ABSTRAKSI: Permasalahan cacat pada daun teh Camellia Sinensis merupakan permasalahan penting dalam perkebunan teh di Indonesia. Adanya cacat pada daun teh mengakibatkan penurunan produksi yang cukup berarti. Selama ini evaluasi pada tanaman teh untuk mengecek cacat daun masih rentan dalam kesalahan mendiagnosis. Cacat daun teh masih sulit dibedakan dengan pengamatan biasa. Pengamatan mata manusia tidak terlalu akurat dalam melihat sesuatu.
Dalam membuat sistem deteksi cacat daun teh memiliki beberapa tahapan yaitu preprocessing, ekstraksi ciri dan algoritma klasifikasi.untuk membedakan kondisi setiap daun digunakan ekstraksi ciri warna serta perbadingan panjang lebar daun. Dengan ekstraksi ciri tersebut didapatkan informasi parameter setiap kondisi daun untuk membedakan satu dengan yang lainnya. Algoritma pengklasifikasian yaitu menggunakan PNN yang memiliki akurasi dan waktu sangat baik.
Hasil dari tugas akhir ini bahwa akurasi tertinggi pada proses training yaitu 100% dan pada proses testing sebesar 93,33% dengan menggunakan ekstraksi ciri warna RGB, HSI dan perbandingan panjang lebar daun.
Kata Kunci : teh Camellia sinensis, ekstraksi ciri warna, PNNABSTRACT: The problem of flaw in tea leaves Camellia Sinensis is an important problem in tea plantation in Indonesia. The existence of flaw in the tea leaves causes a significant decreasing in production. During this time, the evaluation of tea leaves conditions to check of flawed tea leaves are still vulnerable in diagnosing faults. Flawed tea leaves are difficult to distinguis from normal observation. Observation of the human eye is not very accurate in seeing something.
In designing a system of flawed tea leaves has several stages preprocessing, feature extraction and classification algorithms. To distinguish the condition of each leaf, used color feature extraction and leaf length comparisons. The feature extraction was obtained information about parameter each leaf conditions to distinguish from one another. Algorithm classification using PNN that has good accuracy and timing.
The result of this final project that there is the highest accuracy on the training process that is 100% and on the testing process that is 93,33% with using feature extraction color RGB, HSI and leaf length ratio.
Keyword: flaw in tea leaves Camellia Sinensis, the color feature extraction, PNN