KLASIFIKASI PENYAKIT DAUN TOMAT BERBASIS ALGORITMA K-NEAREST NEIGHBOR

Muslih Muslih, Andi Danang Krismawan

Abstract


Penelitian ini mendalami tantangan dalam pemantauan kesehatan tanaman tomat, yang memiliki peran penting dalam industri pertanian dan perekonomian petani di seluruh dunia. Penyakit-penyakit seperti busuk akar dan hawar daun merupakan ancaman serius yang dapat merusak hasil panen dan mengurangi kualitas tanaman tomat. Dalam upaya mengatasi tantangan ini, penelitian ini menggunakan algoritma K-Nearest Neighbor (KNN) sebagai metode analisis klasifikasi penyakit pada daun tomat. Evaluasi dilakukan melalui tiga percobaan dengan variasi nilai K (K=1, 2, dan 3). Hasilnya menunjukkan bahwa meskipun K=1 mencapai akurasi tertinggi, nilai K=3 memberikan keseimbangan yang baik antara akurasi, kompleksitas model, dan ketahanan terhadap overfitting. Dengan akurasi rata-rata sebesar 88%, model KNN dengan nilai K=3 menjadi pilihan yang handal dalam mengidentifikasi penyakit daun tomat dengan tingkat akurasi yang memadai, memungkinkan pemantauan yang cermat terhadap kesehatan tanaman tomat untuk pemenuhan kebutuhan pangan dunia yang berkelanjutan.


Full Text:

PDF

References


Darwis, H. (2023). K-Nearest Neighbor dan Convolutional Neural Network pada Klasifikasi Penyakit Tanaman Bawang Merah K-Nearest Neighbor And Convolutional Neural Network in Shallot Plant Diseases Classification. In Agustus (Vol. 22, Issue 3).

Huda, A. A., Setiaji, B., & Hidayat, F. R. (2022). Implementasi Gray Level Co-Occurrence Matrix (Glcm) Untuk Klasifikasi Penyakit Daun Padi. In Jurnal Pseudocode (Vol. 9). www.ejournal.unib.ac.id/index.php/pseudocode

Kim, S. C., & Cho, Y. S. (2022). Predictive System Implementation to Improve the Accuracy of Urine Self-Diagnosis with Smartphones: Application of a Confusion Matrix-Based Learning Model through RGB Semiquantitative Analysis. Sensors, 22(14). https://doi.org/10.3390/s22145445

Putra, P., H Pardede, A. M., & Syahputra, S. (2022). Analisis Metode K-Nearest Neighbour (Knn) Dalam Klasifikasi Data Iris Bunga. Jurnal Teknik Informatika Kaputama (JTIK), 6(1).

Rangga, M., Nasution, A., & Hayaty, M. (2019). Perbandingan Akurasi dan Waktu Proses Algoritma K-NN dan SVM dalam Analisis Sentimen Twitter. JURNAL INFORMATIKA, 6(2), 212–218. http://ejournal.bsi.ac.id/ejurnal/index.php/ji

Rofiq, M., Huda, K., & Nafi’iyah, N. (n.d.). Identifikasi Penyakit Daun Kentang Berdasarkan Fitur Warna, Tekstur, dan Bentuk dengan SVM dan KNN Identification of Potato Leaf Disease Based on Color, Texture, and Shape Features with SVM and KNN. In Seminar Nasional Multimedia & Artificial Intelligence SMAI (Vol. 2020).

Septiadi, D., & Mundiyah, A. I. (n.d.). Karakteristik Dan Analisis Finansial Usahatani Tomat Di Kabupaten Lombok Timur Characteristics And Financial Analysis Of Tomato Farming In East Lombok District (Vol. 31, Issue 3). Desember.

Silvia, N., Cahyani, T., Hidayat, N., & Santoso, E. (2023). Klasifikasi Penyakit Tanaman Kacang Tanah menggunakan Metode MKNN (Modified K-Nearest Neighbor) (Vol. 7, Issue 3). http://j-ptiik.ub.ac.id




DOI: https://doi.org/10.30998/semnasristek.v8i01.7141

Refbacks

  • There are currently no refbacks.


Prosiding SEMNAS RISTEK indexed by: