PEMODELAN PEMILIHAN BIBIT TANAMAN MELON (CUCUMIS MELO C) MENGGUNAKAN METODE NAÏVE BAYES STUDI KASUS KELOMPOK PETANI MELON “TANI MULYO”
Abstract
Kebutuhan tentang buah bagi kesehatan sangat diperlukan tubuh, karena kandungan vitamin dalam tubuh salah satu buah melo, selain kandungan vitamin A dan C yang ada dalam buah melon, buah melon tidak mengandung lemak dan kolesterol juga rendah kalori. Kebutuhan konsumsi buah melon dari tahun meningkat dan dapat dipastikan untuk petani melon lokasi belum bisa memenuhi konsumsi untuk dalam negeri. Cara pemilihan bibit dalam menanam melon menjadi salah satu kendala dalam keberhasilan menanam melon, disebabkan tidak memperhatikan kriteria yang menjadi prioritas utama pada varian bibit melon. Pengolahan data yang digunakan dalam menganalisa data adalah Algoritma Naïve Bayes. Kriteria pemilihan bibit dipengaruhi oleh masa tanam, tingkat kemanisan, berat buah dan daya cambah benih. Kriteria-kriteria yang sisebutkan dijadikan sebagai attibut dalam menentukan hasil akhir dari pemilihan bibit melon. Hasil akhir setelah diadakan pengolahan data adalah nilai untuk varian bibit yang diterima yaitu sebesar 53,8%, dan yang tidak diterima sebesar 46,2%, varian yang memiliki angka probabilitas paling tinggi yaitu pada varian bibit Suny Red M267 dan Sonya yaitu pada nilai 0,107.
References
Anonim., 2000, Budi Daya Pertanian, Kantor Deputi Menegristek Bidang Pendayagunaan dan Pemasyarakatan Ilmu Pengetahuan dan Teknologi, Jakarta.
Anonim., 2011, The Best Melon, PT Trubus Swadaya, Jakarta.
Daniel, A., 2013, Budidaya Melon Hibrida, Pusaka Baru Press, Yogyakarta.
Daniel, T, Larose, Chantal, T, Larose., 2014, Discovering Knowledge In Data, an Introduction to Data Mining. Wiley Interscience, New Jersey.
Fu, L., 1994, Neural Network in Computer Intelligence, Singapura: McGraw Hill.
Fazliani., Widians, A, J., dan Islamiyah., 2017, Sistem Pendukung Keputusan Pemilihan Jenis Bibit Unggul Kelapa Sawit Menggunakan Motode Analytical Hierarcy Prosess, Prosiding Seminar Ilmu Komputer dan teknologi Informasi Vol 2, No 1 e-ISSN 2540-7902 dan p-ISSN 2541-366X, Samarinda, 2017.
Gardner, F. P., Pearce, R. B., dan Mitchell, R. L., 1991, Fisiologi Tanaman Budidaya. Terjemahan: Herawati Susilo. UI Press, Jakarta.
Manu, A, G., Putra, H, Y., dan Afrizal, Y., 2015, Sistem Pendukung Keputusan Untuk Menentukan Pilihan Jurusan Mahasiswa Dengan Menggunakan
Metode Naïve Bayes dan Model Analytical Hierarchy Process (AHP)
Studi Kasus pada Akademi Teknik Kupang, Jurnal TKKKTI, Vol 1 No.2 Universitas Komputer Indonesia Bandung.
Margianasari., 2012, Bertanama Melon Eksklusif dalam Pot, Tim Mekarsari, Bogor.
Prasetyo, E., 2012, Data Mining konsep dan Aplikasi menggunakan Matlab :Andi Yogyakarta.
Refaeilzadeh, P., Tang, Lei, L, H. Cross-Validation. Arizona State University,2008
Santoso, B., 2007, Data Mining Teknik Pemanfaatan data Untuk Keperluan Bisnis. Graha Ilmu Yogyakarta.
Sobir., dan Firman, S, D., 2010, Berkebun Melon Unggul, Penebar Swadaya, Jakarta.
Sobir., dan Firman, S, D., 2014, Berkebun Melon Unggul, Edisi 2 Penebar Swadaya, Jakarta.
Hariri, R, F., Pamungkas, D, D., 2016, Implementasi Naïve Bayes Classifier Untuk Diagnosa Status Gizi Balita , Seminar Nasional Teknologi Informasi dan Multimedia, Universitas Amikom Yogyakarta, ISSN : 2302-3805.
Wasiati H., Wijayanti, D., 2013, Sistem Pndukung Keputusan Penentuan Kelayakan Calon Tenaga Kerja Indonesia Menggunakan Metode Naïve Bayes Studi Kasus : di P.T Karyatama Mitra Sejati Yogyakarta. Indonesian Journal On Network and Security Vol 3, No 2 e-ISSN 2354-6654 dan p-ISSN 2302-5700, Yogyakarta, 2013.
Wirdaningsih, E., 2006, Prospek Pengembangan Usaha Tani Melon dan Usaha Tani Semangka Di Kabupaten Deli Serdang, Fakultas Pertanian, Universitas Sumatera Utara.
Yuwono, B., Wibowo, A., dan Prasetyo, B, D., 2013, Sistem Pakar Berbasis Web Untuk Diagnosa Hama dan Penyakit Tanaman Melon, Seminar Nasional Informatika, Universitas Pembangunan Nasional, D-84, ISSN: 1979-2328,Yogyakarta
