Permasalahan cacat pada daun teh merupakan permasalahan penting
yang berimbas pada tatanan produksi. Salah satu tindakan preventif yang
dapat dilakukan untuk mengatasi masalah tersebut adalah dengan
mengindentifikasi sejak dini jenis cacat atau penyakit yang menyerang daun
teh agar pemberian pestisida dapat dilakukan dengan benar dan tepat sasaran.
Penelitian pada tugas akhir ini bertujuan untuk mendeteksi dan
mengklasifikasikan daun teh menjadi empat kategori, yaitu : daun teh Normal,
cacat Blister, cacat Mite dan cacat Thrips. Proses pendektesian diawali dengan
pemrosesan awal pada citra daun. Kemudian proses ekstraksi ciri dengan
Transformasi Wavelet (Wavelet Transform) untuk mengekstrak ciri-ciri
tekstur, bentuk dan warna menggunakan low-pass filter dan high-pass filter.
Setelah itu dilakukan proses untuk menentukan komponen prinsip atau
significant feature dengan menggunakan Principal Component Analysis
(PCA) dan Linear Discriminant Analysis (LDA) untuk lebih memisahkan
vector ciri antar kelas. Selanjutnya dilakukan proses klasifikasi menggunakan
Jaringan Syaraf Tiruan Probabilistik atau Probabilistic Neural Network
(PNN).
Dengan implementasi metode-metode tersebut, sistem dapat mengenali
kondisi citra daun teh Camellia sinensis ke dalam 4 kelas daun. Klasifikasi
dilakukan pada 240 citra sampel daun dengan komposisi 200 citra uji dan 40
citra testing dengan menggunakan wavelet haar (db1) level 3, jumlah fitur
PCA sebanyak 33 fitur dan parameter pemulus (smoothing parameter) sebesar
0.41. Pengujian dengan menggunakan parameter tersebut dihasilkan akurasi
sebesar 92,5%. Camellia sinensis, Blister, Mite, Normal, Thrips, Wavelet Transform, Probabilistik Neural Network (PNN).