KLASIFIKASI PENYAKIT DAUN KELAPA SAWIT MENGGUNAKAN K-NEAREST NEIGHBOR DAN SELEKSI FITUR ALGORITMA GENETIKA

Atika, Enda Putri (2022) KLASIFIKASI PENYAKIT DAUN KELAPA SAWIT MENGGUNAKAN K-NEAREST NEIGHBOR DAN SELEKSI FITUR ALGORITMA GENETIKA. S2 - Magister thesis, Universitas AMIKOM Yogyakarta.

Text (THESIS) 20.51.1416 Enda Putri Atika.pdf Download (3MB)

Abstract

Dunia kecerdasan buatan khususnya machine learning saat ini sedang mengalami perkembangan yang sangat pesat. Klasifikasi di dalam machine learning adalah salah satu bidang kecerdasan buatan yang sangat penting. Fitur – fitur yang digunakan dalam pengenalan pola dan pembelajaran mesin untuk klasifikasi semakin meningkat, sehingga sangat sulit untuk menemukan fitur mana yang paling relevan dalam sebuah kumpulan data yang digunakan. Banyak fitur yang dikumpulkan untuk pengklasifikasian, namun sayangnya setelah diamati kumpulan fitur tersebut tidak semuanya relevan atau bahkan berlebih untuk digunakan dalam klasifikasi. Pada penelitian sebelumnya mengenai deteksi penyakit daun kelapa sawit, tingkat akurasi yang dihasilkan sudah cukup baik, namun pada penelitian tersebut menggunakan sangat banyak fitur, sekitar 41 fitur. Berdasarkan hal tersebut penelitian ini bertujuan untuk mengembangkan penelitian sebelumnya supaya menghasilkan lebih sedikit fitur yang memiliki karakteristik yang lebih kuat dan relevan serta dapat meningkatkan tingkat akurasi. Pada penelitian ini untuk seleksi fitur dilakukan dengan menggunakan Algoritma Genetika dan klasifikasi penyakit daun kelapa sawit menggunakan KNN. Harapannya dalam penelitian ini Algoritma Genetika dan KNN yang digunakan dapat mengklasifikasikan penyakit daun kelapa sawit dengan menggunakan fitur yang lebih sedikit dan relevan serta menghasilkan tingkat akurasi yang lebih baik atau minimal sama dengan penelitian yang sebelumnya. Berdasarkan percobaan yang telah dilakukan tingkat akurasi terbaik diperoleh dari skenario kedua sebesar 100%. Pasangan fitur hasil dari seleksi menggunakan algoritma genetika yang memiliki karakteristik kuat yaitu urutan fitur ke -8,13,15,40,51,52,59,61,73,77,82,90,94 urutan fitur tersebut yaitu R8, G5, G7, A8, H3-HSV, H4-HSV, S3-HSV, S5-HSV, H2-HSI, H6-HSI, S3-HSI, I3-HSI, dan I7-HSI. Rata-rata tingkat akurasi yang diperoleh setelah menggunakan fitur hasil seleksi algoritma genetika sebesar 99.2140%. Algoritma genetika mampu mereduksi sebesar 86,46%, dari total 96 fitur menjadi 13 fitur. Rata - rata tingkat akurasi yang diperoleh sebelum menggunakan fitur hasil seleksi algoritma genetika sebesar 94.3130% dan rata-rata tingkat akurasi setelah menggunakan fitur hasil seleksi algoritma genetika sebesar 97.0817%. Terjadi peningkatan akurasi sebesar 2.7687% jika menggunakan fitur hasil seleksi algoritma genetika

Actions (login required)

View Item