Penerapan Metode Case Based Reasoning dan K-Nearest Neighbor untuk Diagnosa Penyakit dan Hama pada Tanaman Karet

Abstract

<jats:p>Petani karet di wilayah Kabupaten Tulang Bawang sering menemukan masalah seperti penyakit dan hama tanaman karet yang dapat mengakibatkan kematian pada tanaman karet, antara lain penyakit pada bidang sadap, dan hama penggangu seperti rayap dan kutu tanaman. Penyakit tersebut dapat dideteksi melalui gejala-gejala yang ditimbulkan. Akan tetapi untuk mengetahui jenis penyakit yang menyerang tanaman karet diperlukan seorang pakar pertanian dan perkebunan. Namun, saat ini petani di Tulang Bawang masih memliki kekurangan dalam hal pengetahuan untuk pencegehan dan penanganan penyakit tanaman karet. Untuk itu, diperlukan suatu sistem yang berisikan pengetahuan tertentu dalam hal kepakaran melalui pendekatan kemampuan manusia di salah satu bidang. Salah satunya adalah sistem pakar. Berbagai metode telah diterapkan untuk membangun sistem pakar, diantaranya adalah Metode Case Base Reasoning dan K-Nearest Neighbor. Metode ini digunakan untuk mencari solusi dari permasalahan berdasarkan pengalaman kasus masa lalu dan pendekatan untuk mencari kasus dengan menghitung kedekatan antara kasus baru dengan kasus lama. Hasil pengujian keakuratan kesesuaian antara data testing yang diperoleh dari pakar dengan hasil pengolahan sistem adalah sebesar 80%.</jats:p>

Case-Based Reasoning Diagnosis Penyakit Pada Tanaman Kelapa Sawit

“…Dari hasil pengujian kasus yang dibuat kemiripan yang dihasilkan sebesar 0.78. Selanjutnya penelitian [11] hasil pada penelitian tersebut menghasilkan nilai akurasi sistem sebesar 80% dengan objek penelitian hama dan penyakit tanaman karet. Penelitian [12] pada penelitian tersebut menghasilkan tingkat akurasi 80%, dengan objek penelitian mengenai hama dan penyakit pada tanaman anggrek.…”

Penerapan Algoritma K-Means dan K-Medoids dalam Pengelompokkan Data Inventaris Rig

“…Nilai DBI yang lebih kecil atau nilai positif terkecil yang mendekati 0 menunjukkan skema clustering yang paling optimal [16]. Jika jarak antar kelompok minimal berarti setiap objek dalam cluster mempunyai tingkat kemiripan karakteristik yang tinggi [17]. Untuk menghitung nilai DBI dapat menggunakan persamaan: 𝐃𝐁 = ∑ ( 𝛔𝐢+𝛔𝐢 𝐩…”

Penerapan Algoritma K-Means dan K-Medoid untuk Pengelompokkan Data Pasien Covid-19

“…DBI berfungsi untuk memaksimalkan jarak inter-cluster, dan juga mencoba meminimalkan jarak antar-titik pada cluster pada saat yang bersamaan [23][24] [25] Nilai rata-rata yang similar antara setiap cluster dan paling mirip merupakan ukuran dari DBI. Semakin kecil nilai DBI atau bernilai postif terkecil yang mendekati 0 maka menunjukkan skema cluster yang paling optimal [26]. Untuk Menghitung nilai DBI dapat menggunakan persamaan 4.…”