Literature Review: Analisis Komparatif Algoritma CNN, KNN, dan SVM untuk Klasifikasi Penyakit Kelapa Sawit

Qurrata A'yuni; Billy Hendrik

doi:10.37985/jer.v5i4.1983

Authors

Qurrata A'yuni Universitas Putra Indonesia YPTK Padang, Indonesia
Billy Hendrik Universitas Putra Indonesia YPTK Padang, Indonesia

DOI:

https://doi.org/10.37985/jer.v5i4.1983

Keywords:

CNN, KNN and SVM, Kelapa Sawit, Klasifikasi Citra, Systematic Literature Review

Abstract

Kelapa sawit adalah salah satu komoditas perkebunan yang populer di dunia dan di Indonesia, serta memiliki peran penting dalam subsektor perkebunan dalam meningkatkan perekonomian negara, akan tetapi penyakit pada tanaman kelapa sawit menghambat produksi optimal. Dengan tujuan untuk mendapatkan algoritma yang tepat untuk klasifikasi penyakit pada tanaman kelapa sawit, penelitian ini menggunakan metode Systematic Literature Review (SLR) dengan melakukan perbandingan terhadap beberapa algoritma Convolutional Neural Network (CNN), K-Nearest Neighbor (KNN), dan Support Vector Machine (SVM) untuk meninjau literatur yang ada dengan memberikan analisis komprehensif. Hasil analisis menunjukkan bahwa algoritma yang paling populer dan paling efektif dengan tingkat akurasi diatas 90% adalah Convolutional Neural Network (CNN) dibandingkan K-Nearest Neighbor (KNN) dan Support Vector Machine (SVM). Metode yang banyak digunakan untuk pengujian keakuratan hasil adalah Confusion Matrix.

Downloads

Download data is not yet available.

References

Asrianda, A., Aidilof, H. A. K., & Pangestu, Y. (2021). Machine Learning for Detection of Palm Oil Leaf Disease Visually using Convolutional Neural Network Algorithm. Journal of Informatics and Telecommunication Engineering, 4(2), 286–293. https://doi.org/10.31289/jite.v4i2.4185

Elvira, D. (2021). Klasifikasi Citra Daun Kelapa Sawit Yang Terkena Dampak Hama Menggunakan Metode K-Nearest Neighbor ( KNN ). 70.

Gunawan, Zarlis, M., Sihombing, P., & Sutarman. (2024). Smart Agriculture Model in Detecting Oil Palm Plantation Diseases Using a Convolution Neural Network. IAES International Journal of Artificial Intelligence, 13(3), 3164–3171. https://doi.org/10.11591/ijai.v13.i3.pp3164-3171

Harahap, L. A., Fajri, R. I., Syahputra, M. F., Rahmat, R. F., & Nababan, E. B. (2019). Identifikasi Penyakit Daun Tanaman Kelapa Sawit dengan Teknologi Image Processing Menggunakan Aplikasi Support Vector Machine. Talenta Conference Series: Agricultural and Natural Resources (ANR), 1(1), 53–59. https://doi.org/10.32734/anr.v1i1.96

Jeremy, A., Simanjuntak, O., & Udjulawa, D. (2022). Klasifikasi Penyakit Daun Sawit Menggunakan Metode Jaringan Saraf Tiruan Dengan Fitur Local Binary Pattern. 3(1), 1–9.

Luchman, I., Wati, T., & Prasvita, D. S. (2022). Klasifikasi Pohon Kelapa Sawit Menggunakan Citra Lidar Dengan Convolutional Neural Network. Senamika, April, 290–301. https://conference.upnvj.ac.id/index.php

Lutfina, E., Andriana, W., Quamila, S., Wiratmaja, P., & Febrianti, E. (2024). Science, Technology and Management Journal Metode dan Algoritma Dalam Sentimen Analisis: Systematic Literature Review Info Artikel. 4(2), 67–79. http://journal.unkartur.ac.id/index.php/stmj

Mohammad Yazdi Pusadan, Indah Safitri, & Wirdayanti. (2023). The Image Extraction Using the HSV Method to Determine the Maturity Level of Palm Oil Fruit with the k-nearest Neighbor Algorithm. Jurnal RESTI (Rekayasa Sistem Dan Teknologi Informasi), 7(6), 1448–1456. https://doi.org/10.29207/resti.v7i6.5558

Oktafanda, E. (2022). Klasifikasi Citra Kualitas Bibit dalam Meningkatkan Produksi Kelapa Sawit Menggunakan Metode Convolutional Neural Network (CNN). Jurnal Informatika Ekonomi Bisnis, 4(3), 72–77. https://doi.org/10.37034/infeb.v4i3.143

Ong, J. H., Ong, P., & Woon, K. L. (2022). Image-Based Oil Palm Leaves Disease Detection Using Convolutional Neural Network. Journal of Information and Communication Technology, 21(No.3), 383–410. https://doi.org/10.32890/jict2022.21.3.4

Pribadi, A., & Ade Kurniawan. (2022). Deteksi Penyakit Sawit Menggunakan Metode Deep Learning. Jurnal Sains Dan Ilmu Terapan, 5(2), 72–76. https://doi.org/10.59061/jsit.v5i2.86

Rasywir, E., Sinaga, R., & Pratama, Y. (2020). Analisis dan Implementasi Diagnosis Penyakit Sawit dengan Metode Convolutional Neural Network (CNN). Paradigma - Jurnal Komputer Dan Informatika, 22(2), 117–123. https://doi.org/10.31294/p.v22i2.8907

Sanjaya, F. S., Lutfina, E., Nugroho, A., & Abdillah, M. Z. (2023). Systematic Literature Review Perancangan Sistem Informasi Stok Opname Gudang Berbasis Web. Science Technology and Management Journal, 3(1), 21–27. https://doi.org/10.53416/stmj.v3i1.129

Satia, G. A. W., Firmansyah, E., & Umami, A. (2022). Perancangan Sistem Identifikasi Penyakit pada Daun Kelapa Sawit (Elaeis guineensis Jacq.) dengan Algoritma Deep Learning Convolutional Neural Networks. Jurnal Ilmiah Pertanian, 19(1), 1–10. https://doi.org/10.31849/jip.v19i1.9556

Styorini, W., Putra, W. E., Khabzli, W., & Triyani, Y. (2022). Penerapan Deep Learning Pada Jenis Penyakit Tanaman Kelapa Sawit Menggunakan Algoritma Convolutional Neural Network. Jurnal Komputer Terapan, 8(2), 359–367. https://doi.org/10.35143/jkt.v8i2.5522

Tohirin, A., Hayat, M. Al, & Fahmi, M. (2024). Literatur Review : Klasifikasi Penyakit Tanaman Padi Berdasarkan Citra Udara dengan Algoritma SVM. 2(3), 596–602.

Triyunita Nur Hayati, Nuris Sayyidatul Fatimah, Lailatul Fitria, & Soffiana Agustin. (2024). Klasifikasi Lahan Perkebunan Kelapa Sawit Pada Citra Foto Udara Menggunakan Metode Local Binary Pattern dan Klasifikasi SVM. SABER : Jurnal Teknik Informatika, Sains Dan Ilmu Komunikasi, 2(3), 138–146. https://doi.org/10.59841/saber.v1i3.1399

Ummah, M. S. (2019). Pixel Quantification and Color Feature Extraction On Leaf Images For Oil Palm Disease Identification. Sustainability (Switzerland), 11(1), 1–14. http://dx.doi.org/10.1016/j.regsciurbeco.2008.06.005%0A

Wahyuni, M., T. Sabrina, Mukhlis, & Santoso, H. (2022). Aplikasi Support Vector Machine Pada Deteksi Penyakit Busuk Pangkal Batang Ganoderma Tanaman Kelapa Sawit. Prosiding Seminar Nasional Instiper, 1(1), 105–115. https://doi.org/10.55180/pro.v1i1.247