BUFNETSBUFNETS

Bulletin of Network Engineer and InformaticsBulletin of Network Engineer and Informatics

Identifikasi varietas padi yang akurat sangat penting untuk penilaian kualitas dan pengambilan keputusan berbasis data dalam informatika pertanian. Penelitian ini bertujuan untuk mengevaluasi secara komparatif tujuh algoritma pembelajaran mesin untuk klasifikasi beras Cammeo dan Osmancik berdasarkan morfologi dan mengidentifikasi model yang paling cocok untuk data fitur numerik beras. Menggunakan dataset dengan 3.810 contoh dan tujuh fitur morfologis yang diturunkan dari gambar, dilakukan perbandingan sistematis antara Regresi Logistik, Multi-Layer Perceptron (MLP), Support Vector Machine (SVM), Decision Tree, Random Forest, Naive Bayes, dan k-Nearest Neighbors. Model-model ini dievaluasi berdasarkan kualitas klasifikasi dan efisiensi komputasi. Hasil menunjukkan bahwa MLP mencapai kinerja prediktif keseluruhan tertinggi dengan akurasi 93,03% dan F1-score 94,17%. Namun, ketika menyeimbangkan akurasi dengan overhead komputasi, SVM muncul sebagai pilihan optimal untuk implementasi industri, menawarkan akurasi kompetitif 92,50% dengan pengurangan 93 kali lipat dalam waktu eksekusi dibandingkan dengan MLP. Naive Bayes menunjukkan waktu komputasi tercepat (0,0022 detik total). Penelitian ini mengidentifikasi adanya trade-off yang jelas antara kualitas prediktif dan efisiensi waktu eksekusi, merekomendasikan MLP untuk penelitian dengan tingkat detail tinggi dan SVM untuk aplikasi informatika pertanian waktu nyata.

Implementasi struktur prediksi otomatis secara ilmiah membutuhkan navigasi matematis yang sempurna antara batas klasifikasi mekanis yang diperlukan secara fundamental dan batasan pemrosesan temporal secara struktural secara alami.Penelitian sistemik selanjutnya sangat dianjurkan untuk menerapkan operasi matriks piksel neural cerdas secara penuh, menguji varian lingkungan multi-kategori, dan memetakan spesies biologis yang lebih luas.

Untuk penelitian lanjutan, perlu dipertimbangkan pengembangan algoritma yang mampu mengidentifikasi lebih dari dua spesies secara akurat. Selain itu, implementasi protokol skalabilitas fitur otomatis yang kuat sangat penting untuk menangani modifikasi pemetaan lingkungan eksternal. Penelitian selanjutnya juga dapat berfokus pada operasi matriks prediksi otomatis yang digerakkan oleh piksel neural untuk menguji varian lingkungan multi-kategori dan memetakan spesies biologis yang lebih luas.

  1. Comparative Analysis of Seven Machine Learning Algorithms for Morphology-Based Classification of Cammeo... doi.org/10.59688/scp7n107Comparative Analysis of Seven Machine Learning Algorithms for Morphology Based Classification of Cammeo doi 10 59688 scp7n107
  2. Rice (Cammeo and Osmancik) - UCI Machine Learning Repository. uci machine learning repository rice cammeo... doi.org/10.24432/C5MW4ZRice Cammeo and Osmancik UCI Machine Learning Repository uci machine learning repository rice cammeo doi 10 24432 C5MW4Z
Read online
File size916.62 KB
Pages7
DMCAReport

Related /

ads-block-test