Perbandingan Efektivitas Metode K-Nearest Neighbor dan Naive Bayes dalam Data Pengamatan Kesehatan Tanaman
Keywords:
Klasifikasi, data mining, K-Nearest Neighbor, Naive Bayes, kesehatan tanaman, crisp-dmAbstract
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. Kesehatan tanaman merupakan kondisi fisik dan fisiologis yang mencerminkan kemampuan tanaman untuk tumbuh dan berkembang secara optimal, yang dipengaruhi oleh faktor biotik dan abiotik serta interaksi dengan mikroorganisme di sekitar rizosfer. Ketidakseimbangan unsur hara, stres lingkungan, dan keterbatasan sistem pemantauan tradisional yang bersifat subjektif sering menyebabkan kerugian ekonomi dan mengancam ketahanan pangan akibat tidak adanya pengetahuan mengenai gejala stress tanaman sehingga terjadilah kesalahan penanganan. Penelitian ini menggunakan metode CRISP-DM untuk memfasilitasi proses analisis data secara terstruktur, mulai dari identifikasi kebutuhan hingga implementasi hasil. Data yang digunakan pada penelitian ini merupakan data sekunder yang diperoleh dari studi pustaka dan repository online platform Kaggle. Data yang dikumpulkan dianalisis menggunakan teknik deskriptif kuantitatif untuk menilai kinerja masing-masing algoritma. 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. Penelitian ini diharapkan dapat mendukung pengambilan keputusan yang lebih tepat dan meningkatkan produktivitas di bidang pertanian.
References
A. L. Adiredjo and L. Soetopo, Pemuliaan Ketahanan Genetik Tanaman. Universitas Brawijaya Press, 2021.
F. and A. Organization, “Climate change fans spread of pests and threatens plants and crops, new FAO study Pests destroy up to 40 percent of global crops and cost $220 billion of losses.” Accessed: Feb. 02, 2025. [Online]. Available: https://www.fao.org/newsroom/detail/Climate-change-fans-spread-of-pests-and-threatens-plants-and-crops-new-FAO-study
P. P. Vedanty, “Perbandingan Metode K-Nearest Neighbor dan Naive Bayes Dalam Identifikasi Penyakit Daun Tanaman Obat,” 2024, Universitas Pendidikan Ganesha.
A. S. Huda, R. M. Awangga, and R. N. S. Fathonah, Prediksi Penerimaan Pegawai Baru Dengan Metode Naive Bayes, vol. 1. Kreatif, 2020.
M. R. Haditama, “Analisis dan pembuatan dashboard prediksi kelulusan mahasiswa menggunakan metode random forest, naïve bayes dan support vector machine,” 2023, Fakultas Sains dan Teknologi UIN Syarif HIdayatullah Jakarta.
M. Huda and M. Kom, Algoritma Data Mining: Analisis Data Dengan Komputer. bisakimia, 2019.
G. A. P. Febriyanti and A. Baita, “Comparison of Support Vector Machine and Decision Tree Algorithm Performance with Undersampling Approach in Predicting Heart Disease Based on Lifestyle,” J. Appl. Informatics Comput., vol. 9, no. 2, pp. 318–327, 2025.
I. Maulita and A. Wahid, “Prediksi Magnitudo Gempa Menggunakan Random Forest, Support Vector Regression, XGBoost, LightGBM, dan Multi-Layer Perceptron Berdasarkan Data Kedalaman dan Geolokasi (Predicting Earthquake Magnitude Using Random Forest, Support Vector Regression, XGBoost,” J. Pendidik. Dan Teknol. Indones., vol. 4, pp. 221–232, 2024.
N. Rahayu, “Aggarwal, CC (2018). Artificial Neural Network and Deep Learning. Springer. Anderson, JA (1995). An Introduction to Neural Networks. The MIT Press. Bahdanau, D., Cho, K., & Bengio, Y.(2015). Neural Machine Translation,” Deep Learn. Teor. Algoritm. dan Apl., vol. 9, p. 56, 2025.
N. A. Permana and H. Bunyamin, “Perbandingan Logistic Regression dengan Random Forest dalam Memprediksi Sentimen Pada IMDb Moview Review,” J. Strateg. Maranatha, vol. 6, no. 2, pp. 391–399, 2024.
G. S. Mahendra et al., Tren Teknologi AI: Pengantar, Teori, dan Contoh Penerapan Artificial Intelligence di Berbagai Bidang. PT. Sonpedia Publishing Indonesia, 2024.
R. M. Sari, V. Tasril, S. Wahyuni, and S. E. Putri, Klasifikasi Forecasting Mengunakan Algoritma Naive Bayes. Serasi Media Teknologi, 2024.
R. M. Sari, Klasifikasi Data Mining. Serasi Media Teknologi, 2024.
J. R. Sitinjak, M. H. H. Ichsan, and E. Setiawan, “Penerapan Metode Naive Bayes dalam Sistem Pendeteksi Kualitas Tanah pada Tanaman Kedelai,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 7, no. 6, pp. 2617–2622, 2023.
B. Aribowo and S. Fairuz, Panduan Praktis Machine Learning Klasifikasi Menggunakan Python: Diandra Kreatif. Diandra Kreatif, 2024.
G. Urva et al., PENERAPAN DATA MINING DI BERBAGAI BIDANG: Konsep, Metode, dan Studi Kasus. PT. Sonpedia Publishing Indonesia, 2023.
U. Sa’adah, M. Y. Rochayani, D. W. Lestari, and D. A. Lusia, Kupas Tuntas Algoritma Data Mining dan Implementasinya Menggunakan R. Universitas Brawijaya Press, 2021.
Y. Resti, C. Irsan, M. T. Putri, I. Yani, A. Ansyori, and B. Suprihatin, “Identification of corn plant diseases and pests based on dig[1] Y. Resti, C. Irsan, M. T. Putri, I. Yani, A. Ansyori, and B. Suprihatin, “Identification of corn plant diseases and pests based on digital images using multinomial naïve bayes and k-nearest n,” Sci. Technol. Indones., vol. 7, no. 1, pp. 29–35, 2022.