfungsi dengan baik. Pada proses pengujian dari data pengenalan yang telah disiapkan program mampu mendeteksi jenis hama pada daun teh dengan rata-rata akurasi sebesar 95%.

Item Type: Thesis (Diploma)
Uncontrolled Keywords: deteksi jenis hama, convolutional neural network, pengenalan pola, daun teh, multilayer perceptron
Subjects: S1-Final Project > Fakultas Teknik Dan Ilmu Komputer > Teknik Informatika > 2018
Divisions: Universitas Komputer Indonesia > Fakultas Teknik dan Ilmu Komputer
Universitas Komputer Indonesia > Fakultas Teknik dan Ilmu Komputer > Teknik Informatika (S1)
Date Deposited: 31 Jan 2019 10:25
Last Modified: 31 Jan 2019 10:25
URI: https://repository.unikom.ac.id/id/eprint/59397

Actions (login required)

View Item View Item