OPTIMALISASI MODEL HYBRID CNN-SVM UNTUK KLASIFIKASI CITRA PENYAKIT BATANG DAN DAUN TANAMAN JAGUNG

Putri, Shintyadhita (2025) OPTIMALISASI MODEL HYBRID CNN-SVM UNTUK KLASIFIKASI CITRA PENYAKIT BATANG DAN DAUN TANAMAN JAGUNG. Undergraduate thesis, Universitas Pembangunan Nasional Veteran Jawa Timur.

	Text (Cover) 21081010074_Cover.pdf Download (984kB)
	Text (Bab 1) 21081010074_Bab 1.pdf Download (220kB)
	Text (Bab 2) 21081010074_Bab 2.pdf Restricted to Repository staff only until 18 June 2027. Download (827kB)
	Text (Bab 3) 21081010074_Bab 3.pdf Restricted to Repository staff only until 18 June 2027. Download (1MB)
	Text (Bab 4) 21081010074_Bab 4.pdf Restricted to Repository staff only until 18 June 2027. Download (1MB)
	Text (Bab 5) 21081010074_Bab 5.pdf Download (205kB)
	Text (Daftar Pustaka) 21081010074_Daftar Pustaka.pdf Download (231kB)
	Text (Lampiran) 21081010074_Lampiran.pdf Restricted to Repository staff only until 18 June 2027. Download (188kB)

Abstract

Tanaman jagung memiliki peran penting sebagai sumber pangan dan pakan, khususnya di wilayah Madura. Namun, produktivitasnya sering terhambat oleh penyakit atau hama yang menyerang, sehingga dapat mengurangi hasil panen. Penelitian ini bertujuan untuk mengembangkan model klasifikasi citra penyakit tanaman jagung dengan pendekatan hybrid Convolutional Neural Network (CNN) dan Support Vector Machine (SVM). Ekstraksi fitur dilakukan menggunakan dua arsitektur model CNN, yaitu VGG16 dan ResNet50. Fitur dari kedua arsitektur kemudian digabungkan dan diklasifikasikan menggunakan algoritma SVM. Dataset yang digunakan berasal dari Kaggle dan terdiri atas 7 kelas yang diambil di wilayah Madura. Kelas pada dataset mencakup empat kelas daun dan tiga kelas batang. Model diuji dengan berbagai konfigurasi hyperparameter dan menghasilkan akurasi terbaik sebesar 95,41% pada data pengujian serta 94,39% pada data validasi, dengan kombinasi kernel RBF, nilai C sebesar 10, dan gamma bertipe scale. Hasil ini menunjukkan bahwa model hybrid CNN-SVM mampu mengenali pola visual dari citra penyakit secara akurat.

Item Type:

Thesis (Undergraduate)

Contributors:

Contribution	Contributors	NIDN/NIDK	Email
Thesis advisor	Sari, Anggraini Puspita	NIDN0716088605	anggraini.puspita.if@upnjatim.ac.id
Thesis advisor	Aditiawan, Firza Prima	NIDN0023058605	firzaprima.if@upnjatim.ac.id

Subjects:

T Technology > T Technology (General)
T Technology > T Technology (General) > T385 Computer Graphics

Divisions:

Faculty of Computer Science > Departemen of Informatics

Depositing User:

Shintyadhita Wirawan Putri

Date Deposited:

19 Jun 2025 01:38

Last Modified:

19 Jun 2025 01:38

URI:

https://repository.upnjatim.ac.id/id/eprint/38544