Optimasi SVM-PSO untuk Identifikasi Penyakit Tanaman Kedelai
DOI:
https://doi.org/10.33795/jip.v12i3.9724Keywords:
Support Vector Machine, Particle Swarm Optimization, klasifikasi, penyakit tanaman kedelai, nilai kepercayaanAbstract
Penurunan hasil produksi tanaman kedelai umumnya dipengaruhi oleh serangan berbagai jenis penyakit, sehingga dibutuhkan suatu metode identifikasi yang mampu bekerja secara cepat, tepat, dan konsisten. Penelitian ini berfokus pada kategorisasi penyakit yang menyerang tanaman kedelai, dengan menerapkan algoritma Support Vector Machine (SVM) yang telah disempurnakan melalui pendekatan Particle Swarm Optimization (PSO).. Data yang digunakan dalam penelitian ini terdiri dari 35 jenis gejala yang dipetakan ke dalam 14 kategori penyakit berdasarkan nilai tingkat kepercayaan dengan rentang antara 0 hingga 1. Setiap gejala direpresentasikan dalam bentuk fitur numerik, sedangkan penentuan label kelas dilakukan berdasarkan nilai kepercayaan tertinggi dari masing-masing kategori penyakit. Tahapan penelitian meliputi proses prapengolahan data, normalisasi untuk menyetarakan skala nilai, Alokasi sumber daya data ke dalam kelompok pelatihan dan pengujian, diikuti dengan penerapan klasifikasi melalui metode Support Vector Machine (SVM). serta optimasi parameter model melalui pendekatan PSO guna memperoleh performa terbaik. Hasil pengujian menunjukkan bahwa model SVM tanpa optimasi menghasilkan tingkat akurasi sebesar 85%, sementara setelah dilakukan optimasi menggunakan PSO, akurasi meningkat menjadi 92%. Selain itu, nilai precision dan recall juga menunjukkan peningkatan yang signifikan. Hasil tersebut mengindikasikan bahwa penerapan PSO dalam optimasi parameter SVM Metode yang diajukan terbukti mampu meningkatkan performa model klasifikasi. Oleh karena itu, pendekatan ini memiliki potensi untuk dieksplorasi lebih lanjut sebagai solusi dalam pengembangan sistem cerdas di sektor pertanian. Secara spesifik, metode ini dapat berkontribusi pada pembangunan sistem diagnosis penyakit kedelai yang otomatis dan akurat.
Downloads
References
Aguerchi, K., Jabrane, Y., Habba, M., & El Hassani, A. H. (2024). A CNN Hyperparameters Optimization Based on Particle Swarm Optimization for Mammography Breast Cancer Classification. Journal of Imaging, 10(2). https://doi.org/10.3390/jimaging10020030
Asif, M., Amin, A., Jamil, U., Mahmood, A., Ahmed, U., Razzaq, S., & Mahdi, F. P. (2024). Combined emission economic dispatch using quantum-inspired particle swarm optimization and its variants. Energy Exploration and Exploitation, 42(5). https://doi.org/10.1177/01445987241235419
Atfri Filaily, E. (2025). SISTEM PAKAR MENDIAGNOSA HAMA DAN PENYAKIT PADA KACANG KEDELAI DENGAN MENGGUNAKAN METODE FORWARD CHAINING DAN CERTAINTY FACTOR. Informatics and Digital Expert (INDEX), 7(1). https://doi.org/10.36423/index.v7i1.2167
Bisri, A., Supardi, Heryatun, Y., Hunainah, & Navira, A. (2025). Educational data mining model using support vector machine for student academic performance evaluation. Journal of Education and Learning, 19(1). https://doi.org/10.11591/edulearn.v19i1.21609
Bukhari, H., Basingab, M. S., Rizwan, A., Sánchez-Chero, M., Pavlatos, C., More, L. A. V., & Fotis, G. (2025). Sustainable green supply chain and logistics management using adaptive fuzzy-based particle swarm optimization. Sustainable Computing: Informatics and Systems, 46. https://doi.org/10.1016/j.suscom.2025.101119
Elshewey, A. M., Shams, M. Y., El-Rashidy, N., Elhady, A. M., Shohieb, S. M., & Tarek, Z. (2023). Bayesian Optimization with Support Vector Machine Model for Parkinson Disease Classification. Sensors, 23(4). https://doi.org/10.3390/s23042085
Erwin, K., & Engelbrecht, A. (2023). Multi-Guide Set-Based Particle Swarm Optimization for Multi-Objective Portfolio Optimization. Algorithms, 16(2). https://doi.org/10.3390/a16020062
Guido, R., Ferrisi, S., Lofaro, D., & Conforti, D. (2024). An Overview on the Advancements of Support Vector Machine Models in Healthcare Applications: A Review. Information (Switzerland), 15(4). https://doi.org/10.3390/info15040235
Jabardi, M. (2025). Support Vector Machines: Theory, Algorithms, and Applications. Infocommunications Journal, 17(1). https://doi.org/10.36244/ICJ.2025.1.8
Mochammad Bachtiar Widya Nanda. (2020). ANALISA GEJALA PENYAKIT KEDELAI SEBAGAI DATA INPUT APLIKASI IDENTIFIKASI PENYAKIT TANAMAN KEDELAI. https://repository.ub.ac.id/id/eprint/181166/
Rodríguez-Pérez, R., & Bajorath, J. (2022). Evolution of Support Vector Machine and Regression Modeling in Chemoinformatics and Drug Discovery. Journal of Computer-Aided Molecular Design, 36(5). https://doi.org/10.1007/s10822-022-00442-9
Rosid, D. F. N., & Purnomo, A. S. (2024). Sistem Pakar Diagnosa Penyakit Pada Tanaman Kedelai Hijau Menggunakan Metode Teorema Bayes. IKRA-ITH Informatika : Jurnal Komputer Dan Informatika, 8(2). https://doi.org/10.37817/ikraith-informatika.v8i2.2960
Susanto, L. A. (2023). PEMILIHAN HYPERPARAMETER PADA ALEXNET CNN UNTUK KLASIFIKASI CITRA PENYAKIT KEDELAI. INDEXIA, 5(02). https://doi.org/10.30587/indexia.v5i02.5508
Tanveer, M., Rajani, T., Rastogi, R., Shao, Y. H., & Ganaie, M. A. (2024). Comprehensive review on twin support vector machines. Annals of Operations Research, 339(3). https://doi.org/10.1007/s10479-022-04575-w
Vidyawati, S. V., & Masnillah, R. (2022). PENGARUH PENAMBAHAN PUPUK ORGANIK TERHADAP POPULASI Bacillus sp. UNTUK MENEKAN PERKEMBANGAN PENYAKIT KARAT DAUN PADA TANAMAN KEDELAI (Glycine max L.). Berkala Ilmiah Pertanian, 5(1). https://doi.org/10.19184/bip.v5i1.29666
Wardana, R., Sjamsijah, N., & Putri, R. Y. P. (2022). Ketahanan Beberapa Genotipe Kedelai terhadap Penyakit Karat Daun (Phakopsora pachyrizi). Agroteknika, 5(1). https://doi.org/10.55043/agroteknika.v5i1.135
Yan, J., Hu, G., Jia, H., Hussien, A. G., & Abualigah, L. (2025). GPSOM: group-based particle swarm optimization with multiple strategies for engineering applications. Journal of Big Data, 12(1). https://doi.org/10.1186/s40537-025-01140-7
