UWKSUWKS

KARSA NUSANTARAKARSA NUSANTARA

Tujuan dari penelitian ini yakni untuk membandingkan efektivitas dua metode klasifikasi, K-Nearest Neighbor (K-NN) dan Naïve Bayes, dalam memantau kesehatan tanaman berdasarkan data lingkungan seperti suhu, kelembapan, intensitas cahaya, dan kandungan unsur hara lainnya. Penelitian ini menggunakan metode CRISP-DM untuk memfasilitasi proses analisis data secara terstruktur, mulai dari identifikasi kebutuhan hingga implementasi hasil. Hasil penelitian menunjukkan bahwa Naïve Bayes mencapai akurasi lebih tinggi sebesar 76,25%, sementara K-NN menunjukkan akurasi sebesar 52,92%. Hasil ini menunjukkan bahwa metode Naïve Bayes dengan pendekatan berbasis probabilistik lebih efektif dalam memantau kesehatan tanaman dan dapat digunakan sebagai solusi dalam pengelolaan pertanian berbasis teknologi.

Metode Naïve Bayes lebih efektif dibandingkan K-Nearest Neighbor dalam klasifikasi kesehatan tanaman, dengan akurasi sebesar 76,25% dan kinerja lebih seimbang dalam mendeteksi berbagai status kesehatan, terutama stres tinggi.

Bagaimana penggabungan teknik validasi silang dapat meningkatkan kestabilan dan generalisasi model Naïve Bayes untuk pemantauan kesehatan tanaman secara real‑time? Apakah penggunaan algoritma ensemble seperti Random Forest dapat memberikan peningkatan signifikan dibandingkan Naïve Bayes dan K‑Nearest Neighbor dalam mengatasi variabilitas data sensor tanaman? Bagaimana penerapan metode transfer learning pada data sensor tanaman dapat mempercepat pelatihan model pada daerah yang memiliki keterbatasan data mentah?.

Read online
File size797.13 KB
Pages8
DMCAReport

Related /

ads-block-test