Prediksi Penyakit Daun Pisang Menggunakan Metode LSTM (Long Short-Term Memory)
Keywords:
Pisang, Black Sigatoka, Prediksi, LSTMAbstract
Dalam sektor pertanian, tanaman yang memiliki peran signifikan dalam skala global adalah pisang, yaitu buah yang mudah didapatkan, dapat tumbuh dimana saja, memiliki gizi yang tinggi, serta memiliki nilai ekonomi & budaya yang tinggi. Pisang mempunyai kontribusi yang signifikan terhadap pendapatan nasional Indonesia, terutama di Provinsi Lampung sebagai penghasil pisang nasional terbesar. Tetapi, proses produksi pisang seringkali mengalami kendala, salah satunya karena faktor serangan penyakit Black Sigatoka. Penyakit tersebut memberikan kerugian pada tanaman pisang, seperti daun yang meranggas, panen tertunda, bakal buah rontok, dan kualitas buah yang rendah, dan dapat menyebar melalui aliran udara atau percikan air hujan. Tingkat keparahan penyakit Black Sigatoka perlu diprediksi agar penyakit tersebut dapat dikontrol dan dapat dicegah sedini mungkin. Model yang digunakan untuk memprediksi permasalahan ini dalam jangka panjang adalah model Long Short-Term Memory (LSTM), salah satu jenis dari arsitektur Recurrent Neural Network (RNN), yang mempunyai kinerja yang baik dan mempunyai model yang prediktif. Aplikasi LSTM diterapkan terhadap dataset pohon pisang yang terdampak penyakit Black Sigatoka. Hasil dari model LSTM dalam melakukan prediksi penyakit Black Sigatoka menghasilkan model dengan nilai error yang kecil, dengan nilai MAE dan MAPE masing-masing sebesar 0.084 dan 5.7%References
Badan Pusat Statistik. (2022). Statistik Hortikultura 2022 ( dan P. Direktorat Statistik Tanaman Pangan, Hortikultura (ed.)). BPS RI/BPS-Statistics Indonesia.
Bebber, D. P. (2019). Climate change effects on Black Sigatoka disease of banana. Philosophical Transactions of the Royal Society B: Biological Sciences, 374(1775), 20180269. https://doi.org/10.1098/rstb.2018.0269
Yoka, M. F., & Wijayanto, S. (2021). Forecasting Penjualan Gas LPG di Toko Sembako Menggunakan Metode Fuzzy Time Series. JUPITER: Jurnal Penelitian Ilmu Dan Teknologi Komputer, 13(2), 87-96. https://doi.org/https://doi.org/10.5281/3541.jupiter.2021.10
Gala, I. G., & Kulkarni, P. (2023). A comprehensive review of classical and deep learning-based time series models. In AI-Based Metaheuristics for Information Security and Digital Media. https://doi.org/10.1201/9781003107767-7
Lasijan, T. G., Santoso, R., & Hakim, A. R. (2023). PREDIKSI HARGA EMAS DUNIA MENGGUNAKAN METODE LONG-SHORT TERM MEMORY. Jurnal Gaussian, 12(2), 287-295. https://doi.org/10.14710/j.gauss.12.2.287-295
Aisyah, D., Purboyo, T. W., & Kallista, M. (2023). Prediksi Penderita Tuberkulosis Dengan Algoritma Long Short-Term Memory. E-Proceeding of Engineering, 10(1).
Ningrum, A. A., Syarif, I., Gunawan, A. I., Satriyanto, E., & Muchtar, R. (2021). Algoritma Deep Learning-LSTM untuk Memprediksi Umur Transformator. Jurnal Teknologi Informasi Dan Ilmu Komputer, 8(3). https://doi.org/10.25126/jtiik.2021834587
Aprian, B. A., Azhar, Y., & Nastiti, V. R. S. (2020). Prediksi Pendapatan Kargo Menggunakan Arsitektur Long Short Term Memory. Jurnal Komputer Terapan, 6(2). https://doi.org/10.35143/jkt.v6i2.3621
