SISTEM PAKAR PENENTUAN KUALITAS AYAM PETELUR MENGGUNAKAN METODE DECISION TREE
DOI:
https://doi.org/10.55719/curtina.v5i1.1192Kata Kunci:
Sistem pakar, kualitas ayam petelur, decision treeAbstrak
Sistem Pakar Penentuan Kualitas Ayam Petelur Menggunakan Metode Decision Tree.Penelitian ini bertujuan untuk mengembangkan sistem pakar yang memanfaatkan algoritma Decision Tree dalam menilai dan memprediksi kualitas ayam petelur. Kualitas telur ayam petelur adalah faktor penting dalam industri peternakan, yang mempengaruhi pasar dan kepercayaan konsumen.Dalam pengembangan sistem ini, kami mengumpulkan data dari berbagai atribut yang relevan seperti umur ayam, bobot telur, warna kulit telur, serta kondisi fisik ayam. Metode Decision Tree digunakan untuk membangun model klasifikasi yang dapat mengklasifikasikan telur menjadi berbagai kategori kualitas.Sistem pakar ini dirancang untuk memberikan keputusan cepat dan akurat dalam menentukan kualitas telur ayam petelur. Hal ini diharapkan dapat membantu peternak dan produsen dalam meningkatkan efisiensi produksi, mengurangi pemborosan, dan memastikan bahwa hanya telur berkualitas tinggi yang mencapai konsumen.Hasil penelitian ini menunjukkan bahwa penerapan metode Decision Tree dalam sistem pakar penentuan kualitas ayam petelur memiliki potensi besar untuk meningkatkan pengelolaan produksi dalam industri peternakan. Sistem ini juga memberikan landasan untuk pengembangan aplikasi serupa dalam industri peternakan lainnya yang membutuhkan penilaian kualitas produk secara efisien.
Unduhan
Referensi
Daryanto, D., Wahyuningsih, R., & ... (2022). Penerapan Model Algoritma C4. 5 dengan Tool Weka Untuk Memprediksi Kelulusan Mahasiswa. … (Jurnal Sistem Dan …, 7(2), 87–93.
Fadhlurrohman, R., Suarman, D. F., Umar, M. Z., & Atifah, Y. (2021). Pengaruh Faktor Lingkungan Terhadap Reproduksi Ayam Ras Petelur. 709–714.
Hasugian, P. M. (2017). Pengujian Algoritma Apriori Dengan Aplikasi Weka Dalam Pembentukan Asosiation Rule. Jurnal Mantik Penusa, 1(2), 98–103.
Komputer, J. (2013). Fakultas ilmu komputer.
Lase, Y. Y. (2017). Analisis Rule Kualitas Ayam Petelur Menggunakan Metode Simple Additive Weighting. Riau Journal Of Computer Science, 4(1), 12–19. http://e-journal.upp.ac.id/index.php/RJOCS/article/view/1443/1155
Lestari, D. A. (2022). BIBIT AYAM PETELUR MENGGUNAKAN METODE SIMPLE ADDITIVE WEIGHT ( SAW ) ( Studi Kasus : Perternakan Ayam Mas , Lampung Selatan ). Jurnal Teknologi Pintar, 2(9), 1–11.
Meilina, P. (2015). Penerapan Data Mining dengan Metode Klasifikasi Menggunakan Decision Tree dan Regresi. Jurnal Teknologi Universitas Muhammadiyah Jakarta, 7(1), 11–20. jurnal.ftumj.ac.id/index.php/jurtek
Nurdiansyah, F., & Marisa, F. (2022). Klasifikasi Ayam Petelur Menggunakan Artificial Neural Network dan Decision Tree. JOINTECS (Journal of Information Technology and Computer Science), 7(3), 129. https://doi.org/10.31328/jointecs.v7i3.4053
Pasca, M., Indonesia, P., & Padang, Y. (n.d.). PENENTUAN KUALITAS AYAM SERAMA MENGGUNAKAN METODE FORWARD CHAINING Dosen Pasca Sarjana Univ . Putra Indonesia “ YPTK ” Padang , Sumbar. 3.
Rahayu, P., Indriati, R., & Andriyanto, T. (2019). Penentuan Kualitas Ayam Petelur Menggunakan Metode Simple Additive Weighting. Seminar Nasional Inovasi Teknologi, 169–174. https://proceeding.unpkediri.ac.id/index.php/inotek/article/view/532
Reichenbach, A., Bringmann, A., Reader, E. E., Pournaras, C. J., Rungger-Brändle, E., Riva, C. E., Hardarson, S. H., Stefansson, E., Yard, W. N., Newman, E. A., & Holmes, D. (2019). SISTEM PENDUKUNG KEPUTUSAN PENENTUAN KUALITAS AYAM PETELUR. Progress in Retinal and Eye Research, 561(3), S2–S3.
Ula, M., Anjani, F. T. T., Ulva, A. F., Sahputra, I., & Pratama, A. (2022). Application of Machine Learning With the Binary Decision Tree Model in Determining the Classification of Dental Disease. Journal of Informatics and Telecommunication Engineering, 6(1), 170–179. https://doi.org/10.31289/jite.v6i1.7341
Utnasari, I. (2015). Analisis Dengan Metode Klasifikasi Menggunakan Decission Tree Untuk Prediksi Penentuan Resiko Kredit Pada Bank Bukopin Batam. Computer Based Information System Journal (CBIS), 3(1), 67–78.Li, D., Yang, H. Z., & Liang, X. F. (2013). Prediction analysis of a wastewater treatment system using a Bayesian network. Journal of Environmental Modelling & Software, 40, 140-150.
Li, G., & Shi, J. (2012). Applications of Bayesian methods in wind energy conversion systems. Journal of Renewable Energy, 43, 1-8.
Soria, D., Garibaldi, Jonathan M., Ambrogi, F., Biganzoli, Elia M., & Ellis, Ian O. (2011). A ‘non-parametric’ version of the naive Bayes classifier. Journal of Knowledge-Based Systems, 24, 775–784.
Vallejos, M., Alvarado, Jesus M., & Puente, A. (2012). College performance prediction test. Journal of Procedia - Social and Behavioral Sciences, 31, 846–851.
