LITERATUR REVIEW : Penggunaan Support Vector Machine Untuk Klasifikasi Penyakit Tanaman Anggur
Keywords:
Dataset Daun Anggur, Klasifikasi, SVM, Peningkatan Akurasi, GLCMAbstract
Anggur atau Nama Ilmiahnya Vitis Vinifera merupakan tanaman asli dari Eropa yang saat ini banyak ditanam dan dibudidayakan di berbagai negara termasuk Indonesia. Anggur dapat dibedakan jenisnya melalui warna, bentuk, ukuran, rasa, dan daunnya. Khususnya Untuk Meningkatkan Kualitas Produksi Wine Cara Melindungi Tanaman Dari Penyakit Yang Disebabkan Oleh Jamur Dan Mikroorganisme. Umumnya Penyakit Tanaman Merambat Meliputi 4 (Empat) Jenis Penyakit Yaitu Hawar Daun, Tungau. (Tungau), Sorgum Hitam (Dark Sorgum) Dan Busuk Hitam (Dark Decay). Dalam Penelitian Ini Akan Diusulkan Menggunakan Metode Ekstraksi Struktur Jaringan Saraf Matriks Kejadian Bersama Tingkat Abu-Abu (GLCM) Untuk Klasifikasi Anggur. Information yang digunakan dalam penelitian ini berasal dari Kaggle setiap kelas berisi kumpulan information sebanyak 80. Terdapat 4 Kelas Klasifikasi yaitu Daun Sehat, Kudis Hitam, Daun Keriput dan Busuk Daun Hitam. Metode yang digunakan dalam Penelitian Ini adalah Jaringan Syaraf Tiruan dengan propagasi balik. Penggunaan Kecerdasan Buatan Untuk Proses Pengenalan Gambar Telah Banyak Digunakan Oleh Para Peneliti. Salah Satu Bidangnya Adalah Pengenalan Penyakit Daun Anggur. Demonstrate Inkremental Dilakukan Sebelum Klasifikasi Mesin Vektor Dukungan Dengan Inti Kubik, Dengan Akurasi 97,6%. Peningkatan Performa Akurasi Prediksi Gambar Melalui Show Juga Dapat Ditingkatkan Dengan Berbagai Cara. Beberapa Teknik Yang Dapat Digunakan Antara Lain: Menggunakan Pemilihan Fitur, Pra-Pemrosesan Untuk Menemukan Dan Menghilangkan Exception, Atau Memilih Algoritma Klasifikasi Yang Secara Khusus Mampu Menangani Kumpulan Information Dengan Karakteristik Tertentu. Teknik Lainnya Adalah Dengan Menjalankan Gambar Melalui Proses Ekstraksi Fitur Untuk Mendapatkan Dataset. Berkualitas Baik Yang Dapat Dilatih Untuk Mendapatkan Demonstrate Dengan Akurasi Yang Relatif Lebih Tinggi Dibandingkan Penelitian Sebelumnya.
References
Rosyani Perani, Dkk., Menggunakan YOLO Dalam Deteksi Objek: Tinjauan Literatur Sistematika, Jurnal AI Dan SPK: Jurnal Kecerdasan Buatan Dan Sistem Pendukung Keputusan, Volume 1, No. 1 Juni 2023.
Rosyani Perani, Dkk, Tinjauan Literatur Sistematis: Sistem Diagnostik Pakar Pasien Gigi Menggunakan Metode String Biner Langsung: Jurnal Ilmu Komputer, Teknik Dan Multimedia, Volume 1, No. 1 April 2023.
Nugroho Agung Fajar, Dkk, DAMPAK VIDEO PENDIDIKAN KESEHATANTENTANG ASUHAN KEPERAWATAN HIPERTENSI TERHADAP TINGKAT PENGETAHUAN HIPERTENSI PADA TAHAP PENDIDIKAN, Journal Of Nursing Sciences (NSJ), Volume 4, Edisi Desember 202.
Syafii Abdullah, Wasis Haryono, APLIKASI PEMROGRAMAN EKSTRIM DALAM PEMBANGUNAN GAME EDUKASI ASMAUL HUSNA, SIFAT ALLAH DAN NAMA NABI MENGGUNAKAN APLIKASI CONSTRUCT 2, Journal Of Artificial Intelligence. Penerbangan 3,1 Februari 2022.
Zakiria Hadi, Dkk, Menggunakan APLIKASI MICROSOFT EXCEL GUI SEBAGAI ALAT BELAJAR PEMBUATAN DATABASE, AMMA: Jurnal Pengabdian Masyarakat, Volume 1, No. 2 Maret (2022).
J. Lado Et Al., “Comparison Of Neural Network And Random Forest Classifier Performance On Dragon Fruit Disease,” In Wireless Technologies And Intelligent Systems For Better Human Lives (IESIEEE) 2021, Politeknik Negeri Surabaya, Sep. 2021, Pp. 351–355. Doi: 10.1109/ IES53407. 2021.9593992.
R. Marani, A. Milella, A. Petitti, And G. Reina, “Deep Neural Networks For Grape Bunch Segmentation In Natural Images From A Consumergrade Camera,” Precision Agric, Vol. 22, No. 2, Pp. 387-413, Apr. 2021, Doi: 10.1007/S11119-020- 09736-0.
N. Fajri And R. A. Pramunendar, “PENGENALAN VARIETAS MANGGA BERDASARKAN BENTUK DAN TEKSTUR DAUN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK,” Vol. 13, Pp. 143–153, 2017.
D. MUTIA, “UJI TOKSISITAS AKUT EKSTRAK ETANOL BUAH ANGGUR (Vitis Vinifera) TERHADAP LARVA Artemia Salina Leach DENGAN METODE BRINE SHRIMP LETHALITY TEST (BST),” 2010.
F.Rizal Et Al., “Penerapan Algoritma Backpropagation Untuk Klasifikasi Jenis Buah Rambutan Berdasarkan Fitur Tekstur Daun,” Vol. 1, No. 2, Pp. 2–9, 2020.
M. Koklu, M. F. Unlersen, I. A. Ozkan, M. F. Aslan, And K. Sabanci, “A Cnn-Svm Study Based On Selected Deep Features For Grapevine Leaves Classification,” Measurement, Vol. 188, P. 110425, Jan. 2022, Doi: 10.1016/ J.Measurement. 2021.110425.
R. Hidayat, “Implementasi Penggabungan Metode Fitur Ciri Orde 1 Dan Fitur Ciri Orde 2 Pada Citra Untuk Pengklasifikasian Jenis Batu Akik,” J. Ilm. Komput. Dan Inforamatika, 2016.
Shalman, Khan., Etall. (2018). A Guide To Convolutional Neural Networks For Computer Vision. Morgan & Claypool Publishers
Rafael ,C., Gonzalez, & Richard, E., Woods. (2018). Digital Image Processing. Pearson Education Limited 2018.
