Integrasi Analisis Varian pada Algoritma Lebah untuk Seleksi Fitur pada Model Klasifikasi Tingkat Keparahan Penyakit Embun Bulu

Abstract

Penyakit pada daun melon dapat diamati melalui gejala yang tampak pada permukaan daun melon. Penyakit daun pada tanaman melon yaitu downy mildew (Embun Bulu) memiliki gejala bercak kuning pada area daun melon, Powdery Mildew memiliki gejala ada bintik putih pada daun melon dan layu fusarium dengan gejala daun dan batang melon tampak layu. Penyakit daun melon yaitu downy mildew menyerang bagian daun dengan sangat cepat dan menyebabkan kematian tanaman jika tidak dilakukan tindakan pencegahan secara dini. Deteksi dan Klasifikasi tingkat keparahan penyakit downy mildew pada daun melon dapat dilakukan dengan menggunakan tenaga ahli dan hasil analisis laboratorium. Tenaga ahli memiliki kekurangan yaitu tidak semua daerah memiliki tenaga ahli tanaman khususnya penyakit tanaman melon. Hasil analisis lab memiliki kekurangan yaitu tidak semua petani melon memiliki laboratorium untuk mendeteksi penyakit daun pada tanaman melon. Permasalahan ini dapat diselesaikan dengan bantuan teknologi untuk mengenali tingkat keparahan penyakit downy mildew secara dini melalui pendekatan image processing dan machine learning. Tujuan umum penelitian ini adalah membuat model klasifikasi tingkat keparahan penyakit pada daun tanaman melon dengan akurasi tinggi, waktu komputasi rendah, dan penggunaan memori rendah. Tujuan khusus penelitian ini adalah Pertama membuat model klasifikasi menggunakan model LGBM, kedua membuat model perbandingan pembagian dataset untuk mendapatkan nilai akurasi tertinggi, dan ketiga mengembangkan model seleksi fitur berdasarkan artificial bee colony optimization dan Analisis varians sebagai fungsi fitnessnya. Klasifikasi tingkat keparahan penyakit daun downy mildew dibagi kedalam 4 kelas yaitu kelas dauns sehat (DS), downy mildew grade 1 (DM1), downy mildew grade 2 (DM2), downy mildew grade 3 (DM3). Dalam klasifisikasi tingkat keparahan penyakit daun downy mildew membutuhkan data gambar daun. Gambar daun melon tersebut dilakukan praproses dan ekstraksi fitur untuk mendapatkan dataset penyakit daun downy mildew. Praproses yang dilakukan dalam penelitian ini yaitu resize dan cropping gambar daun melon. Ekstraksi fitur yang dilakukan yaitu fitur warna, tepi, entropi dan tekstur. Hasil ekstraksi fitur berupa dataset fitur gabungan. Fitur gabungan rentan terhadap noise seperti redudansi fitur dan fitur tidak relevan. Untuk mengatasi masalah tersebut fitur gabungan diseleksi dengan menggunakan algoritma Artificial Bee Colony (ABC) Optimization untuk mendapatkan fitur optimal. Pada tahapan ABC terdapat menghitung fungsi fitness dan peneliti banyak menggunakan model akurasi sebagai fungsi fitness. Fungsi fitness menggunakan model akurasi memiliki kelemahan yaitu proses pencarian fitur membutuhkan waktu lama sehingga tidak efisien. Untuk mengatasi masalah tersebut penelitian ini mengusulkan konsep Artificial Bee Colony (ABC) Optimization dan Analisis Varian (ANOVA) untuk seleksi fitur yang diberi nama AVABC. ANOVA digunakan untuk menghitung fungsi fitness pada tahapan Artificial Bee Colony (ABC) Optimization. Hasil pengujian dengan menggunakan model klasifikasi LGBM tanpa seleksi fitur rata-rata akurasi 86,07%, penggunaan CPU 26,20%, penggunaan memori 7,27GB, waktu komputasi 0,44 detik. Hasil pengujian menggunakan seleksi fitur AVABC akurasi 81,61%, penggunaan CPU 15,70%, penggunaan memori 7,38GB, waktu komputasi 0,14 detik. Hasil pengujian dengan menggunakan skenario perbandingan dataset akurasi tertinggi pada skenario 3 dengan pembagian dataset 70% data latih dan 30% data uji. Hasil pengujian performa akurasi model LGBM 85%, random forest 82%, dan XGBoost 86%. Proses pencarian fitur terbaik menggunakan artificial bee colony optimization dengan fungsi fitness ANOVA membutuhkan waktu 5 menit 23 detik. Proses pencarian fitur terbaik menggunakan artificial bee colony optimization dengan fungsi fitness model akurasi seperti random forest membutuhkan waktu 14 jam 35 menit 19 detik, LGBM membutuhkan waktu 16 jam 52 menit 04 detik, dan XGBoost membutuhkan waktu 20 jam 08 menit 55 detik. Berdasarkan hasil pengujian tersebut hasil klasifikasi dengan data hasil seleksi fitur AVABC memiliki keunggulan dari sisi penggunaan CPU lebih rendah, waktu komputasi lebih cepat dan dari sisi penggunaan memori tidak jauh berbeda sementara kekurangan terletak pada hasil akurasi lebih rendah 4% dibandingkan klasifikasi tanpa menggunakan seleksi fitur. Dari sisi proses pencarian 8 fitur terbaik algoritma Articial Bee Colony Optimization dengan fungsi fitness ANOVA memiliki keunggulan dari sisi waktu pencarian fitur terbaik lebih cepat yaitu membutuhkan waktu 5 menit 23 detik.