Integrasi Particle Swarm Optmization Dengan Naïve Bayes Untuk Memprediksi Tanaman Cabai

Abstract

Tujuan penelitian adalah untuk mengoptimalisasi Naïve Bayes  menggunakan Particle Swarm Optimization dengan metode CIRPS-DM dengan bahasa pemrograman python menggunakan google colabs yang digunakan untuk melakukan prediksi tanaman cabai rawit pagar alam dengan evaluasi mode menggunakan Confusion Matrix untuk mencari nilai akurasi. Hasil penelitian mendapatkan nilai akurasi naïve bayes sebesar 0.75 atau 75% dan nilai akurasi PSO Naïve Bayes 0.92 atau 92%. Maka dapat diketahui bahwa Particle Swarm Optimization (PSO) dapat meningkatkan akurasi Naïve Bayes dalam prediksi tanaman cabai. Berdasarkan hasil penelitian maka diharapkan bisa membantu para petani tanaman cabai Kota Pagar Alam dalam melakukan prediksi hasil panen tanaman cabai rawit setan ditahu  berikutnya.