DETEKSI OBJEK DAUN TEBU DENGAN MENGGUNAKAN METODE KLASIFIKASI PADA MACHINE LEARNING

Chiatra, Sekar Dana and Sabita, Hary (2025) DETEKSI OBJEK DAUN TEBU DENGAN MENGGUNAKAN METODE KLASIFIKASI PADA MACHINE LEARNING. Skripsi thesis, INSTITUT INFORMATIKA DAN BISNIS DARMAJAYA.

[img] Text
COVER.pdf

Download (194kB)
[img] Text
HALAMAN PERSETUJUAN.pdf

Download (654kB)
[img] Text
HALAMAN PENGESAHAN.pdf

Download (671kB)
[img] Text
ABSTRAK.pdf

Download (266kB)
[img] Text
ABSTRACT.pdf

Download (266kB)
[img] Text
DAFTAR ISI.pdf

Download (184kB)
[img] Text
BAB I.pdf

Download (298kB)
[img] Text
BAB II.pdf

Download (680kB)
[img] Text
BAB III.pdf

Download (298kB)
[img] Text
BAB IV.pdf

Download (770kB)
[img] Text
BAB V.pdf

Download (166kB)
[img] Text
DAFTAR PUSTAKA.pdf

Download (286kB)
[img] Text
LAMPIRAN.pdf

Download (571kB)

Abstract

Pembuatan sebuah model machine learning dengan menggabungkan algoritma klasifikasi Support Vector Machine (SVM) dengan HOG Features Extraction. Model yang dihasilkan nantinya akan sangat dapat membantu pendeteksian objek daun tebu pada suatu lahan perkebunan. Penelitian ini menggunakan 829 data citra yang diambil dari Kaggle, namun diolah kembali dan hanya 227 data citra yang digunakan yang terbagi menjadi 2 kelas, yaitu others (kelas 0) dan sugarcane (kelas 1). Analisa penelitian ini dilakukan menggunakan GoogleColab dengan bahasa pemrograman python. Hasil dari penelitian ini adalah akurasi sebesar 96%, precision 0,96; recall sebesar 1,00 dan f1-score sebesar 0,98. Penelitian ini hanya membahas permasalahan kecil, topik permasalahan yang sebenarnya adalah melakukan pendeteksian objek daun tebu untuk perhitungan jumlah pohon (counting trees) dengan menggunakan metode klasifikasi pada machine learning.

Item Type: Thesis (Skripsi)
Subjects: Ilmu Komputer
eSkripsi
Divisions: Skripsi/TA & PKPM/KP - Fakultas Ilmu Komputer > Teknik Informatika
Depositing User: Sekar Dana Chiatra
Date Deposited: 19 Aug 2025 06:46
Last Modified: 19 Aug 2025 06:46
URI: http://repo.darmajaya.ac.id/id/eprint/21009

Actions (login required)

View Item View Item