Mahardika, Kukuh Wiliam (2018) Optimasi K-Nearest Neighbour Menggunakan Particle Swarm Optimization Pada Sistem Pakar Untuk Monitoring Pengendalian Hama Pada Tanaman Jeruk. Sarjana thesis, Universitas Brawijaya.
Abstract
Jeruk di Indonesia merupakan salah satu komoditas nasional memiliki potensi daya saing yang tinggi dalam perekonomian lokal hingga ke luar negeri. Namun produksi Jeruk Indonesia sejak 2006 sampai 2015 mengalami penurunan. Salah satu penyebab penurunan ini adalah hama. Oleh karena itu dibutuhkan suatu sistem yang dapat memonitor pengendalian hama pada tanaman Jeruk. Metode PSO-KNN merupakan salah satu metode yang dapat digunakan untuk menyelesaikan masalah klasifikasi dengan banyak fitur. Metode ini adalah gabungan dari 2 metode yaitu K-Nearest Neighbour dan Particle Swarm Optimization. K-Nearest Neighbour (KNN) digunakan untuk mengklasifikasikan hama berdasarkan perhitungan kemiripan dari data yang sudah ada. Particle Swarm Optimization (PSO) digunakan untuk melakukan optimasi nilai k dan seleksi fitur pada dataset KNN dan kemudian mengevaluasi akurasi yang dihasilkan pada KNN. Dari hasil pengujian yang telah dilakukan dapat diambil kesimpulan bahwa nilai dari parameter PSO yang terbaik yaitu iterasi sebesar 151, popsize yaitu 25, nilai c1 yaitu 1, nilai c2 yaitu 1,2 dan nilai w yaitu 0,9. Terjadi peningkatan akurasi pada sebelum dan sesudah optimasi yaitu akurasi tertinggi pada KNN mencapai 90%, dan akurasi tertinggi pada PSO-KNN mencapai 96,25%. Adanya peningkatan akurasi menunjukkan bahwa PSO mampu memperbaiki kekurangan yang ada pada KNN.
English Abstract
Orange in Indonesia is one of the national commodities have the potential of high competitiveness in the local economy to abroad. The production of Indonesian Orange from 2006 to 2015 has decreased. One of the causes of this decline is pests. Therefore we need a system that can identify pests in citrus plants. The PSO-KNN method is one method that can be used to solve classification problems with many features. This method is a combination of 2 methods namely K-Nearest Neighbour and Particle Swarm optimization. K-Nearest Neighbors (KNN) are used to classify pests based on similarity calculations from existing data. Particle swarm optimization (PSO) is used to perform k value optimization and feature selection on KNN dataset and then evaluate the accuracy generated on KNN. From the results of tests that have been done can be concluded that the value of the best PSO parameter iteration is 151, popsize is 25, the value of c1 is 1, the value of c2 is 1.2 and w is 0.9. There was an increase in accuracy before and after optimization that is the highest accuracy of KNN reaches 90%, and the highest accuracy of PSOKNN reached 96.25%. Improved accuracy indicates that the PSO algorithm is able to correct the deficiency that exist in KNN.
| Item Type: | Thesis (Sarjana) |
|---|---|
| Identification Number: | SKR/FTIK/2018/135/051801122 |
| Uncontrolled Keywords: | Jeruk, Hama, Seleksi Fitur, KNN, PSO-KNN, Particle Swarm Optimization |
| Subjects: | 000 Computer science, information and general works > 003 Systems > 003.1 System identification |
| Divisions: | Fakultas Ilmu Komputer > Teknik Informatika |
| Depositing User: | Yusuf Dwi N. |
| Date Deposited: | 28 Jun 2018 02:22 |
| Last Modified: | 26 Oct 2021 08:02 |
| URI: | http://repository.ub.ac.id/id/eprint/11681 |
Preview |
Text
BAB VI.pdf Download (921kB) | Preview |
Preview |
Text
BAB VII.pdf Download (461kB) | Preview |
Preview |
Text
Bagian Depan.pdf Download (1MB) | Preview |
Preview |
Text
BAB I.pdf Download (505kB) | Preview |
Preview |
Text
Daftar Pustaka.pdf Download (497kB) | Preview |
Preview |
Text
10. Lampiran.pdf Download (2MB) | Preview |
Preview |
Text
BAB II.pdf Download (936kB) | Preview |
Preview |
Text
BAB III.pdf Download (534kB) | Preview |
Preview |
Text
BAB V.pdf Download (782kB) | Preview |
Preview |
Text
BAB IV.pdf Download (1MB) | Preview |
Actions (login required)
 |
View Item |