Deteksi Penyakit Daun pada Tanaman Padi Menggunakan Algoritma Decision Tree, Random Forest, Naïve Bayes, SVM dan KNN
| Main Authors: | Purnamawati, Annida, Nugroho, Wawan, Putri, Destiana, Hidayat, Wahyutama Fitri |
|---|---|
| Format: | Article info eJournal |
| Bahasa: | ind |
| Terbitan: |
Universitas Islam Sumatera Utara
, 2020
|
| Subjects: | |
| Online Access: |
https://jurnal.uisu.ac.id/index.php/infotekjar/article/view/2934 https://jurnal.uisu.ac.id/index.php/infotekjar/article/downloadSuppFile/2934/349 |
| ctrlnum |
--jurnal.uisu.ac.id-index.php-index-oai:article-2934 |
|---|---|
| fullrecord |
<?xml version="1.0"?>
<dc schemaLocation="http://www.openarchives.org/OAI/2.0/oai_dc/ http://www.openarchives.org/OAI/2.0/oai_dc.xsd"><title lang="en-US">Deteksi Penyakit Daun pada Tanaman Padi Menggunakan Algoritma Decision Tree, Random Forest, Naïve Bayes, SVM dan KNN</title><creator>Purnamawati, Annida</creator><creator>Nugroho, Wawan</creator><creator>Putri, Destiana</creator><creator>Hidayat, Wahyutama Fitri</creator><subject lang="en-US">Daun Padi, Tanaman, Decision Tree, Random Forest, Naïve Bayes, SVM dan KNN</subject><description lang="en-US">Pertanian sebagai salah satu sektor industri menjadi bagian pekerjaan yang menunjang pemenuhan kebutuhan makanan pokok masyarakat seperti tanaman pangan. Tanaman padi merupakan tanaman pangan yang rentan terserang hama. Pengenalan terhadap jenis hama yang menyerang merupakan langkah awal yang sangat penting untuk menunjang keberhasilan dalam usaha pengendaliannya. Hama tanaman padi tersebut dapat menjadi kendala bagi petani untuk bisa meningkatkan produksi. karena hama tersebut dapat merusak tanaman padi hingga membuat gagal panen. Oleh sebab itu perlu dilakukan deteksi klasifikasi pada hama daun padi untuk mencari akurasi dengan menggunakan perbandingan berbagai macam metode algoritma yaitu dengan Decision Tree, Random Forest, Naïve Bayes, SVM dan KNN. Sehingga diharapkan mampu menangani hama secara tepat, agar tidak terjadi kerusakan dan gagal panen. Dengan menggunakan dataset Rice Leaf Diseases Detection untuk Deteksi dan Klasifikasi Penyakit Padi. Dataset ini memiliki tiga kelas/penyakit yang diantaranya yaitu: Bakteri daun busuk, bercak coklat, dan daun api, masing-masing memiliki 40 gambar dengan format gambar jpg. Dari perbandingan ke lima metode algoritma tersebut dapat dihasilkan 3 macam model yaitu Model Overfit (Random Forest, Decission Tree dan Naive Bayes), Model Underfit (SVM) dan Good Models (KNN). Jadi metode terbaik diantara kelima tersebut yaitu metode KNN dengan nilai akurasi 87%, karna model ini konsisten baik pada kedua evaluasi. KNN tidak terbukti memiliki masalah overfiting karena secra konsisten berkinerja baik pada data train dan data test.Agriculture as one of the industrial sectors has become a part of the work that supplies people's basic food needs, such as food crops, rice is a food that is susceptible to pests. Identifying the host of pests is a vital first step toward promoting success in its control. The pest of the rice plant can pose a challenge for farmers to increase production. Because such pests can damage the crops to the point of failure. It is therefore necessary to assess the classification of rice leaf pests for accuracy by using a variety of algorithm-based methods of decision tree, random forest, naive bayes, SVM and KNN in the hope that farmers will soon discover the type of rice pests and their ferocity levels. And so it is expected to be able to handle eve properly, lest the damage and failure of the harvest, by using datassets Rice leaf diseases diseases diseases to detect and classification rice diseases. This datasset has three classes The underlying diseases: leaf rot, chocolate patches, and fire leaves produce 40 images each with JPG in their format. In comparison to the five possible methods of the algorithm, the three types of models are the overfit models (Random Forest, Decission Tree dan Naive Bayes), Model Underfit (SVM) dan Good Models (KNN). So the fifth prime method, however, is the KNN method with an accuracy of 87%, because it is consistent with both evaluations. KNN has no evidence of overfiting problems because it consistently performs well on train data and test data.</description><publisher lang="en-US">Universitas Islam Sumatera Utara</publisher><contributor lang="en-US"/><date>2020-09-25</date><type>Journal:Article</type><type>Other:info:eu-repo/semantics/publishedVersion</type><type>Journal:Article</type><identifier>https://jurnal.uisu.ac.id/index.php/infotekjar/article/view/2934</identifier><identifier>10.30743/infotekjar.v5i1.2934</identifier><source lang="en-US">InfoTekJar : Jurnal Nasional Informatika dan Teknologi Jaringan; Vol 5, No 1 (2020): InfoTekJar September: In Press</source><source>2540-7600</source><source>2540-7597</source><source>10.30743/infotekjar.v5i1</source><language>ind</language><relation>https://jurnal.uisu.ac.id/index.php/infotekjar/article/downloadSuppFile/2934/349</relation><rights lang="en-US">Copyright (c) 2020 Annida Purnamawati, Wawan Nugroho, Destiana Putri,Wahyutama Fitri Hidayat</rights><rights lang="en-US">https://creativecommons.org/licenses/by/4.0</rights><recordID>--jurnal.uisu.ac.id-index.php-index-oai:article-2934</recordID></dc>
|
| language |
ind |
| format |
Journal:Article Journal Other:info:eu-repo/semantics/publishedVersion Other Journal:eJournal |
| author |
Purnamawati, Annida Nugroho, Wawan Putri, Destiana Hidayat, Wahyutama Fitri |
| title |
Deteksi Penyakit Daun pada Tanaman Padi Menggunakan Algoritma Decision Tree, Random Forest, Naïve Bayes, SVM dan KNN |
| publisher |
Universitas Islam Sumatera Utara |
| publishDate |
2020 |
| topic |
Daun Padi Tanaman Decision Tree Random Forest Naïve Bayes SVM dan KNN |
| url |
https://jurnal.uisu.ac.id/index.php/infotekjar/article/view/2934 https://jurnal.uisu.ac.id/index.php/infotekjar/article/downloadSuppFile/2934/349 |
| contents |
Pertanian sebagai salah satu sektor industri menjadi bagian pekerjaan yang menunjang pemenuhan kebutuhan makanan pokok masyarakat seperti tanaman pangan. Tanaman padi merupakan tanaman pangan yang rentan terserang hama. Pengenalan terhadap jenis hama yang menyerang merupakan langkah awal yang sangat penting untuk menunjang keberhasilan dalam usaha pengendaliannya. Hama tanaman padi tersebut dapat menjadi kendala bagi petani untuk bisa meningkatkan produksi. karena hama tersebut dapat merusak tanaman padi hingga membuat gagal panen. Oleh sebab itu perlu dilakukan deteksi klasifikasi pada hama daun padi untuk mencari akurasi dengan menggunakan perbandingan berbagai macam metode algoritma yaitu dengan Decision Tree, Random Forest, Naïve Bayes, SVM dan KNN. Sehingga diharapkan mampu menangani hama secara tepat, agar tidak terjadi kerusakan dan gagal panen. Dengan menggunakan dataset Rice Leaf Diseases Detection untuk Deteksi dan Klasifikasi Penyakit Padi. Dataset ini memiliki tiga kelas/penyakit yang diantaranya yaitu: Bakteri daun busuk, bercak coklat, dan daun api, masing-masing memiliki 40 gambar dengan format gambar jpg. Dari perbandingan ke lima metode algoritma tersebut dapat dihasilkan 3 macam model yaitu Model Overfit (Random Forest, Decission Tree dan Naive Bayes), Model Underfit (SVM) dan Good Models (KNN). Jadi metode terbaik diantara kelima tersebut yaitu metode KNN dengan nilai akurasi 87%, karna model ini konsisten baik pada kedua evaluasi. KNN tidak terbukti memiliki masalah overfiting karena secra konsisten berkinerja baik pada data train dan data test.Agriculture as one of the industrial sectors has become a part of the work that supplies people's basic food needs, such as food crops, rice is a food that is susceptible to pests. Identifying the host of pests is a vital first step toward promoting success in its control. The pest of the rice plant can pose a challenge for farmers to increase production. Because such pests can damage the crops to the point of failure. It is therefore necessary to assess the classification of rice leaf pests for accuracy by using a variety of algorithm-based methods of decision tree, random forest, naive bayes, SVM and KNN in the hope that farmers will soon discover the type of rice pests and their ferocity levels. And so it is expected to be able to handle eve properly, lest the damage and failure of the harvest, by using datassets Rice leaf diseases diseases diseases to detect and classification rice diseases. This datasset has three classes The underlying diseases: leaf rot, chocolate patches, and fire leaves produce 40 images each with JPG in their format. In comparison to the five possible methods of the algorithm, the three types of models are the overfit models (Random Forest, Decission Tree dan Naive Bayes), Model Underfit (SVM) dan Good Models (KNN). So the fifth prime method, however, is the KNN method with an accuracy of 87%, because it is consistent with both evaluations. KNN has no evidence of overfiting problems because it consistently performs well on train data and test data. |
| id |
IOS4523.--jurnal.uisu.ac.id-index.php-index-oai:article-2934 |
| institution |
Universitas Islam Sumatera Utara |
| institution_id |
1254 |
| institution_type |
library:university library |
| library |
Universitas Islam Sumatera Utara |
| library_id |
1095 |
| collection |
InfoTekJar (Jurnal Nasional Informatika dan Teknologi Jaringan) |
| repository_id |
4523 |
| subject_area |
Computer Modeling and Simulation/Model dan Simulasi Komputer Computer Communications Networks/Jaringan Komunikasi Komputer Algorithms/Algoritma Computer Security, Data Security/Keamanan Komputer, Keamanan Data |
| city |
KOTA MEDAN |
| province |
SUMATERA UTARA |
| shared_to_ipusnas_str |
1 |
| repoId |
IOS4523 |
| first_indexed |
2020-10-15T01:09:20Z |
| last_indexed |
2020-11-30T06:07:46Z |
| recordtype |
dc |
| _version_ |
1686136660996128768 |
| score |
17.538404 |