Deteksi Penyakit Daun pada Tanaman Padi Menggunakan Algoritma Decision Tree, Random Forest, Naïve Bayes, SVM dan KNN

Deteksi Penyakit Daun pada Tanaman Padi Menggunakan Algoritma Decision Tree, Random Forest, Naïve Bayes, SVM dan KNN

Daun Padi, Tanaman, Decision Tree, Random Forest, Naïve Bayes, SVM dan KNN

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.

Annida Purnamawati, Wawan Nugroho, Destiana Putri, Wahyutama Fitri Hidayat

Perpustakaan Horizon Karawang

2020

Fajar bagus W

PDF

Indonesia

Text