Pengembangan Sistem Pakar Pertanian Berbasis Android Dengan Model Neural Network Untuk Rekomendasi Tanaman Berdasarkan Kondisi Lingkungan

Pengembangan Sistem Pakar Pertanian Berbasis Android Dengan Model Neural Network Untuk Rekomendasi Tanaman Berdasarkan Kondisi Lingkungan

• By Tiyanto, Riyan First;
• S1- Sistem Infomasi
• 3
• 1-7

Penelitian ini didasari dari kebutuhan untuk meningkatkan produktivitas pertanian dengan memberikan rekomendasi tanaman yang sesuai berdasarkan kondisi lingkungan yang spesifik. Dengan tujuan untuk mengembangkan sistem pakar pertanian berbasis Android yang menggunakan model neural network untuk memberikan rekomendasi tanaman berdasarkan data cuaca terkini.

Dalam melakukan pengumpulan data dilakukan observasi, wawancara, dan studi pustaka. Data yang terkumpul kemudian digunakan untuk melatih model neural network, dan hasilnya diintegrasikan ke dalam aplikasi Android. Sistem ini dikembangkan dengan menggunakan Jetpack Compose untuk antarmuka pengguna dan SQLite untuk penyimpanan data lokal. Penerapan metodologi Agile Kanban membantu dalam mengelola pengembangan sistem secara iteratif.

Hasil penelitian menunjukkan bahwa sistem pakar yang dikembangkan mampu memberikan rekomendasi tanaman dengan tingkat akurasi yang cukup baik. Feedback dari pengguna, yang sebagian besar adalah petani, menunjukan bahwa sistem ini sangat membantu dalam menentukan jenis tanaman yang cocok untuk ditanam berdasarkan kondisi lingkungan spesifik.

Kesimpulan dari penelitian ini adalah bahwa penggunaan teknologi neural network dalam sistem pakar pertanian berbasis Android memiliki potensi besar untuk membantu petani dalam meningkatkan produktivitas. Pengembangan lebih lanjut dan penambahan fitur yang dapat meningkatkan manfaat sistem ini.

• Katakunci agile kanban, aplikasi android, neural network, rekomendasi tanaman
• URL https://ejournal.bsi.ac.id/ejurnal/index.php/ijcit/author/submission/24257
• Penerbit IJCIT LPPM Universitas Bina Sarana Informatika, Jakarta Jawa Barat

REFERENSI

A, D. D., & P A, F. T. (2023). Back Propagation. International Journal for Research in Applied Science and Engineering Technology, 11(4), 334–339. https://doi.org/10.22214/ijraset.2023.50077

Alaidaros, H., Omar, M., & Romli, R. (2021). The state of the art of agile kanban method: challenges and opportunities. Independent Journal of Management & Production, 12(8), 2535–2550. https://doi.org/10.14807/ijmp.v12i8.1482

Badan Pusat Statistik Provinsi Jawa Timur. (2023). Hasil Pencacahan Lengkap Sensus Pertanian 2023. 75, 114. https://yogyakarta.beta.bps.go.id/id/publication/2023/12/15/680f44b592a673df653c3763/hasil-pencacahan-lengkap-sensus-pertanian-2023-tahap-i-daerah-istimewa-yogyakarta.html

Dzulqarnain, F., & Tukino, T. (2023). RANCANG BANGUN APLIKASI BELAJAR ARAB UNTUK ANDROID MENGGUNAKAN JETPACK COMPOSE DAN KOTLIN. Computer Based Information System Journal, 11(1), 25–35. https://doi.org/10.33884/cbis.v11i1.6666

Garg, D., & Alam, M. (2023). An effective crop recommendation method using machine learning techniques. International Journal of Advanced Technology and Engineering Exploration, 10(102), 498–514. https://doi.org/10.19101/IJATEE.2022.10100456

Gopi, S. R., & Karthikeyan, M. (2023). Effectiveness of Crop Recommendation and Yield Prediction using Hybrid Moth Flame Optimization with Machine Learning. Engineering, Technology and Applied Science Research, 13(4). https://doi.org/10.48084/etasr.6092

Kumar, P., Bhagat, K., Lata, K., & Jhingran, S. (2023). Crop recommendation using machine learning algorithms. 2023 International Conference on Disruptive Technologies, ICDT 2023. https://doi.org/10.1109/ICDT57929.2023.10151325

Li, M. (2024). Comprehensive Review of Backpropagation Neural Networks. Academic Journal of Science and Technology, 9(1), 150–154. https://doi.org/10.54097/51y16r47

Madhuri, J., & Indiramma, M. (2021). Artificial Neural Networks Based Integrated Crop Recommendation System Using Soil and Climatic Parameters. Indian Journal of Science and Technology, 14(19), 1587–1597. https://doi.org/10.17485/ijst/v14i19.64

Pohan, A. B., Alfarobi, I., & Hadi, S. W. (2022). Pengembangan Idle Game “Havok Runner” Berbasis Android Menggunakan Metode Agile Game Development. Jurnal Media Informatika Budidarma, 6(3), 1573. https://doi.org/10.30865/mib.v6i3.3994

Putra, R. B. D., Budi, E. S., & Kadafi, A. R. (2020). Perbandingan Antara SQLite, Room, dan RBDLiTe Dalam Pembuatan Basis Data pada Aplikasi Android. JURIKOM (Jurnal Riset Komputer), 7(3), 376. https://doi.org/10.30865/jurikom.v7i3.2161

Rozaki, Z. (2021). Food security challenges and opportunities in indonesia post COVID-19. In Advances in Food Security and Sustainability (Vol. 6, Issue September, pp. 119–168). https://doi.org/10.1016/bs.af2s.2021.07.002

Satria, W. (2021). JARINGAN SYARAF TIRUAN BACKPROPAGATION UNTUK PERAMALAN PENJUALAN PRODUK (STUDI KASUS DI METRO ELECTRONIC DAN FURNITURE). Djtechno: Jurnal Teknologi Informasi, 1(1), 14–19. https://doi.org/10.46576/djtechno.v1i1.966

Sharma, S., Sharma, S., & Athaiya, A. (2020). ACTIVATION FUNCTIONS IN NEURAL NETWORKS. International Journal of Engineering Applied Sciences and Technology, 04(12), 310–316. https://doi.org/10.33564/ijeast.2020.v04i12.054

Sufyan, F., & Banerjee, A. (2019). Comparative analysis of network libraries for offloading efficiency in mobile cloud environment. International Journal of Advanced Computer Science and Applications, 10(2), 574–584. https://doi.org/10.14569/ijacsa.2019.0100272

Sunardi, S., Yudhana, A., & Muflih, G. Z. (2020). Sistem Prediksi Curah Hujan Bulanan Menggunakan Jaringan Saraf Tiruan Backpropagation. JURNAL SISTEM INFORMASI BISNIS, 10(2), 155–162. https://doi.org/10.21456/vol10iss2pp155-162

van Dijk, A. D. J., Kootstra, G., Kruijer, W., & de Ridder, D. (2021). Machine learning in plant science and plant breeding. In iScience (Vol. 24, Issue 1). https://doi.org/10.1016/j.isci.2020.101890

Zheng, J., & Xu, Y. (2023). A Review: Development of Plant Protection Methods and Advances in Pesticide Application Technology in Agro-Forestry Production. In Agriculture (Switzerland) (Vol. 13, Issue 11). https://doi.org/10.3390/agriculture13112165