Klasifikasi Jamur Beracun Menggunakan Algoritma Naïve Bayes dan K-Nearest Neighbors
DOI:
https://doi.org/10.54082/jiki.68Kata Kunci:
Jamur, k-Nearest Neighbors, Naïve Bayes, PerbandinganAbstrak
Jamur adalah salah satu organisme eukariot heterotrof dengan jenis yang sangat banyak, sekitar 1.500.000 di dunia. Namun, pengenalan akan jamur masih sangat kurang, dimana jumlah jamur yang sudah dikenali hanya sebanyak 74.000 jenis. Beragamnya jenis jamur ini membuat pengenalan akan klasifikasi jamur menjadi sangat penting agar manusia tidak mengonsumsi jamur beracun yang akan memberikan dampak negatif. Penelitian ini bertujuan untuk menemukan algoritma terbaik dalam pengklasifikasian jamur beracun dan tidak beracun. Klasifikasi jamur berdasarkan ciri-cirinya dapat dilakukan melalui penerapan algoritma Naïve Bayes dan k-Nearest Neighbors (kNN) pada dataset jamur. Hasilnya, algoritma Naïve Bayes memberikan rata-rata akurasi sebesar 92%, lebih kecil dibanding k-Nearest Neighbors yang memberikan rata-rata akurasi sebesar 98%. Rata-rata presisi algoritma Naïve Bayes dan k-Nearest Neighbors sama, yaitu 92,5%. Rata-rata recall algoritma Naïve bayes sebesar 91,5% dan algoritma k-Nearest Neighbors sebesar 98%. Berdasarkan rata-rata akurasi, presisi, dan recall kedua algoritma tersebut, dapat disimpulkan bahwa algoritma k-Nearest Neighbors lebih baik dibanding algoritma Naïve Bayes dalam klasifikasi jamur beracun. Namun, rata-rata akurasi, presisi, dan recall dari algoritma Naïve Bayes masih tergolong sangat baik karena nilainya berada diatas 90%.
Referensi
J. B. Reece, L. A. Urry, S. A. Cain, Michael L. Wasserman, P. V. Minorsky, and R. B. Jackson, Campbell Biology Tenth Edition, 10th ed. Benjamin Cummings, 2013.
D. L. Hawksworth, “The Magnitude of Fungal Diversity: The 1.5 Million Species Estimate R evisited,” Mycol. Res., vol. 105, no. 12, pp. 1422–1432, Dec. 2001, doi: 10.1017/S0953756201004725.
E. Guillamón et al., “Edible Mushrooms: Role in the Prevention of Cardiovascular Diseases,” Fitoterapia, vol. 81, no. 7, pp. 715–723, Oct. 2010, doi: 10.1016/j.fitote.2010.06.005.
Hasanuddin, “Jenis Jamur Kayu Makroskopis Sebagai Media Pembelajaran Biologi (Studi di TNGL Blangjerango Kabupaten Gayo Lues),” Biot. J. Ilm. Biol. Teknol. dan Kependidikan, vol. 2, no. 1, p. 38, Feb. 2018, doi: 10.22373/biotik.v2i1.234.
E. Tyasrini, T. Winata, and S. Susantina, “Hubungan Antara Sifat Dan Metabolit Candida Spp. Dengan Patogenesis Kandidiasis,” Maranatha J. Med. Heal., vol. 6, no. 1, 2006.
F. A. D. Aji Prasetya Wibawa, Muhammad Guntur Aji Purnama, Muhammad Fathony Akbar, “Metode-metode Klasifikasi,” Pros. Semin. Ilmu Komput. dan Teknol. Inf., vol. 3, no. 1, p. 134, 2018.
A. Wibowo, Y. Rahayu, A. Riyanto, and T. Hidayatulloh, “Classification Algorithm for Edible Mushroom Identification,” in 2018 International Conference on Information and Communications Technology (ICOIACT), Mar. 2018, pp. 250–253, doi: 10.1109/ICOIACT.2018.8350746.
P. Maurya and N. P. Singh, “Mushroom Classification Using Feature-Based Machine Learning Approach,” 2020, pp. 197–206.
Syarli and A. A. Muin, “Metode Naive Bayes Untuk Prediksi Kelulusan,” J. Ilm. Ilmu Komput., vol. 2, no. 1, pp. 22–26, 2016, [Online]. Available: https://media.neliti.com/media/publications/283828-metode-naive-bayes-untuk-prediksi-kelulu-139fcfea.pdf.
H. Annur, “Klasifikasi Masyarakat Miskin Menggunakan Metode Naive Bayes,” Ilk. J. Ilm., vol. 10, no. 2, pp. 160–165, Aug. 2018, doi: 10.33096/ilkom.v10i2.303.160-165.
L. Jiang, Z. Cai, D. Wang, and S. Jiang, “Survey of Improving K-Nearest-Neighbor for Classification,” in Fourth International Conference on Fuzzy Systems and Knowledge Discovery (FSKD 2007), 2007, pp. 679–683, doi: 10.1109/FSKD.2007.552.
S. Mutrofin, A. Izzah, A. Kurniawardhani, and M. Masrur, “Optimasi Teknik Klasifikasi Modified K Nearest Neighbor Menggunakan Algoritma Genetika,” J. Penelit. Eksakta, vol. 10, no. 1, pp. 130–134, 2014.
Y. I. Kurniawan and T. I. Barokah, “Klasifikasi Penentuan Pengajuan Kartu Kredit Menggunakan K-Nearest Neighbor,” J. Ilm. Matrik, vol. 22, no. 1, pp. 73–82, Mar. 2020, doi: 10.33557/jurnalmatrik.v22i1.843.
H. Junaedi, H. Budianto, I. Maryati, and Y. Melani, “Data Transformation pada Data Mining,” Pros. Konf. Nas. Inov. dalam Desain dan Teknol., vol. 7, pp. 93–99, 2011.
A. Z. A. M. Bajabir, “Penerapan Metode Naive Bayes untuk Prediksi Menentukan Karyawan Tetap pada PT. YSP Industries Indonesia,” Sekol. Tinggi Teknol. Pelita Bangsa, vol. 72, pp. 1–62, 2018.
N. L. Ratniasih, “Optimasi Data Mining Menggunakan Algoritma Naïve Bayes Dan C4.5 Untuk Klasifikasi Kelulusan Mahasiswa,” J. Teknol. Inf. dan Komput., vol. 5, no. 1, pp. 28–34, 2019, doi: 10.36002/jutik.v5i1.634.
N. Chumuang et al., “Mushroom Classification by Physical Characteristics by Technique of k-Nearest Neighbor,” in 2020 15th International Joint Symposium on Artificial Intelligence and Natural Language Processing (iSAI-NLP), Nov. 2020, pp. 1–6, doi: 10.1109/iSAI-NLP51646.2020.9376820.
A. Indriani, “Klasifikasi Data Forum dengan menggunakan Metode Naïve Bayes Classifier,” Semin. Nas. Apl. Teknol. Inf., pp. 1–10, 2014.
O. Arifin and T. B. Sasongko, “Analisa Perbandingan Tingkat Performansi Metode Support Vector Machine dan Naive Bayes Classifier untuk Klasifikasi Jalur Minat SMA,” Semin. Nas. Teknol. Inf. dan Multimed. 2018, pp. 67–72, 2018.
B. P. Pratiwi, A. S. Handayani, and S. Sarjana, “Pengukuran Kinerja Sistem Kualitas Udara dengan Teknologi WSN Menggunakan Confusion Matrix,” J. Inform. Upgris, vol. 6, no. 2, Jan. 2021, doi: 10.26877/jiu.v6i2.6552.
E. Prasetyo, Data Mining: Konsep dan Aplikasi menggunakan MATLAB. Yogyakarta: ANDI, 2012.
Unduhan
Diterbitkan
Cara Mengutip
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2023 Gracia Mianda Caroline Batubara, Anita Desiani, Ali Amran
Artikel ini berlisensi Creative Commons Attribution 4.0 International License.
