Prosiding Seminar Nasional Ilmu Komputer Universitas Semarang 2020
Perbandingan Algoritma Seleksi Atribut dalam Mendeteksi Penyakit Kedelai Menggunakan Learning Vector Quantization 3

Prosiding Seminar Nasional Ilmu Komputer Universitas Semarang 2020
Perbandingan Algoritma Seleksi Atribut dalam Mendeteksi Penyakit Kedelai Menggunakan Learning Vector Quantization 3

Deteksi Penyakit, Kedelai, LVQ3, Seleksi Atribut, Klasifikasi
Disease Detection, Soybean, LVQ3, Attribute Selection, Classification

Kebutuhan kedelai Indonesia meningkat setiap tahun. Namun menurut data dari Badan Pusat Statistik jumlah produktivitas kedelai nasional masih rendah. Produktivitas kedelai yang rendah disebabkan oleh beberapa faktor. Salah satunya 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 LVQ3. Variabel atribut yang digunakan terdiri atas 35 kriteria pada kedelai yang terserang penyakit. Data yang digunakan pada penelitian ini merupakan dataset kedelai yang diambil dari UCI 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 0.2; minimum learning rate 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.
Indonesia's soybean needs increasing every year. But according to data from the 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 forward selection, backward elimination, and stepwise regression in which is used for detecting soybean disease by implementing 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 UCI Machine Learning Repository as much as 200 datas. 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, resulted 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.

Zakaria Medianta Artamara, Sukmawati Nur Endah

Universitas Semarang

27 Oktober 2020

Sri Wahyuni

ISSN: 2614-1205

PDF

Indonesian

Text

Prosiding Seminar Nasional Ilmu Komputer Universitas Semarang 2020