Klasifikasi Penyakit Daun Padi Menggunakan Algoritma K-Nearest Neighbors (KNN)
Keywords:
Klasifikasi penyakit, daun padi, K-Nearest Neighbors, machine learningAbstract
Penyakit daun padi, seperti brown spot dan hawar daun, dapat menyebabkan penurunan hasil panen yang signifikan. Algoritma KNN dipilih karena kemampuannya dalam klasifikasi berbasis instance dengan akurasi yang cukup tinggi. Dataset yang digunakan terdiri dari 759 gambar daun padi yang terbagi dalam empat kelas. Proses cross-validation digunakan untuk menentukan nilai K optimal, dengan hasil K=3 yang memberikan akurasi terbaik. Model ini diuji dengan data validasi dan data testing, menunjukkan akurasi sebesar 54% pada data validasi dan 85% pada data testing. Hasil penelitian menunjukkan bahwa model KNN efektif untuk mendeteksi penyakit daun padi, terutama pada kelas brown spot dan daun sehat. Temuan ini penting untuk pengembangan sistem deteksi dini penyakit tanaman, yang dapat membantu petani dalam mengelola tanaman mereka secara lebih efektif.
References
[1] Agustiani, S., Tajul Arifin, Y., Junaidi, A., Khotimatul Wildah, S., & Mustopa, A. (n.d.). Klasifikasi Penyakit Daun Padi menggunakan Random Forest dan Color Histogram 1,*) (Vol. 10, Issue 1). https://www.kaggle.com/vbookshelf/rice-leaf-
[2] Agustin, D., Yupianti, ) ;, Rizka, ) ;, & Alinse, T. (n.d.). Prototype Of Android-Based Face Detection Attendance Application Using Hog Method At PT. Thamrin Brothers Seluma Prototype Aplikasi Absensi Face Detection Berbasis Android Menggunakan Metode Hog Pada PT. Thamrin Brothers Seluma. In Jurnal Komputer Indonesia (Vol. 1, Issue 2).
[3] Bianome, R. M., Nabuasa, Y. Y., & Sina, D. R. (2020). DIAGNOSA HAMA DAN PENYAKIT PADA TANAMAN PADI MENGGUNAKAN METODE NAIVE BAYES DAN K-NEAREST NEIGHBOR. Jurnal Komputer Dan Informatika, 8(2), 156–162. https://doi.org/10.35508/jicon.v8i2.2906
[4] Danang Krismawan, A. (2024). Seminar Nasional Riset dan Inovasi Teknologi (SEMNAS RISTEK) 2024 Jakarta.
[5] Dirjen, S. K., Riset, P., Pengembangan, D., Dikti, R., Andono, P. N., & Rachmawanto, E. H. (2017). Terakreditasi SINTA Peringkat 2 Evaluasi Ekstraksi Fitur GLCM dan LBP Menggunakan Multikernel SVM untuk Klasifikasi Batik. Masa Berlaku Mulai, 1(3), 1–9. https://doi.org/10.29207/resti.v5i1.265
[6] 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
[7] Khatib Sulaiman, J., Diba, F., Silvi Lydia, M., Sihombing, P., & Sumatera Utara, U. (n.d.). Analisis Random Forest Menggunakan Principal Component Analysis Pada Data Berdimensi Tinggi. Indonesian Journal of Computer Science.
[8] Khatib Sulaiman, J., Pongdatu, G. A., Rusman, J., & Artikel Abstrak, I. (n.d.). KLASIFIKASI PENYAKIT PADA TANAMAN KOPI ARABIKA MENGGUNAKAN METODE K-NEAREST NEIGHBOR (KNN) BERBASIS CITRA. Indonesian Journal of Computer Science.
[9] Mahrus Fathoni, F., Aji Putra, C., Lina Nurlaili, A., Ilmu Komputer, F., Pembangunan Nasional, U., & Timur, J. (2024). KLASIFIKASI PENYAKIT DAUN ANGGUR MENGGUNAKAN METODE K-NEAREST NEIGHBOR BERDASARKAN GRAY LEVEL CO-OCCURRENCE MATRIX. 3(1). https://ojs.unsiq.ac.id/index.php/biner
[10] Purnamawati, A., Nugroho, W., Putri, D., & Hidayat, W. F. (2020). InfoTekJar : Jurnal Nasional Informatika dan Teknologi Jaringan Attribution-NonCommercial 4.0 International. Some rights reserved Deteksi Penyakit Daun pada Tanaman Padi Menggunakan Algoritma Decision Tree, Random Forest, Naïve Bayes, SVM dan KNN. 5(1). https://doi.org/10.30743/infotekjar.v5i1.2934
[11] Rachmawanto, E. H., & Hadi, H. P. (n.d.). OPTIMASI EKSTRAKSI FITUR PADA KNN DALAM KLASIFIKASI PENYAKIT DAUN JAGUNG. 22(2), 2021.
[12] Verawati, I., & Aunurrohim, R. A. A. (2024). Klasifikasi Penyakit Daun Padi Menggunakan KNN dengan GLCM dan Canny Edge Detection. JURNAL MEDIA INFORMATIKA BUDIDARMA, 8(1), 517. https://doi.org/10.30865/mib.v8i1.6906
[13] Wahyudi Rustanto, D., Liantoni, F., & Pradana Taufik Prakisya, N. (2024). Identifikasi Penyakit Daun pada Tanaman Padi Menggunakan Ekstraksi Fitur Gray Level Co-occurrence Matrix (GLCM) dan Metode K-Nearest Neighbour (KNN). 12(1). https://doi.org/10.26418/justin.v12i1.69752
[14] F. H. Hawari, F. Fadillah, M. R. Alviandi, and T. Arifin, “Klasifikasi Penyakit Tanaman Padi Menggunakan Algoritma Cnn (Convolutional Neural Network),” J. Responsif Ris. Sains dan Inform., vol. 4, no. 2, pp. 184–189, 2022, doi: 10.51977/jti.v4i2.856.
Downloads
Published
Issue
Section
License
Seluruh artikel yang diterbitkan dalam eProsiding Teknik Informatika (PROTEKTIF) dilisensikan di bawah ketentuan Prodi. Dengan lisensi ini, penulis tetap memegang hak cipta atas karyanya, sementara pihak lain diizinkan untuk menyalin, mendistribusikan, menampilkan, dan membuat karya turunan dari artikel yang diterbitkan, baik untuk keperluan komersial maupun non-komersial, selama memberikan pengakuan yang layak kepada penulis asli dan eProsiding Teknik Informatika (PROTEKTIF) sebagai sumber publikasi.
Setiap karya turunan wajib disebarluaskan menggunakan lisensi yang sama. Lisensi ini mendukung prinsip akses terbuka (open access) untuk mendorong diseminasi ilmu pengetahuan secara bebas dan bertanggung jawab.
