Mohamad Solahudin
Department Of Mechanical And Biosystem Engineering, Faculty Of Agricultural Engineering And Technology, IPB University, Bogor, Indonesia

Published : 32 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search
Journal : Jurnal Ilmu Komputer dan Agri-Informatika

Perbandingan Algoritma Klasifikasi untuk Mendeteksi Kebutuhan Nitrogen Tanaman Padi Berdasarkan Data Citra Multi-spectral Drone Kahfi Gunardi; Karlisa Priandana; Medria Kusuma Dewi Hardhienata; Wulandari; Mohamad Solahudin
Jurnal Ilmu Komputer dan Agri-Informatika Vol. 10 No. 2 (2023)
Publisher : Departemen Ilmu Komputer, Institut Pertanian Bogor

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29244/jika.10.2.238-249

Abstract

Optimalisasi penggunaan pupuk Nitrogen (N) sangat penting untuk meningkatkan produktivitas tanaman padi. Untuk mengetahui jumlah pupuk yang diperlukan oleh tanaman padi, petani umumnya menggunakan Bagan Warna Daun (BWD) dengan cara mencocokkan warna daun padi dengan warna pada BWD secara manual. Namun, hal ini sangat memakan waktu. Salah satu strategi untuk meningkatkan efisiensi penentuan kebutuhan pupuk N adalah dengan menggunakan Multi-spectral Drone. Drone digunakan untuk mengambil citra multispectral, kemudian citra ini digunakan untuk menentukan kebutuhan pupuk N. Penelitian ini membandingkan beberapa algoritma klasifikasi untuk memodelkan kebutuhan pupuk N dari data citra multispectral, dengan menggunakan ground truth dari penskalaan BWD. Algoritma klasifikasi yang dibandingkan yaitu Decision Tree (DT), Artificial Neural Network (ANN), Support Vector Machine (SVM), Random Forest (RF), dan K-Nearest Neighbour (KNN). Kinerja kelima algoritma klasifikasi diukur berdasarkan accuracy, recall, precision dan F1 score. Dalam penelitian ini, ditemukan bahwa model klasifikasi yang memiliki kinerja terbaik adalah algoritma Decision Tree (DT) baik dalam perlakuan tanpa normalisasi dan balancing dan dengan normalisasi dan balancing dengan nilai accuracy, recall, precision, dan­­­ F1-score di atas 90%.