Text

Perbandingan Algoritma Seleksi Fitur Dalam Mendeteksi Penyakit Kedelai Dengan Learning Vector Quantization 3

---

ABSTRAK
Kebutuhan kedelai Indonesia meningkat dari tahun ke tahun. Namun menurut data dari Badan Pusat Statistik (BPS) jumlah produktivitas kedelai nasional masih rendah. Produktivitas kedelai yang rendah disebabkan oleh beberapa faktor. Salah satu faktor penyebabnya adalah serangan penyakit. Penelitian ini bertujuan untuk membandingkan metode seleksi atribut yaitu forward selection, backward elimination, dan stepwise regression dalam mendeteksi penyakit tanaman kedelai menggunakan Learning Vector Quantization 3 (LVQ3). Variabel atribut yang digunakan terdiri atas 35 kriteria pada data tanaman kedelai yang terserang penyakit. Data yang digunakan pada penelitian ini merupakan dataset tanaman kedelai yang diambil dari University of California Irvine Machine Learning Repository sebanyak 200 data. Pembagian data pelatihan dan data pengujian dilakukan dengan metode k-fold cross validation dengan nilai k = 10. Hasil penelitian menunjukkan bahwa algoritma seleksi atribut forward selection dan stepwise regression dengan parameter p to enter dan p to remove sebesar 0.1 yang diterapkan pada LVQ3 dengan learning rate (α) 0.2; minimum learning rate epsilon 0.02; dan maksimum epoch 100 merupakan hasil terbaik pada penelitian ini menghasilkan akurasi 90%, error rate 10%, sensitivitas 90%, dan spesifisitas 98.89%. Atribut yang dihasilkan sebanyak 17 atribut yaitu bulan, berdiri tanaman, pengairan, daun, lingkaran bercak daun, tepi bercak daun, ukuran bercak daun, jamur, batang karat, jamur batang, busuk luar, kulit buah, bercak buah, biji, pertumbuhan jamur, perubahan warna biji, dan akar.

Kata Kunci : Deteksi Penyakit, Kedelai, LVQ3, Seleksi Atribut, Klasifikasi, Forward Selection, Backward Elimination, Stepwise Regression Algorithm

 
ABSTRACT

Indonesia's soybean needs increase from year to year. But according to data from the Badan Pusat Statistik (BPS) the amount of national soybean productivity is still low. Low soybean productivity is caused by several factors. One of the causes is disease. This study aims to comparing feature selection methods such as forward selection, backward elimination, and stepwise regression in which is used for detecting soybean disease with Learning Vector Qantization 3 (LVQ3). The attribute variables used consisted of 35 criteria of disease-infected soybean crop as data. The data used in this study is a soybean dataset taken from University of California Irvine Machine Learning Repository as much as 200 data. The distribution of training data and test data is done by the k-fold cross validation method with a value of k = 10. The study result shows forward selection and stepwise regression algorithm with parameter p to enter and p to remove 0.1 that implemented into LVQ3 with learning rate 0.2; minimum learning rate 0.02; and maximum epoch 100 is the best, rsulted in accuracy of 90%, 10% error rate, 90% sensitiviy, and 98.89% specifity. Attribute producted is 17 selected attributes such as date, plant stand, precipitation, leaves, leaf spot halo, leaf spot margins, leafspot size, leaf mildew, stem cancer, stem fungi, external decay, fruit pods, fruit spots, seeds, mold growth, seed discolor, roots.
Keyword : Disease Detection, Soybean, LVQ3, Attribute Selection, Classification, Forward Selection, Backward Elimination, Stepwise Regression Algorithm

---

Ketersediaan

897F20IV

897 F 20-iv

Perpustakaan FSM Undip (Referensi)

Tersedia

Informasi Detail

Judul Seri

ILMU KOMPUTER/INFORMATIKA

No. Panggil

897 F 20-iv

Penerbit

: ., 2020

Deskripsi Fisik

-

Bahasa

Indonesia

ISBN/ISSN

-

Klasifikasi

NONE

Tipe Isi

-

Tipe Media

-

Tipe Pembawa

-

Edisi

-

Subjek

-

Info Detail Spesifik

-

Pernyataan Tanggungjawab

Zakaria Medianta Artamara

Versi lain/terkait

Lampiran Berkas

Komentar

---

Anda harus masuk sebelum memberikan komentar