Implementasi Metode Naive Bayes dan Information Gain Untuk Klasifikasi Penyakit dan Hama Tanaman Jagung

Eza Rahmanita; Yudha Dwi Putra Negara; Yeni Kustiyahningsih; Verdi Sasmeka; Bain Khusnul Khotimah

doi:10.34148/teknika.v12i3.684

Eza Rahmanita Jurusan Teknik Informatika, Fakultas Teknik, Universitas Trunojoyo, Madura, Jawa Timur
Yudha Dwi Putra Negara Jurusan Teknik Informatika, Fakultas Teknik, Universitas Trunojoyo, Madura, Jawa Timur
Yeni Kustiyahningsih Jurusan Teknik Informatika, Fakultas Teknik, Universitas Trunojoyo, Madura, Jawa Timur
Verdi Sasmeka Jurusan Teknik Informatika, Fakultas Teknik, Universitas Trunojoyo, Madura, Jawa Timur
Bain Khusnul Khotimah Jurusan Teknik Informatika, Fakultas Teknik, Universitas Trunojoyo, Madura, Jawa Timur

DOI: https://doi.org/10.34148/teknika.v12i3.684

Keywords: Information Gain, Klasifikasi, Jagung, Hama dan Penyakit, Naive Bayes

Abstract

Jagung (Zea mays ssp. mays) adalah tanaman pangan ketiga terbesar setelah gandum dan beras, dan di Indonesia menempati posisi kedua setelah padi. Jagung dapat ditanam di daerah dengan suhu tinggi dan rendah serta curah hujan dan irigasi yang cukup. Namun jagung sangat rentan terhadap penyakit selama siklus hidupnya, yang dapat menurunkan kualitas dan kuantitasnya. Di Sumenep, Jagung dapat dikatakan sebagai bahan pangan pokok untuk sebagian masyarakat pedesaan atau pelosok. Penyebab terjadinya serangan pada tanaman jagung adalah ketidaktahuan petani dalam pencegahan dan penanganannya sehingga menyebabkan produksi jagung mengalami penurunan. Dinas pertanian kabupaten Sumenep juga belum mempunyai sistem untuk klasifikasi hama dan penyakit jagung. Tujuan penelitian ini adalah klasifikasi penyakit dan hama tanaman jagung menggunakan metode naive bayes dengan information gain. Naive Bayes digunakan untuk mengolah nilai-nilai probabilitas setiap gejala, dan nilai persentase dari setiap hama dan penyakit. Information Gain untuk menyeleksi bobot gejala yang paling berpengaruh dalam menentukan hama dan penyakit jagung. Hasil uji coba, akurasi naive bayes dengan information gain dapat meningkatkan akurasi rata-rata sebesar 3,17 % dibanding klasifikasi tanpa seleksi fitur. Akurasi terbaik diperoleh dengan metode information gain dan naive bayes sebanyak 15 fitur dari 47 fitur dengan akurasi sebesar 98,47 %. Penelitian ini merekomendasikan 15 fitur, dengan 3 fitur terbesar adalah tidak berbuah, daun berklorosis sebagian atau seluruh daun dan adanya bekas gigitan pada batang.

Downloads

Download data is not yet available.

References

Haryanto, “Jadikan Sumenep Corong Industri Pertanian, Pusat Bantu Rp 35 Miliar,” Radar Madura, 2019. .

R. P. Ramadhan and N. L. Marpaung, “Identifikasi jenis penyakit daun tanaman jagung menggunakan jaringan saraf tiruan berbasis backpropagation,” Jom FTEKNIK, vol. 6, no. 1, pp. 1—5, 2019.

N. Sagala and H. Tampubolon, “Komparasi Kinerja Algoritma Data Mining pada Dataset Konsumsi Alkohol Siswa,” Khazanah Inform. J. Ilmu Komput. dan Inform., vol. 4, no. 2, p. 98, 2018, doi: 10.23917/khif.v4i2.7061.

D. W. Nugraha, A. Y. E. Dodu, and N. Chandra, “Klasifikasi Penyakit Stroke Menggunakan Metode Naive Bayes Classifier (Studi Kasus Pada Rumah Sakit Umum Daerah Undata Palu),” semanTIK, vol. 3, no. 2, pp. 13—22, 2017.

R. Wibowo and H. Indriyawati, “Top-k Feature Selection Untuk Deteksi Penyakit Hepatitis Menggunakan Algoritme Naive Bayes,” J. Buana Inform., vol. 11, no. 1, p. 1, 2020, doi: 10.24002/jbi.v11i1.2456.

A. Syarifudin, N. Hidayat, and L. Fanani, “Sistem Pakar Diagnosis Penyakit Pada Tanaman Jagung Menggunakan Metode Naive Bayes Berbasis Android,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 2, no. 4, pp. 1492—1500, 2018.

A. A. Syafitri Hidayatul AA, Yuita Arum S, “Seleksi Fitur Information Gain untuk Klasifikasi Penyakit Jantung Menggunakan Kombinasi Metode K-Nearest Neighbor dan Naive Bayes,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 2, no. 9, pp. 2546—2554, 2018.

S. Sen, L. Sahoo, K. Tiwary, V. Simic, and T. Senapati, “Wireless Sensor Network Lifetime Extension via K-Medoids and MCDM Techniques in Uncertain Environment,” Appl. Sci., vol. 13, no. 5, 2023, doi: 10.3390/app13053196.

A. Harris and A. E. Mintaria, “Komparasi Information Gain , Gain Ratio , CFs-Bestfirst dan CFs-PSO Search Terhadap Performa Deteksi Anomali,” vol. 5, pp. 332—343, 2021, doi: 10.30865/mib.v5i1.2258.

M. Eghtesadifard, P. Afkhami, and A. Bazyar, “An integrated approach to the selection of municipal solid waste landfills through GIS, K-Means and multi-criteria decision analysis,” Environ. Res., vol. 185, no. March, p. 109348, 2020, doi: 10.1016/j.envres.2020.109348.

M. R. Hasibuan and Marji, “Pemilihan Fitur dengan Information Gain untuk Klasifikasi Penyakit Gagal Ginjal menggunakan Metode Modified K-Nearest Neighbor ( MKNN ),” vol. 3, no. 11, pp. 10435—10443, 2019.

K. M. Khoirunnisak, “Sistem Pakar Diagnosa Penyakit Pada Tanaman Jagung Dengan Metode Dempster Shafer,” 2020.

E. Sugiharto, I. -, and I. D. Wijaya, “Sistem Rekomendasi Tempat Wisata di Malang Raya Dengan Metode Fuzzy Berbasis Web,” J. Apl. Dan Inov. Ipteks “Soliditas,” vol. 4, no. 1, p. 8, 2021, doi: 10.31328/js.v4i1.1731.

Y. Kustiyahningsih, “Feature Selection and K-nearest Neighbor for Diagnosis Cow Disease,” Int. J. Sci. Eng. Inf. Technol., vol. 5, no. 02, pp. 249—253, 2021, doi: 10.21107/ijseit.v5i02.10218.

M. Marlina, W. Saputra, B. Mulyadi, B. Hayati, and J. Jaroji, “Aplikasi sistem pakar diagnosis penyakit ispa berbasis speech recognition menggunakan metode naive bayes classifier,” Digit. Zo. J. Teknol. Inf. dan Komun., vol. 8, no. 1, pp. 58—70, 2017, doi: 10.31849/digitalzone.v8i1.629.

Indriyanti, D. Sugianti, and M. A. Al Karomi, “Peningkatan Akurasi Algoritma KNN dengan Seleksi Fitur G ain Ratio untuk Klasifikasi Penyakit Diabetes Mellitus,” IC-Tech, vol. 7, no. 2, pp. 1—6, 2017.

M. Rizki, M. Arhami, and Huzeni, “Perbaikan Algoritma Naive Bayes Classifier Menggunakan Teknik Laplacian Correction,” J. Teknol., vol. 21, no. 1, p. 7, 2021.