Performa Random Forest Group untuk Klasifikasi Penyakit Busuk Pangkal Batang yang Disebabkan oleh Ganoderma boninense pada Perkebunan Kelapa Sawit

Abstract

Pemanfaatan teknik penginderaan jauh sudah banyak dimanfaatkan untuk kajian penyakit busuk pangkal batang (BPB) di perkebunan kelapa sawit. Performa klasifikasi dapat ditingkatkan dengan memanfaatkan machine learning algorithms. Identifikasi sejak awal serangan penyakit BPB merupakan kunci dalam penanganan secara kultur teknis yang ditujukan untuk memperpanjang umur produksi tanaman. Pemilihan model klasifikasi yang memanfaatkan machine learning algorithms akan mempengaruhi akurasi dan waktu proses klasifikasi. Random forest (RF) dari hasil beberapa penelitian menunjukkan model klasifikasi dengan performa akurasi yang tinggi dalam klasifikasi penyakit BPB ini. Model klasifikasi RF saat ini memiliki 15 varian yang dikembangkan oleh para peneliti. Penelitian ini bertujuan untuk membandingkan akurasi dan kecepatan fitting model dari 15 metode klasifikasi random forest group dalam mengidentifikasi penyakit BPB di perkebunan kelapa sawit. penelitian ini menggunakan analisis deskriptif berdasarkan hasil akurasi dan kecepatan fitting model dari 15 metode klasifikasi. Hasil penelitian ini menunjukkan model klasifikasi oblique random forest (ORF) dengan metode partial least squares (PLS) mempunyai akurasi dan nilai Kappa terbaik (0,914 dan 0,815) dan model random ferns (Rferns) sebagai model klasifikasi dengan akurasi dan nilai Kappa yang terendah (0,657 dan 0,334). Model RF rule-based model (rlb) memerlukan waktu terlama dalam fitting model yaitu 12.993,23 detik dan model parallel random forest (PRF) memerlukan waktu tersingkat yaitu 13,54 detik. Pencapaian akurasi dan waktu yang diperlukan untuk fitting model menjadi pertimbangan dalam pemilihan model klasifikasi untuk tanaman sehat dan tanaman terinfeksi penyakit BPB karena jamur Ganoderma.