Implementasi Feature Engineering pada Sistem Klasifikasi Penyakit Tanaman Cabai Menggunakan XGBoost

Berikut adalah revisi abstrak Anda dengan mengganti semua simbol matematika (seperti %, <, -, /, >) menjadi bentuk kata, tanpa mengubah struktur dan makna kalimat aslinya:

Tanaman cabai sebagai komoditas hortikultura utama di Indonesia rentan penyakit daun seperti geminivirus, bercak daun cercospora, leaf curl virus, dan kondisi sehat, yang sulit dideteksi manual karena gejala visual mirip dan variasi lapangan. Penelitian ini bertujuan mengimplementasikan feature engineering melalui ekstraksi fitur HSV yaitu mean, standar deviasi, dan skewness, GLCM yaitu contrast, homogeneity, dan energy empat orientasi, serta edge yaitu Canny density, diikuti reduksi dimensi PCA dengan n components tetap dan explained variance kumulatif sembilan puluh sampai sembilan puluh lima persen, untuk klasifikasi menggunakan XGBoost pada sistem deteksi mobile petani. Metode mengadopsi kerangka hibrida Waterfall untuk SDLC dan CRISP-DM untuk ML, dengan dataset publik Kaggle atau Roboflow melalui pra-pemrosesan OpenCV seperti resize dua ratus lima puluh enam kali dua ratus lima puluh enam, CLAHE, dan augmentasi, train-test split delapan puluh banding dua puluh, evaluasi lima-fold cross validation via akurasi, presisi, recall, F1-score, serta feature importance. Diharapkan menghasilkan model efisien komputasi dengan waktu inferensi kurang dari dua detik, akurasi lebih dari sembilan puluh persen, standar optimal PCA untuk citra tanaman tropis, dan prototipe aplikasi Flutter multiplatform guna deteksi dini, percepatan pengobatan, serta pengurangan kerugian ekonomi petani cabai.