Text

Implementasi Metode LVQ Dan LVQ2 Untuk Mendeteksi Penyakit Tanaman Kedelai Dengan Seleksi Fitur Menggunakan Stepwise Regression Algorithm

---

ABSTRAK

Kebutuhan kedelai Indonesia meningkat dari tahun ke tahun. Namun menurut data dari Badan Pusat Statistik (BPS) jumlah produktivitas kedelai nasional masih rendah, sehingga untuk memenuhi kebutuhan kedelai dilakukan dengan cara impor kedelai dari beberapa negara seperti China, Ukraina, Kanada, Malaysia, dan Amerika Serikat. Produktivitas kedelai yang rendah disebabkan oleh beberapa faktor. Salah satu faktor penyebabnya adalah serangan penyakit. Penelitian ini bertujuan untuk membuat sebuah deteksi penyakit tanaman kedelai dengan menerapkan algoritma jaringan syaraf tiruan (JST) Learning Vector Quantization 2 (LVQ2) dan seleksi atribut Stepwise Regression Algorithm. Variabel atribut yang digunakan terdiri atas 35 gejala penyakit pada data tanaman kedelai. 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 parameter terbaik pada LVQ2 adalah learning rate (α) 0.3; epsilon 0.04; dan maksimum epoch 100. Sedangkan seleksi atribut terbaik menggunakan parameter p to enter dan p to remove sebesar 0.15 yang menghasilkan 17 atribut terpilih yaitu bulan, tanaman berdiri, pengairan, daun, lingkaran bercak daun, tepi bercak daun, ukuran bercak daun, jamur daun, batang karat, jamur batang, busuk luar, kulit buah, bercak buah, biji, pertumbuhan jamur, perubahan warna biji, dan akar. Hasil terbaik pada penelitian ini menghasilkan akurasi 90.5%, error rate 9.5%, sensitivitas 90.5%, dan spesifisitas 98.94%.

Kata Kunci :Deteksi Penyakit Tanaman Kedelai, Learning Vector Quantization, LVQ2, 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, so the fulfillment of soybean needs is done by importing soybeans from several countries such as China, Ukraine, Canada, Malaysia, and the United States. Low soybean productivity is caused by several factors. One of the causes is disease. This study aims to create a soybean disease detection by applying Learning Vector Quantization 2 (LVQ2) neural network algorithm(ANN) and Stepwise Regression Algorithm attribute selection. The attribute variables used consisted of 35 symptoms of the disease in soybean crop 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 result of the study shows that the best paramater use in lVQ2. The results showed that the best parameters in LVQ2 is learning rate (α) value of 0.3; epsilon 0.04; and maximum epoch 100. While the best attribute selection uses the parameter p to enter and p to remove of 0.15 which produces 17 selected attributes such as date, plant stand, precipitation, leaves, leaf spot halo, leaf spot margins, leafspot size, leaf mildew, stem canker, stem fungi, external decay, fruit pods, fruit spots, seeds, mold growth, seed discolor, roots. The best results in this study resulted in an accuracy of 90.5%, 9.5% error rate, 90.5% sensitivity, and 98.94% specificity.

Keyword :Soybean plant disease detection, Learning Vector Quantization, LVQ2, Stepwise Regression Algorithm

---

Ketersediaan

734F19III

734 F 19-ii

Perpustakaan FSM Undip (Referensi)

Tersedia

Informasi Detail

Judul Seri

ILMU KOMPUTER/INFORMATIKA

No. Panggil

734 F 19-ii

Penerbit

: ., 2019

Deskripsi Fisik

-

Bahasa

Indonesia

ISBN/ISSN

-

Klasifikasi

530.44

Tipe Isi

-

Tipe Media

-

Tipe Pembawa

-

Edisi

-

Subjek

-

Info Detail Spesifik

-

Pernyataan Tanggungjawab

Nida Muhamad

Versi lain/terkait

Lampiran Berkas

Komentar

---

Anda harus masuk sebelum memberikan komentar