Font Size: 

Kebutuhan kedelai Indonesia meningkat setiap tahun. Namun menurut data dari Badan Pusat Statistik jumlah produktivitas kedelai nasional masih rendah. Produktivitas kedelai yang rendah disebabkan oleh beberapa faktor. Salah satunya adalah serangan penyakit. Penelitian ini bertujuan untuk membandingkan metode seleksi atribut yaitu forward selection, backward elimination, dan stepwise regression dalam mendeteksi penyakit tanaman kedelai menggunakan LVQ3. Variabel atribut yang digunakan terdiri atas 35 kriteria pada kedelai yang terserang penyakit. Data yang digunakan pada penelitian ini merupakan dataset kedelai yang diambil dari UCI Machine Learning Repository sebanyak 200 data. Pembagian data pelatihan dan data pengujian dilakukan dengan metode k-fold cross validation dengan nilai k = 10. Hasil penelitian menunjukkan bahwa algoritma seleksi atribut forward selection dan stepwise regression dengan parameter p to enter dan p to remove sebesar 0.1 yang diterapkan pada LVQ3 dengan learning rate 0.2; minimum learning rate 0.02; dan maksimum epoch 100 merupakan hasil terbaik pada penelitian ini menghasilkan akurasi 90%, error rate 10%, sensitivitas 90%, dan spesifisitas 98.89%. Atribut yang dihasilkan sebanyak 17 atribut yaitu bulan, berdiri tanaman, pengairan, daun, lingkaran bercak daun, tepi bercak daun, ukuran bercak daun, jamur, batang karat, jamur batang, busuk luar, kulit buah, bercak buah, biji, pertumbuhan jamur, perubahan warna biji, dan akar.