Literatur Review: Pendekatan Random Forest Untuk Klasifikasi Penyakit Busuk Akar Pada Tanaman
Keywords:
Random Forest, Machine Learning, Penyakit Akar, Penyakit TanamanAbstract
Penelitian ini bertujuan untuk mengevaluasi efektivitas teknologi machine learning, khususnya metode Random Forest, dalam klasifikasi penyakit busuk akar pada tanaman. Penyakit busuk akar merupakan salah satu penyakit tanaman yang dapat berdampak besar terhadap hasil panen jika tidak dikenali dan ditangani sejak dini. Dengan penerapan machine learning, diharapkan dapat memberikan solusi yang cepat dan akurat dalam mendeteksi penyakit ini. Metodologi penelitian yang digunakan adalah Studi Literatur Kualitatif Deskriptif, yang melibatkan pengumpulan data sekunder dari berbagai jurnal, artikel ilmiah, dan laporan penelitian terkait. Penelitian ini juga mencakup analisis terhadap literatur yang membahas teknik Random Forest dalam klasifikasi penyakit tanaman, khususnya pada penyakit busuk akar. Hasil analisis menunjukkan bahwa metode Random Forest memiliki akurasi yang tinggi dalam mengklasifikasikan penyakit busuk akar. Penelitian sebelumnya menunjukkan bahwa Random Forest efektif dalam mengidentifikasi dan mengukur tingkat keparahan penyakit pada tanaman kelapa sawit dan daun apel. Selain itu, penelitian lainnya mengungkapkan bahwa kombinasi Random Forest dengan algoritma lain seperti Adaboost dapat meningkatkan akurasi klasifikasi dan mengurangi masalah overfitting. Penggunaan metode K-Means dan Otsu dalam segmentasi citra tanaman obat juga terbukti meningkatkan akurasi identifikasi tanaman. Secara keseluruhan, penelitian ini memberikan bukti empiris mengenai efektivitas metode Random Forest dalam klasifikasi penyakit busuk akar pada tanaman dan merekomendasikan penggunaan kombinasi algoritma dan teknik preprocessing data untuk meningkatkan kinerja model machine learning dalam aplikasi pertanian.
References
Agustiani, S., Arifin, Y. T., Junaidi, A., Wildah, S. K., & Mustopa, A. (2022). Klasifikasi Penyakit Daun Padi menggunakan Random Forest dan Color Histogram. Jurnal Komputasi, 5(4), 65-74. https://doi.org/10.23960/komputasi.v10i1.2961
Ardi, W., & Nurhayati, E. (2020). Perbandingan Kinerja Algoritma Klasifikasi Naive Bayes, Support Vector Machine (SVM), dan Random Forest untuk Prediksi Ketidakhadiran di Tempat Kerja. Journal of Data Science Applications, 12(2), 578-584. https://doi.org/10.32493/informatika.v5i4.7575
Attri, I., Awasthi, L. K., & Sharma, T. P. (2024). Machine learning in agriculture: a review of crop management applications. Multimedia Tools and Applications, 83, 12875–12915. https://doi.org/10.1007/s11042-023-16105-2
Breiman, L. (2001). Random Forests. Machine Learning, 45, 5–32. https://doi.org/10.1023/A: 1010933404324
Hatuwal, B. K., Shakya, A., & Joshi, B. (2021). Plant Leaf Disease Recognition Using Random Forest, KNN, SVM and CNN. POLIBITS, 62, 13–19. https://doi.org/10.17562/PB-62-2
Herliyana, E. N. (2023). Early Report of Red Root Rot of Ganoderma sp. on Agathis sp. (Damar) in Mount Walat Education Forest, Sukabumi, West Java. Journal of Forestry Research, 29(2), 102–107. https://doi.org/10.29244/j-siltrop.3.2.%25p
Janani, V., & Mangai, N. S. (2020). Rhizome Rot Disease Classification Using Hybrid Randomforest and Adaboost. Journal of Sustainable Agriculture, 6(6), 5639-5650. https://doi.org/10.33472/AFJBS.6.6.2024.5639-5650
Khultsum, U., & Agus, S. (2021). Penerapan Algoritma Random Forest dengan Kombinasi Ekstraksi Fitur untuk Klasifikasi Penyakit Daun Tomat. Journal Media Informatika Budidarma, 5(1), 186. https://doi.org/10.30865/mib.v5i1.2624
Natarajan, S., Chakrabarti, P., & Margala, M. (2024). Robust diagnosis and meta visualizations of plant diseases through deep neural architecture with explainable AI. Scientific Reports, 14, 13695. https://doi.org/10.1038/s41598-024-64601-8
Patra, J., Chakraborty, M., & Gupta, S. (2023). Random Forest Algorithm for Plant Disease Prediction. In: Mukhopadhyay, S., Sarkar, S., Mandal, J. K., & Roy, S. (eds) AI to Improve e-Governance and Eminence of Life. Studies in Big Data, vol 130. Springer, Singapore.
https://doi.org/10.1007/978-981-99-4677-8_5
Ratnawati, L., & Sulistyaningrum, D. R. (2020). Penerapan Random Forest untuk Mengukur Tingkat Keparahan Penyakit pada Daun Apel. Sains dan Seni, 18(1), 71-77. https://doi.org/10.12962/j23373520.v8i2.48517
Rosyani, P. (2022). Pengembangan Aplikasi Bahan Ajar Kalkulus Berbasis Android. Jurnal Informatika Universitas Pamulang, 3(3), 118. https://doi.org/10.32493/informatika.v3i3. 2125
Rosyani, & Amalia, D. (2021). Segmentasi Citra Tanaman Obat dengan Metode K-Means dan Otsu. Jurnal Informatika Universitas Pamulang, 6(2), 246-251. https://doi.org/10.32493/informatika.v6i2.9194
Santoso, H. (2020). Performance of Random Forest Group for Basal Stem Rot Disease Classification Caused by Ganoderma boninense in Oil Palm Plantation. Jurnal Penelitian Kelapa Sawit, 28(3), 133-146. https://doi.org/10.22302/iopri.jur.jpks.v28i3.116
Williamson-Benavides, B., & Dhingra, A. (2021). Understanding root rot disease in agricultural crops. Horticulturae, 7(2), 33. https://doi.org/10.3390/horticulturae7020033
