<![CDATA[Peningkatan prediksi kualitas buah apel melalui pendekatan machine learning dan analisis prediktif. Dengan menggunakan dataset yang mencakup berbagai variabel-variabel tersebut mencakup ukuran, berat, kemanisan, garing, juicy, kematangan, keasaman, dan kualitas sebagai variabel target. Penelitian ini berupaya memanfaatkan teknologi machine learning sebagai solusinya. Melalui pengumpulan data yang komprehensif mengenai berbagai karakteristik fisik dan kimia buah apel, serta penerapan berbagai algoritma klasifikasi seperti K-Nearest Neighbors, Random Forest, dan Extra Gradient Boosting, penelitian ini berhasil membangun model prediksi yang efektif. Setelah mengumpulkan dan memproses data yang relevan, berbagai algoritma klasifikasi, termasuk K-Nearest Neighbors, Random Forest, Decision Tree, Extra Trees Classifier, dan Extra Gradient Boosting, telah diterapkan untuk membangun model. Hasil evaluasi menunjukkan bahwa algoritma K-Nearest Neighbors memberikan akurasi tertinggi dalam memprediksi kualitas apel, yaitu 91,375%. Hal ini mengindikasikan bahwa model mampu mengidentifikasi pola yang kuat antara karakteristik fisik dan kimia buah apel dengan kualitasnya. Algoritma ensemble seperti Extra Gradient Boosting dan Extra Trees Classifier juga menunjukkan kinerja yang sangat baik. Nilai AUC yang tinggi menandakan kemampuan model dalam membedakan kelas dengan akurat. Dengan demikian, penelitian ini menjadi landasan untuk pengembangan lebih lanjut dalam memanfaatkan potensi machine learning dalam meningkatkan produktivitas dan kualitas hasil pertanian.]]>
Copyrights © 2024
