PERBANDINGAN ALGORITMA MACHINE LEARNING UNTUK KLASIFIKASI DRY BEAN DATASET
##plugins.themes.academic_pro.article.main##
Abstract
Indonesia merupakan negara agraris dengan mayoritas penduduknya bekerja pada sektor pertanian yang memiliki peran penting dalam meningkatkan perekonomian negara dan memenuhi kebutuhan pangan masyarakat. Dry Bean memegang peranan penting pada sektor pertanian, pengolahan makanan, dan juga ekspor-impor. Memungkinkan para pemangku kepentingan untuk mengoptimalkan produksi, memastikan kontrol kualitas, meningkatkan daya saing pasar, mendorong inovasi, dan memenuhi permintaan konsumen dengan memanfaatkan dry bean yang tersedia. Dataset Dry Bean merupakan salah satu data publik yang ada pada web UCI Machine Learning Repository. Tujuan penelitian ini adalah untuk mengetahui performa yang paling baik diantara enam algoritma yang diuji dengan menggunakan model rapid miner dan confussion matrix. Enam algoritma klasifikasi yang diuji tersebut yaitu Naive Bayes, Neural Network, Decision Tree, Random Forest, K-Nearest Neighbors (K-NN), Linear Discriminant Analysis. Perbedaan dalam penelitian ini adalah terletak pada objek dan waktu penelitian, literatur dan teori yang digunakan serta hasil penelitian. Berdasarkan hasil penelitian dapat diketahui bahwa algoritma Neural Network memiliki nilai akurasi performa paling tinggi sebesar 92,68% dan nilai akurasi performa terendah adalah algoritma K-Nearest Neighbors (K-NN) dengan nilai 78,32%.
##plugins.themes.academic_pro.article.details##
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Pemberitahuan Hak Cipta
Usulan kebijakan untuk jurnal yang menawarkan akses terbuka Syarat yang dibutuhkan penulis adalah sebagai berikut:
1. Penulis memegang hak cipta dan memberikan jurnal hak penerbitan pertama secara bersamaan di bawah lisensi di bawah Creative Commons Attribution-ShareAlike 4.0 International (CC BY-SA 4.0), yang mengizinkan orang lain untuk menyalin dan mendistribusikan ulang materi ini dalam bentuk atau format apa pun termasuk menyusun, memodifikasi, dan membuat turunan materi ini untuk tujuan apa pun, termasuk tujuan komersial.
2. Penulis dapat membuat pengaturan kontrak terpisah untuk distribusi non-eksklusif dari versi dekaden publikasi jurnal (misalnya mempostingnya ke repositori institusional atau menerbitkannya dalam sebuah buku), dengan mengakui publikasi aslinya di jurnal ini.
3. Penulis diizinkan dan didorong untuk memposting artikel secara online (misalnya di repositori institusional atau di situs web mereka) seperti pada Garuda, Academia, researchgate atau repository lainnya sebelum dan selama proses pengiriman, karena dapat menghasilkan pertukaran yang produktif dan kutipan artikel yang diterbitkan lebih awal dan lebih maju (periksa: Efek Akses Terbuka)
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
References
Arikunto, S. (2006). Prosedur Penelitian Suatu Pendekatan Praktek. PT Rineka Cipta.
Bishop, C. M., & Nasrabadi, N. M. (2006). Pattern recognition and machine learning (Vol. 4, No. 4, p. 738). New York: springer.Ian Goodfellow, Yoshua Bengio, dan A. C. (2016). Deep Learning.
Breiman, L. (2001). Random forests. Machine learning, 45, 5-32.
Duda, R. O., & Hart, P. E. (2006). Pattern classification. John Wiley & Sons.
Kaunang, F. J., Rotikan, R., & Tulung, G. S. (2018). Pemodelan Sistem Prediksi Tanaman Pangan Menggunakan Algoritma Decision Tree. Cogito Smart Journal, 4(1), 213-218.
Lestari, I., Akbar, M., & Intan, B. (2023). Perbandingan Algoritma Machine Learning Untuk klasifikasi Amenorrhea. Journal of Computer and Information Systems Ampera, 4(1), 32–43. https://doi.org/10.51519/journalcisa.v4i1.371
Mehta, A., Sengupta, P., Garg, D., Singh, H., & Diamand, Y. S. (2023). Benchmarking the Effectiveness of Classification Algorithms and SVM Kernels for Dry Beans. http://arxiv.org/abs/2307.07863
Murphy, K. P. (2012). Machine learning: a probabilistic perspective. MIT press.
Setiadi, T., Noviyanto, F., Hardianto, H., Tarmuji, A., Fadlil, A., & Wibowo, M. (2020). Implementation of Naïve Bayes method in food crops planting recommendation. Int. J. Sci. Technol. Res, 9(02), 4750-4755.
Tan, P. N., Steinbach, M., & Kumar, V. (2016). Introduction to data mining. Pearson Education India.
Widiastuti, D. (2012). Analisa Perbandingan Algoritma Svm, Naive Bayes, Dan Decision Tree Dalam Mengklasifikasikan Serangan (Attacks) Pada Sistem Pendeteksi Intrusi.