Pengembangan Extreme Learning Machine Dengan Modifikasi Particle Swarm Optimization Untuk Identifikasi Penyakit Tanaman Tebu
| Main Author: | Alauddin, Mukhammad Wildan |
|---|---|
| Format: | Thesis NonPeerReviewed Book |
| Bahasa: | eng |
| Terbitan: |
, 2019
|
| Subjects: | |
| Online Access: |
http://repository.ub.ac.id/id/eprint/190784/1/Mukhammad%20Wildan%20Alauddin.pdf http://repository.ub.ac.id/id/eprint/190784/ |
Daftar Isi:
- Penyakit tanaman tebu merupakan faktor yang paling merugikan petani dan pabrik gula karena menurunkan hasil panen tebu secara signifikan. Beberapa jenis penyakit tanaman tebu yang ditemukan disebut sebagai klasifikasi multikelas. Selain itu, dalam satu batang tebu yang sama bisa diserang lebih dari satu jenis penyakit disebut sebagai klasifikasi multilabel. Permasalahan ini semakin kompleks saat diketahui bahwa pakar tanaman tebu tidak cepat tanggap membantu petani mengidentifikasi penyakit yang ada di lapangan. Diusulkan solusi berupa pembuatan algoritme yang memiliki kemampuan analisis dan identifikasi penyakit seperti seorang pakar berdasarkan gejala yang muncul. Algoritme ini merupakan dasar dari sebuah sistem pakar yang akan dikembangkan. Berdasarkan hasil pengamatan terhadap pola dan karakteristik data, maka metode pengklasifikasi yang digunakan adalah Extreme Learning Machine (ELM). ELM sering digunkan oleh para peneliti terdahulu untuk melakukan klasifikasi karena waktu komputasinya yang relatif lebih cepat dibandingkan metode pengklasifikasi lain. Meskipun relatif lebih cepat, namun akurasi ELM cenderung tidak terlalu tinggi untuk mengklasifikasikan data yang multilabel dan multikelas. Salah satu penyebabnya adalah pembangkitan nilai bobot dan bias yang dilakukan secara acak di awal proses ELM. Kelemahan ELM ini diusulkan untuk diperbaiki dengan menggabungkannya dengan metode metaheuristik yaitu Particle Swarm Optimization (PSO) yang telah dimodifikasi. Metode usulan ELM-Modifikasi PSO ini menghasilkan tingkat akurasi sebesar 91,29%, nilai precision 90,72% dan nilai recall 90,03%.