Penerapan Algoritma Random Forest dengan Kombinasi Ekstraksi Fitur Untuk Klasifikasi Penyakit Daun Tomat

Khultsum, Umi; Subekti, Agus

doi:10.30865/mib.v5i1.2624

Cited by 7 publications

(5 citation statements)

References 13 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Maka dari fenomena diatas peneliti menggunakan Random Forest dalam menyelesaikan permasalahan tersebut [3][4] [5]. Random Forest yang berarti ialah menggabungkanbeberapa model (pohon keputusan) bekerja dengan cara menghasilkan banyak pohon keputusan secara acak dan menggabungkan hasil prediksi dari masing-masing pohon [6] [7], keputusan tersebut untuk membuat prediksi siswa terbaik yang lebih akurat [8] [9][10] [11] [6]. Diharap dengan adanya penelitian ini dapat menjadi jawaban atas klasifikasi siswa terbaik [12][13] [14].…”

Section: Pendahuluanunclassified

Best Student Classification using Ensemble Random Forest Method

Mrg,

Hasibuan

2024

SISTEMASI

View full text Add to dashboard Cite

Education at Madrasah Aliyah Negeri 1 Medan considers religious values, ethics, leadership, and participation in extracurricular activities as an integral part of student character building. Therefore, it is necessary to develop a classification system that integrates these various aspects to ensure that the best students not only excel in academic exams but also have strong social, leadership, moral and extracurricular abilities. The purpose of this research is to implement the Random Forest Ensemble method in predicting the best students of MAN 1 Medan and build a system in predicting the best students of MAN 1 Medan using the Random Forest Ensemble method. The data used is 550 divided into 385 data as Training data and 165 Testing data. In the implementation of Random Forest with three decision trees formed from entropy calculations on 385 training data, followed by testing using 10 testing data from a total of 165 existing data, the results show that the model predicts 8 data as class 1 (best students) and 2 data as class 0 (normal students) from a total of 10 testing data. From the test results using 385 training data and 165 testing data, the Random Forest model predicted 70 data as the best students (class 1) and 95 data as normal students (class 0) with high precision for both classes (0.94 for class 0 and 0.99 for class 1), as well as high recall for both classes (0.92 for class 0 and 0.99 for class 1) The overall accuracy reached 0.96, confirming the model's ability to classify the data well overall.

show abstract

Section: Pendahuluanunclassified

Best Student Classification using Ensemble Random Forest Method

Mrg,

Hasibuan

2024

SISTEMASI

View full text Add to dashboard Cite

show abstract

“…Dalam beberapa penelitian yang telah dilakukan, terbukti bahwa penggunaan algoritma Random Forest menghasilkan akurasi tertinggi dibandingkan algoritma lainnya dalam mengklasifikasikan penyakit Covid-19 dengan citra CT Scan dengan akurasi akurasi sebesar 96,9% [9]. Dalam penetilian lainnya juga dilakukan dengan menerapkan algoritma Random Forest dan kombinasi fitur esktraksi untuk klasifikasi penyakit pada tanaman tomat dengan akurasi 96% [10].…”

Section: Pendahuluanunclassified

Klasifikasi Penyakit Daun Padi menggunakan Random Forest dan Color Histogram

et al. 2022

View full text Add to dashboard Cite

Indonesia is an agrarian country, which is a sector that plays an important role most of the Indonesian population makes agriculture the main focus, but the function of rice fields into housing or industry has resulted in a decrease in rice production, in addition to pests, diseases, unfavorable weather, Irrigation is not smooth resulting in less than the maximum yield. For this reason, it is necessary to have technology that can implement the process of detecting rice leaf disease in order to provide information to farmers about rice leaf damage. The most modern approach today can be done with machine learning or deep learning by using various algorithms to improve recognition and accuracy in the detection and diagnosis of plant diseases. Based on this, this study aims to propose a method of classifying rice leaf diseases in order to provide information to farmers about rice leaves which are expected to reduce the disease by detecting the disease early so as to increase rice production. In this study, the classification process is carried out using the augmented image, then the Color Histogram feature extraction method is applied, and the classification is carried out using the Random Forest algorithm. In addition, this study also conducted several comparisons, including feature extraction and yahoo to get the results, and the highest results reached 99.65% of the proposed method. Keywords: Color Histogram; Rice Leaf Disease; Random Forest.

show abstract

“…Ekstraksi fitur warna pada citra dilakukan dengan cara membandingkan nilai RGB yang membentuk citra tersebut. Dari hasil penelitian ini [16] menunjukkan tingkat akurasi mencapai 96% dalam ekstraksi fitur ciri warna. Adapun dari penelitian lainnya menjelaskan bahwa ekstraksi ciri warna digunakan apabila objek-objek yang akan dikenali mempunyai warna yang berbeda, parameter-parameter warna didapat dengan cara menormalisasi setiap komponen RGB (Red Green Blue) pada citra [17].…”

Section: √∑unclassified

Ekstraksi Fitur Warna Citra Daun Untuk Klasifikasi Skala Klorofil dan Rekomendasi Pemupukan

Guntara

2022

jmp

View full text Add to dashboard Cite

Rekomendasi pemupukan berdasarkan tingkat kehijauan daun sudah lumrah dilakukan. Namun saat ini masih terbatas dilakukan secara tradisional yaitu dengan mengandalkan bagan warna daun. Belum ada penelitian khususnya pada tanaman jeruk yang mengklasifikasikan tingkat skala klorofil daun untuk rekomendasi pemupukannya. Pada penelitian ini akan menggunakan teknologi API Clarifai dan algoritma K-Nearest Neighbor (KNN) untuk membangun aplikasi berbasis android yang dapat secara otomatis mengukur tingkat skala klorofil daun jeruk serta dapat memberikan rekomendasi pemupukan yang tepat. API Clarifai digunakan sebagai alat bantu pemrosesan citra daun. Proses yang dilakukan adalah ekstraksi ciri/fitur pada citra tersebut. Ciri yang dieksraksi adalah ciri warna yang paling dominan mendominasi citra daun. Sedangkan algoritma K-Nearest Neighbor (KNN) digunakan sebagai metode klasifikasi citra daun tersebut. Klasifikasi berdasarkan tingkat kehijauan daun sesuai dengan bagan warna daun standar (BWD). Hasil penelitian menunjukkan tingkat akurasi mencapai 90% untuk ekstraksi warna. Sedangkan hasil klasifikasi dengan KNN menghasilkan akurasi mencapai 90% denan nilai K=2. Berdasarkan hasil penelitian dapat disimpulkan bahwa penggunaan API Clarifai dan KNN untuk klasifikasi tingkat kehijauan daun memiliki akurasi yang tinggi. Untuk penelitian lebih lanjut, dapat dilakukan dengan penambahan ekstraksi fitur lainnya seperti bentuk, tekstur, dan lainnya. Selain itu, penggunaan metode klasifikasi lainnya untuk meningkatkan kinerja algoritma KNN dapat juga diterapkan.

show abstract

Penerapan Algoritma Random Forest dengan Kombinasi Ekstraksi Fitur Untuk Klasifikasi Penyakit Daun Tomat

Cited by 7 publications

References 13 publications

Best Student Classification using Ensemble Random Forest Method

Best Student Classification using Ensemble Random Forest Method

Klasifikasi Penyakit Daun Padi menggunakan Random Forest dan Color Histogram

Ekstraksi Fitur Warna Citra Daun Untuk Klasifikasi Skala Klorofil dan Rekomendasi Pemupukan

Contact Info

Product

Resources

About