Analisis kinerja algoritma machine learning dalam irigasi presisi menggunakan internet of things

Prakasa, Johan Ericka Wahyu ORCID: https://orcid.org/0000-0001-5571-9328, Hanani, Ajib and Puspitadewi, Ganis Chandra Analisis kinerja algoritma machine learning dalam irigasi presisi menggunakan internet of things. Research Report. UIN Maulana Malik Ibrahim Malang, Malang.

Text 21209.pdf Restricted to Repository staff only Download (118kB)

Abstract

Penelitian ini mengevaluasi kinerja beberapa algoritma pembelajaran mesin dalam penerapan irigasi presisi berbasis teknologi Internet of Things (IoT) untuk meningkatkan efisiensi penggunaan air dan produktivitas tanaman. Metode irigasi presisi menjadi solusi untuk mengurangi pemborosan air sekaligus meningkatkan hasil panen. Teknologi IoT memungkinkan pengumpulan data real-time terkait kelembaban tanah, suhu, kadar air, dan nutrisi dalam tanah yang dapat digunakan untuk menentukan kebutuhan irigasi secara otomatis. Penelitian ini membandingkan performa tujuh algoritma pembelajaran mesin, yaitu Random Forest, Logistic Regression, K-Nearest Neighbors (KNN), Support Vector Machine (SVM), Naive Bayes, Decision Tree, dan XGBoost, menggunakan dataset yang terdiri dari 37.922 data irigasi yang mencakup berbagai parameter lingkungan. Evaluasi kinerja dilakukan berdasarkan akurasi, presisi, recall, dan skor F1 untuk menentukan algoritma yang paling efektif dalam memprediksi kebutuhan irigasi. Hasil penelitian menunjukkan bahwa algoritma Random Forest dan XGBoost memberikan akurasi yang tinggi pada data yang kompleks, sedangkan algoritma yang lebih sederhana seperti KNN menunjukkan performa optimal untuk klasifikasi dasar.

Item Type:	Research (Research Report)
Keywords:	Irigasi Presisi; Internet of Things; Pembelajaran Mesin; Efisiensi Air; Pertanian Berkelanjutan
Subjects:	08 INFORMATION AND COMPUTING SCIENCES > 0801 Artificial Intelligence and Image Processing
Divisions:	Faculty of Technology > Department of Informatics Engineering
Depositing User:	Johan Ericka Wahyu Prakasa
Date Deposited:	07 Nov 2024 14:39

Downloads

Origin of downloads

Actions (login required)

View Item