Yohanes, Aric (2025) PERBANDINGAN KINERJA ALGORITMA MACHINE LEARNING DALAM KLASIFIKASI JAMUR BERACUN. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.
![[img]](https://eprints.amikom.ac.id//style/images/fileicons/text.png) |
Text (COVER-ABSTRAK)
COVER.pdf Download (715kB) |
|
Text (BAB I)
BAB I.pdf Download (248kB) |
|
Text (BAB II)
BAB II.pdf Restricted to Registered users only Download (583kB) |
|
Text (BAB III)
BAB III.pdf Restricted to Registered users only Download (295kB) |
|
Text (BAB IV)
BAB IV.pdf Restricted to Registered users only Download (467kB) |
|
Text (BAB V)
BAB V.pdf Download (78kB) |
|
Text (DAFTAR PUSTAKA-LAMPIRAN)
Daftar Pustaka dan Lampiran.pdf Restricted to Registered users only Download (421kB) |
![[img]](https://eprints.amikom.ac.id//style/images/fileicons/archive.png) |
Archive (SOURCE CODE)
Sourcecode - 21.11.4381.zip Restricted to Repository staff only Download (590kB) |
|
Text (PUBLIKASI)
Publikasi.pdf Restricted to Repository staff only Download (455kB) |
Abstract
Kesalahan dalam mengidentifikasi jamur beracun dapat menyebabkan dampak serius bagi kesehatan manusia. Oleh karena itu, penelitian ini membandingkan kinerja algoritma Naïve Bayes, Logistic Regression, dan Support Vector Machine (SVM) dalam klasifikasi jamur beracun dan tidak beracun. Data mengalami prapemrosesan, termasuk penanganan missing value, konversi data kategorikal dengan Label Encoder, serta normalisasi menggunakan MinMaxScaler. Untuk mengatasi ketidakseimbangan data, diterapkan metode SMOTE, sementara Mutual Information digunakan dalam seleksi fitur guna meningkatkan relevansi atribut yang diproses oleh model. Evaluasi menggunakan confusion matrix menunjukkan bahwa SVM memiliki akurasi terbaik sebesar 97%, diikuti oleh Logistic Regression dengan 91%, dan Naïve Bayes dengan 89% sebelum SMOTE serta 90% setelahnya. Hasil ini menunjukkan bahwa SVM merupakan algoritma paling efektif untuk klasifikasi jamur beracun dibandingkan algoritma lainnya. Penelitian ini dapat dimanfaatkan dalam pengembangan sistem klasifikasi otomatis guna meningkatkan keamanan konsumsi jamur dan membantu industri pangan dalam mengurangi risiko kesalahan identifikasi jamur yang berbahaya bagi kesehatan manusia. Selain itu, hasil penelitian ini dapat menjadi dasar bagi penelitian selanjutnya yang berfokus pada peningkatan akurasi model dengan teknik tuning hyperparameter atau penerapan model ensemble.
| Item Type: | Thesis (S1 - Sarjana) | ||
|---|---|---|---|
| Contributor: |
|
||
| Uncontrolled Keywords: | Classification, Poisonous Mushrooms, Naïve Bayes, Logistic Regression, Support Vector Machine, SMOTE | ||
| Subjects: | 000 - Komputer, Informasi dan Referensi Umum > 000 Ilmu komputer, ilmu pengetahuan dan sistem-sistem > 006 Metode komputer khusus | ||
| Divisions: | Fakultas Ilmu Komputer > Informatika | ||
| Depositing User: | RC Universitas AMIKOM Yogyakarta | ||
| Date Deposited: | 26 Jun 2025 03:13 | ||
| Last Modified: | 26 Jun 2025 03:13 | ||
| URI: | http://eprints.amikom.ac.id/id/eprint/29958 |
Actions (login required)
 |
View Item |