Prediksi Produktivitas Tanaman Padi di Kabupaten Karawang Menggunakan Bayesian Networks

Main Article Content

Betha Nurina Sari Hendi Permana Kardo Trihandoko Asep Jamaludin Yuyun Umaidah

Abstract

Penelitian ini ditujukan untuk membangun sebuah model prediksi tingkat produktivitas padi di kabupaten Karawang. Prediksi menggunakan Bayesian Networks dilakukan dengan tiga tahap, yaitu tahap pra-pemrosesan data, tahap implementasi dan tahap evaluasi. Tahap pra-pemrosesan dilakukan dengan transformasi data numerik menjadi data nominal dengan menggunakan dua skenario,yaitu threshold mean dan teknik diskretisasi. Tahap implementasi adalah menerapkan algoritma Bayesian Networks, yaitu melalui proses pembelajaran struktur dan pembelajaran parameter. Proses pembelajaran struktur dan parameter pada bayesian networks menggunakan software CaMML 1.41. Evaluasi performa Bayesian Networks dalam memprediksi produktivitas padi dengan confusion matrix, yaitu  menghitung akurasi prediksi dan log loss. Hasil eksperimen menunjukkan hasil yang memuaskan, akurasi di atas 90%.  Model terbaik dihasilkan dari tahap pra-pemrosesan menggunakan diskretisasi dan training data selama 5 tahun dan testing data selama 1 tahun. Hal ini menunjukkan pemilihan teknik pra-pemrosesan dan teknik pembagian training data dan testing data mempengaruhi hasil evaluasi performa struktur Bayesian Networks.

Downloads

Download data is not yet available.

Article Details

How to Cite
SARI, Betha Nurina et al. Prediksi Produktivitas Tanaman Padi di Kabupaten Karawang Menggunakan Bayesian Networks. JURNAL INFOTEL, [S.l.], v. 9, n. 4, nov. 2017. ISSN 2460-0997. Available at: <http://ejournal.st3telkom.ac.id/index.php/infotel/article/view/336>. Date accessed: 12 dec. 2017. doi: https://doi.org/10.20895/infotel.v9i4.336.
Section
Articles

References

[1] M. Aminian, D. Couvin, A. Shabbeer, K. Hadley, S. Vandenberg, N. Rastogi, and K. P. Bennett, "Predicting Mycobacterium tuberculosis Complex Clades Using Knowledge-Based Bayesian Networks", BioMed Research International, 2014.
[2] M. Sandri, P. Berchialla, I. Baldi, D. Gregori, R. Alberto, and D. Blasi, "Dynamic Bayesian Networks to predict sequences of organ failures in patients admitted to ICU", J. Biomed. Inform.,2014, vol.48, pp. 106–113.
[3] P. Larrañaga, H. Karshenas, C. Bielza, and R. Santana, “A review on evolutionary algorithms in Bayesian network learning and inference tasks,” Information Sciences, 2013, vol. 233, pp. 109–125.
[4] P. A. Aguilera, A. Fernández, R. Fernández, R. Rumí, and A. Salmerón, “Environmental Modelling & Software Bayesian networks in environmental modelling,” Environmental Modelling Software, 2011, vol. 26, no. 12, pp. 1376–1388.
[5] C. A. P. and C. Henderson, “Bayesian networks?: A guide for their application in natural resource management and policy”, Technical Report Landscape Logic, 2010.
[6] A. Passuello, O. Cadiach, V. Kumar, and M. Schuhmacher, “Application of Bayesian Networks for agricultural land suitability classification?: a case study of biosolids amendment,” International Congress on Environmental Modelling and Software, 2012.
[7] B. Irawan, “Dinamika Produktivitas dan Kualitas Budi Daya Padi Sawah”, 2016, pp. 179–199.
[8] B. N. Sari, “Identifikasi Keterkaitan Variabel dan Prediksi Indeks Pembangunan Manusia (IPM) Provinsi Jawa Barat Menggunakan Dynamic Bayesian Networks,” Jurnal Infotel, 2016, Vol.8 No.2, pp. 150-155.
[9] H. Junaedi, H. Budianto, and I. Maryati, “Data transformation pada data mining”, Prosiding Konferensi Nasional Inovasi dalam Desain dan Teknologi-IDeaTech, 2011, pp. 93–99.
[10] J. T. Mccloskey, R. J. Lilieholm, and C. Cronan, “Landscape and Urban Planning Using Bayesian belief networks to identify potential compatibilities and conflicts between development and landscape conservation,” Landsc. Urban Plan., vol. 101, no. 2, pp. 190–203, 2011.
[11] K. B. Korb and A. E. Nicholson, Bayesian Artificial Intelligence, Second edi. CRC Press, 2011.
[12] E. Millán, T. Loboda, and J. L. Pérez-de-la-cruz, “Computers & Education Bayesian networks for student model engineering,” Computers & Education, vol. 55 , 2010, pp. 1663–1683