ETD - UIR

Electronic Thesis and Dissertation

  • Home
  • Information
  • News
  • Help
  • Librarian
  • Member Area
    Member Login Online Registration
  • Select Language :
    Arabic Bengali Brazilian Portuguese English Espanol German Indonesian Japanese Malay Persian Russian Thai Turkish Urdu

Search by :

ALL Author Subject NPM Advanced Search

Last search:

{{tmpObj[k].text}}
Image of Perbandingan Algoritma K-Nearest Neighbor dan Support Vector Machine Menggunakan Ekstraksi Fitur GLCM dan Color Moment untuk Klasifikasi Penyakit Daun Anggur
Bookmark Share

Text

Perbandingan Algoritma K-Nearest Neighbor dan Support Vector Machine Menggunakan Ekstraksi Fitur GLCM dan Color Moment untuk Klasifikasi Penyakit Daun Anggur

DIANA SAFRIDA WANTRI - Personal Name; Ause Labellapansa - Personal Name;

Tanaman anggur (Vitis vinifera) merupakan komoditas hortikultura bernilai ekonomi tinggi yang produktivitasnya dapat menurun akibat serangan penyakit daun, seperti Black Rot, Esca (Black Measles), dan Leaf Blight. Identifikasi penyakit secara manual melalui pengamatan visual bersifat subjektif, memerlukan waktu, dan rentan terhadap kesalahan akibat kemiripan gejala antar penyakit. Penelitian ini merupakan pengembangan dari penelitian Fathoni et al. (2024) yang menggunakan ekstraksi fitur Gray Level Co-occurrence Matrix (GLCM) dan algoritma K-Nearest Neighbor (KNN) pada dataset yang tidak seimbang. Pengembangan yang dilakukan meliputi penambahan tahap segmentasi citra menggunakan metode Otsu Thresholding dan operasi morfologi, penyeimbangan data (class balancing), penambahan fitur warna Color Moment yang dikombinasikan dengan GLCM, serta penggunaan algoritma Support Vector Machine (SVM) sebagai pembanding KNN. Tahapan penelitian meliputi preprocessing, segmentasi citra, ekstraksi fitur, standarisasi fitur menggunakan StandardScaler, serta pembagian data latih dan data uji dengan rasio 80:20 menggunakan stratified split. Hasil pengujian menunjukkan bahwa model KNN memperoleh akurasi sebesar 84,96%, presisi 84,81%, recall 84,96%, dan F1-score 84,83%, sedangkan model SVM menghasilkan performa yang lebih baik dengan akurasi 87,61%, presisi 88,08%, recall 87,61%, dan F1-score 87,67%. Hasil tersebut menunjukkan bahwa algoritma SVM memberikan performa klasifikasi yang lebih baik dibandingkan KNN pada kombinasi fitur GLCM dan Color Moment. Pengembangan metode yang diterapkan juga berhasil meningkatkan performa klasifikasi dibandingkan penelitian acuan. Model terbaik kemudian diimplementasikan pada sistem klasifikasi penyakit daun anggur berbasis web menggunakan framework Flask.


Availability
#
Teknik Informatika (Fakultas Teknik) Informatika 518.1 Dia P
ETD7454II
Available but not for loan - ETD
Detail Information
Call Number
Informatika 518.1 Dia P
Language
Indonesia
NPM
193510566
Publisher
Teknik Informatika : Universitas Islam Riau., 2026
Keyword(s)
GLMC
color moment
Klasifikasi Penyakit Daun Anggur
KNN dan SVM
Otsu Thresholding
Other Information
Petugas
Budi Santoso
Other version/related

No other version available

File Attachment
  • Please login to see this attachment
Comments

You must be logged in to post a comment

ETD - UIR
  • Information
  • Services
  • Librarian
  • Member Area

About Us

As a complete Library Management System, SLiMS (Senayan Library Management System) has many features that will help libraries and librarians to do their job easily and quickly. Follow this link to show some features provided by SLiMS.

Search

start it by typing one or more keywords for title, author or subject

Keep SLiMS Alive Want to Contribute?

© 2026 — Senayan Developer Community

Powered by SLiMS
Select the topic you are interested in
  • Computer Science, Information & General Works
  • Philosophy & Psychology
  • Religion
  • Social Sciences
  • Language
  • Pure Science
  • Applied Sciences
  • Art & Recreation
  • Literature
  • History & Geography
Icons made by Freepik from www.flaticon.com
Advanced Search
Where do you want to share?