KOMPARASI SUPPORT VECTOR MACHINE DAN NEURAL NETWORK UNTUK PREDIKSI KELULUSAN SERTIFIKASI BENIH KENTANG

Usep Tatang Suryadi

Abstract


Sertifikasi benih merupakan masalah penting bagi petani karena merupakan salah satu upaya menjaga kualitas benih. Penelitian untuk memprediksi kelulusan sertifikasi benih dengan menggunakan teknik data mining masih jarang dilakukan, dari beberapa penelitian dengan konteks yang sama, yaitu penerapan metode data mining untuk klasifikasi kelulusan dengan jenis data dan kelas yang sama, yaitu dua kelas Lulus dan Tidak Lulus. Metode Neural Network memliliki performa yang baik dibandingkan dengan metode Support Vector Machine yang mampu memberikan solusi secara global optimum. Penelitian ini membandingkan akurasi metode Neural Network dan Support Vector Machine untuk menyelesaikan masalah prediksi kelulusan sertifikasi benih. Proses validasi menggunakan Split Validation, sedangkan pengujian model menggunakan metode Confusion Matrix dan ROC Curve. Hasil pengujian menunjukkan model dengan metode Neural Network memiliki akurasi sebesar 96.61% dan nilai AUC sebesar 0.997 sedangkan untuk metode Support Vector Machine memiliki nilai akurasi sebesar 98.91% dan nilai AUC sebesar 1.000. Sehingga dapat disimpulkan penerapan metode Support Vector Machine lebih baik dari Neural Network pada data sertifikasi benih kentang.


Full Text:

PDF (Indonesian)

References


Baharuddin, Nurbaya, Kuswinanti, T., Lologau, B. A., (2011), Effect of Clostridium spp in the Control of Ralstonia solanacearum on Potato Using Aerophonic Cultivated System, alamat URL lengkap dapat diakses pada http://Frepository.unhas.ac.id/bitstream/handle/123456789/769/makalah/bahar.doc

BPSBTPH P Jawa Barat Tahun 2012(2013). Laporan Tahunan kegiatan BPSBTPH Prov. Jawa Barat. Bandung.

Pattiserlihun, A., dkk (2010). Aplikasi Jaringan Syaraf Tiruan (Artificial Neural Network) pada Pengenalan Pola Tulisan. Prosiding pertemeuan ilmiah XXV HFI Jateng & DIY.

Sayad, S., Model Evaluation-Clasification. [online] 2013. (http://www.saedsayad.com/model_evaluation_c.htm).

Florin Gorunescu (2011), Data Mining: Concepts, Model and Techniques, Prof. Janusz Kacprzyk and Prof. Lakhmi C. Jain, Eds. Berlin, Jerman: Springer. vol. 12.

Mulyanto, A. (2009). “Sistem Informasi Konsep & Aplikasi”. Yogyakarta: Pustaka Pelajar.

Jamuna, K.S., Karvagavali, S., Vijaya, M.S. (2010). Classification of Seed Cotton Yield based on the Growth stages of Cotton crop using Machine Learning Techniques, IEEE International Journal.

Revathi, P., Hemalatha, M., (2011). Categorize the Quality of Cotton Seeds Based on the Different Germination of the Cotton Using Machine Knowledge Approach, International Journal of Advanced Science and Technology Vol. 36, November, 2011.

Hastuti, K., (2012). Analisis Komparasi Algoritma Klasifikasi Data Mining untuk PrediksivMahasiswa Non Aktif, Seminar Nasional Teknologi Informasi & Komunikasi Terapan 2012 (Semantik 2012). Semarang, 23 Juni 2012.


Refbacks

  • There are currently no refbacks.