IMPLEMENTASI DEEP LEARNING PADA SISTEM KLASIFIKASI HAMA TANAMAN PADI MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK (CNN)

Yuliany, Susi (2022) IMPLEMENTASI DEEP LEARNING PADA SISTEM KLASIFIKASI HAMA TANAMAN PADI MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK (CNN). Sarjana thesis, Universitas Siliwangi.

	Text 1. COVER.pdf Download (39kB)
	Text 3. LEMBAR PENGESAHAN.pdf Download (1MB)
	Text 2. ABSTRAK.pdf Download (13kB)
	Text 4. KATA PENGANTAR-DAFTAR ISI-DAFTAR TABEL.pdf Download (1MB)
	Text 5. BAB I.pdf Download (1MB)
	Text 6. BAB II.pdf Download (9MB)
	Text 7. BAB III.pdf Download (2MB)
	Text 8. BAB IV.pdf Restricted to Repository staff only Download (3MB)
	Text 9. BAB V.pdf Restricted to Repository staff only Download (275kB)
	Text 10. DAFTAR PUSTAKA.pdf Download (1MB)
	Text 11. LAMPIRAN.pdf Restricted to Repository staff only Download (847kB)

Abstract

ABSTRAK Hama menjadi serangan utama pada semua jenis tanaman, khususnya tanaman padi. Dalam melakukan pengendalian hama, sebagian besar petani melakukan aplikasi insektisida secara tidak bijaksana, dimana aplikasi dilakukan tanpa mempertimbangkan dosis, waktu, cara, dan sasaran yag tepat sehingga mengakibatkan terbunuhnya organisme bukan sasaran seperti musuh alami hama, baik parasitoid, predator, dan pathogens. Beberapa peneliti telah mencoba mengklasifikasi kerusakan pada tanaman alih-alih mengklasifikasikan hama itu sendiri. Oleh karena itu, dengan mengklasifikasikan jenis hama pada tanaman padi memungkinkan petani dapat melakukan penanganan sesegera mungkin pada tanaman padi sesuai jenis hama yang menyerangnya. Metode Convolutional Neural Network (CNN) banyak digunakan dalam image processing karena tingkat akurasinya yang tinggi dan lebih baik dalam pengenalan gambar visual. Penelitian ini menerapkan tiga lapis konvolusi dan dua lapis fully connected. Berdasarkan evaluasi, nilai akurasi tertinggi pada pengujian adalah sebesar 85% dicapai ketika menerapkan epoch 500. Kata kunci: convolutional, neural network, image processing, pengujian, hama, fully connected, akurasi

Actions (login required)

View Item