Publisher

UNHUNH

Journal JURNAL AKADEMIKAJURNAL AKADEMIKA Abstract

Seperti kebanyakan tanaman perkebunan pada umumnya, tanaman karet dapat diserang oleh berbagai penyakit yang berasal dari jamur, hama, hewan, bahkan sel kanker. Untuk itu, diperlukan metode yang mampu mendiagnosis penyakit karet. Dalam penelitian sebelumnya terkait diagnosis penyakit tanaman, metode yang digunakan antara lain adalah metode *forward chaining* dan *certainty factor*. Penelitian ini mengembangkan analisis hasil diagnosis penyakit tanaman karet menggunakan metode sistem pakar. Pemilihan metode ini didasari pada kemampuannya untuk secara intuitif menyerupai cara kerja otak manusia. Dengan metode ini, diharapkan diagnosis penyakit tanaman karet dapat membantu petani dalam mendeteksi gejala lebih awal sehingga produktivitas perkebunan karet dapat ditingkatkan. Hasil penelitian menunjukkan bahwa dari perhitungan yang dilakukan untuk mendiagnosis penyakit tanaman karet, dengan menggunakan 161 data objek tanaman karet yang dilengkapi 33 gejala identitas dan diagnosis dari data perkebunan, serta pengujian 60 data tanaman karet tanpa label diagnosis, diperoleh nilai akurasi sebesar 81,28%. Pengujian dengan pengacakan data pelatihan menggunakan *Cross Validation* juga menghasilkan nilai yang berdekatan.

Conclusion

Dari hasil perhitungan yang dilakukan dalam mendiagnosis penyakit tanaman karet sebanyak 161 data objek tanaman karet yang dilengkapi dengan identitas 33 gejala serta diagnosis dari data perkebunan, kemudian diujikan 60 data tanaman karet yang tidak ada label diagnosis, kami memperoleh nilai akurasi sebesar 81.Begitu juga pengujian dengan pengacakan data training dengan Cross Validation diperoleh hasil yang berdekatan.

Future Research

Sistem diagnosis penyakit tanaman karet berbasis website ini telah menunjukkan potensi besar dalam membantu petani. Namun, beberapa arah penelitian lanjutan dapat dieksplorasi untuk meningkatkan kapabilitasnya secara signifikan. Pertama, perlu diteliti lebih lanjut bagaimana akurasi diagnosis dapat ditingkatkan di atas capaian 81,28%. Hal ini bisa dilakukan dengan memperluas basis data gejala dan jenis penyakit yang lebih bervariasi, serta mengintegrasikan metode *forward chaining* yang ada dengan teknik kecerdasan buatan lain seperti algoritma *machine learning* (misalnya, Jaringan Saraf Tiruan) untuk menciptakan model prediksi yang lebih kuat dan adaptif terhadap kasus penyakit yang kompleks atau dengan gejala yang ambigu. Kedua, penelitian dapat berfokus pada pengembangan fungsionalitas sistem agar tidak hanya mendiagnosis, tetapi juga memberikan rekomendasi penanganan yang komprehensif dan spesifik. Ini mencakup saran mengenai jenis dan dosis pestisida, strategi pencegahan, atau praktik pemeliharaan tanaman yang optimal, yang disajikan secara intuitif dan mudah dipahami oleh petani awam. Ketiga, sebuah arah penelitian yang inovatif adalah menjajaki integrasi sistem ini dengan teknologi *Internet of Things* (IoT) dan pengenalan citra digital. Dengan demikian, sistem dapat otomatis mendeteksi gejala fisik tanaman melalui sensor atau analisis gambar, mengurangi ketergantungan pada input manual dan memungkinkan diagnosis yang lebih cepat serta objektif. Pertanyaan kuncinya adalah bagaimana mengatasi tantangan teknis dalam implementasi sensor dan pengenalan citra di lingkungan perkebunan untuk memastikan keakuratan dan keandalan diagnosis secara *real-time*.

References

1. DOI Name 10.1109 Values. doi name values index type timestamp data email 57z doiadmin cnri reston va... doi.org/10.1109DOI Name 10 1109 Values doi name values index type timestamp data email 57z doiadmin cnri reston va doi 10 1109

Subjects

1. #expert system#expert system
2. #case based reasoning#case based reasoning

Metadata

File size	851.52 KB
Pages	7
Short Link	https://juris.id/p-2Qo
Lookup Links	Google ScholarGoogle Scholar, Semantic ScholarSemantic Scholar, CORE.ac.ukCORE.ac.uk, WorldcatWorldcat, ZenodoZenodo, Research GateResearch Gate, Academia.eduAcademia.edu, OpenAlexOpenAlex, Hollis HarvardHollis Harvard
DMCA	Report