<![CDATA[Serangan hama merupakan salah satu kendala utama dalam budi daya kelapa sawit yang dapat menurunkan produktivitas apabila tidak dideteksi sejak dini. Metode pengamatan manual yang selama ini digunakan pengelola perkebunan bersifat reaktif dan membutuhkan waktu lama, sehingga serangan hama sering baru diketahui setelah meluas. Penelitian ini bertujuan membangun model klasifikasi jenis hama kelapa sawit (Ulat Api, Ulat Kantong, dan Tikus) menggunakan algoritma Artificial Neural Network (ANN) berdasarkan data suhu udara, kelembaban, curah hujan, dan umur tanaman, serta menentukan konfigurasi arsitektur ANN yang optimal. Data primer dikumpulkan langsung dari perkebunan kelapa sawit di Desa Sukarame Baru, Kecamatan Kualuh Hulu, Kabupaten Labuhanbatu Utara, sebanyak 100 observasi mingguan sepanjang 2024, lalu diolah melalui normalisasi StandardScaler dan penyeimbangan kelas dengan SMOTE. Tiga skenario arsitektur ANN diuji (4-8-3, 4-10-8-3, dan 4-16-8-3) dengan fungsi aktivasi ReLU, Softmax, dan optimizer Adam. Hasil pengujian menunjukkan arsitektur 4-8-3 dan 4-16-8-3 menghasilkan accuracy tertinggi (70,0%), sementara 4-10-8-3 memperoleh accuracy 50,0%. Arsitektur 4-16-8-3 dipilih sebagai arsitektur terbaik karena precision, recall, dan F1-score yang sedikit lebih unggul. Penelitian ini menyimpulkan algoritma ANN mampu mengklasifikasikan jenis hama kelapa sawit berdasarkan parameter lingkungan, meskipun performa yang diperoleh masih moderat akibat keterbatasan jumlah dan variasi data.]]>
Copyrights © 2026
