Clustering Penyakit Tanaman Padi Menggunakan Fuzzy C-Means Dan Algoritme Genetika

Abstract

Indonesia memiliki luas lahan pertanian yang sangat besar. Kehidupan masyarakat sangat bergantung pada hasil pertanian yaitu padi sebagai kebutuhan pokok sebagian besar masyarakat Indonesia. Padi merupakan salah satu pertanian yang sangat penting untuk perekonomian di Indonesia. Pada tahun 2019, data dari Badan Pusat Statistik menunjukkan bahwa luas panen dan produksi padi mengalami penurunan dibandingkan tahun 2018 masing-masing sebesar 6,15% dan 7,76%. Salah satu faktor yang mempengaruhi penurunan hasil panen padi adalah organisme pengganggu tanaman (OPT) di antaranya yaitu hama, penyakit maupun gulma. Penelitian ini bertujuan untuk melakukan clustering jenis penyakit tanaman padi berdasarkan citra daun sehingga dapat mengetahui jenis penyakit tanaman padi, hasil clustering jenis penyakit tanaman padi akan dioptimasi menggunakan Fuzzy C-Means (FCM) dan Algoritme Genetika (GA). Data yang digunakan pada penelitian ini merupakan data primer yang berasal dari teaching farm sawah IPB dan sawah Cianjur dengan total 120 objek dan data sekunder yang berasal dari UCI repository rice leaf diseases dataset dengan total 120 objek. Data yang sudah diperoleh kemudian dilakukan praproses citra dan ekstraksi fitur Gray Level Co-occurrence Matrix, tahapan selanjutnya dilakukan reduksi dimensi data menggunakan Principal Component Analysis (PCA). Pada penelitian ini penggunaan metode FCM dan GA digunakan untuk melakukan clustering dari hasil reduksi data menggunakan PCA. Hasil clustering kemudian dilakukan evaluasi. Berdasarkan hasil clustering menggunakan FCM diperoleh cluster 0 (leaf smut) sebanyak 40 objek, cluster 1 (bacterial leaf blight) sebanyak 72 objek dan cluster 2 sebanyak 8 objek (brown spot). Berdasarkan hasil optimasi menggunakan GA-FCM diperoleh cluster 0 (leaf smut) sebanyak 26 objek, cluster 1 (brown spot) sebanyak 4 objek, cluster 2 (bacterial leaf blight) sebanyak 90 objek. Hasil evaluasi optimasi GA-FCM diperoleh peningkatan pengelompokkan clustering menjadi lebih tepat untuk mencapai titik cluster center yang optimal dibandingkan dengan FCM yang menghasilkan nilai silhoutte coefficient sebesar 0,655; nilai random index sebesar 0,602 dan nilai adjusted random index sebesar 0,234. Hasil evaluasi kedekatan pola optimasi menggunakan GA-FCM menunjukkan bahwa terdapat peningkatan jangkauan jarak cluster center yang lebih besar serta menambah variasi pola cluster center dengan nilai maximum distance sebesar 712, nilai minimum distance sebesar 208, nilai mean distance sebesar 475 dan nilai standard deviation sebesar 244