FORECAST TINGKAT SERANGAN HAMA STEM BORER PADA BATANG TEBU MENGGUNAKAN GAUSSIAN NAIVE BAYES CLASSIFIER
Tanaman tebu (Saccharum Officinarum L.) merupakan komoditas perkebunan yang penting bagi perekonomian Indonesia sebagai bahan baku utama produksi gula. Pada 2023, luas perkebunan tebu di Indonesia mencapai 504,80 ribu Ha dengan hasil produksi 2.271 ribu ton. Selama periode 2021-2023, produksi tebu menurun sebesar 147 ribu ton. Salah satu penyebab utama penurunan hasil produksi adalah serangan hama seperti stem borer yang merusak batang tebu, sehingga menurunkan kualitas dan hasil panen. Sebagai alternatif pengendalian yang efektif dan aman, metode hayati dengan memanfaatkan musuh alami seperti lalat jatiroto, pias, dan telenomus telah terbukti berhasil. Penelitian ini bertujuan melakukan forecast untuk memprediksi waktu pelepasan musuh alami pada perkebunan tebu berdasarkan data tingkat serangan hama stem borer periode 2022-2023. Penelitian dimulai dengan analisis korelasi untuk mengidentifikasi dan mengeliminasi variabel yang saling berhubungan. Percobaan dilakukan dalam dua skenario dengan jumlah variabel berbeda untuk memenuhi asumsi independensi metode Gaussian Naive Bayes. Untuk meningkatkan performa, parameter varians pada Gaussian Naive Bayes menjadi target optimasi menggunakan Particle Swarm Optimization (PSO), karena parameter ini mempengaruhi bentuk distribusi probabilitas sehingga nilai varians yang optimal dapat meningkatkan kemampuan model dalam membedakan berbagai tingkat serangan hama stem borer. Hasil penelitian menunjukkan bahwa pada skenario 1, metode Gaussian Naive Bayes dengan optimasi PSO berhasil meningkatkan akurasi dari 40,91% menjadi 77,27%. Pada skenario 2, optimasi PSO meningkatkan akurasi dari 31,82% menjadi 77,27%. Kedua skenario membuktikan bahwa optimasi parameter varians dengan PSO secara signifikan meningkatkan performa keseluruhan model.
URI
https://repo.itera.ac.id/depan/submission/SB2506040042
Keyword
Tanaman Tebu Gaussian Naive Bayes Particle Swarm Optimization