Andre Suarisman, - and Alwis Nazir, - and Fadhilah Syafria, - and Liza Afriyanti, - (2023) PERBANDNGAN JARAK METRIK PADA KLASIFIKASI JAMUR BERACUN MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOR (K-NN). PERBANDNGAN JARAK METRIK PADA KLASIFIKASI JAMUR BERACUN MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOR (K-NN), 5 (1). pp. 10-19. ISSN 2714-8912

Preview

Text repository-andre suarisman-11950111673.pdf Download (2MB) | Preview

Abstract

Jamur adalah organisme dari kingdom fungi yang memiliki struktur tubuh berdaging dan bisa dikonsumsi, tetapi ada beberapa spesies jamur yang tidak aman untuk dimakan dan memiliki ciri-ciri khusus, Maka dalam membedakan antara jamur yang dapat dimakan dan beracun bisa jadi rumit karena tampilan yang hampir identik dari berbagai spesies jamur. Kesalahan dalam mengidentifikasi jamur yang dapat dimakan dapat berdampak pada kesehatan konsumen yang mengkonsumsi jamur tersebut. Evaluasi performa berbagai metode pada dataset adalah langkah kunci dalam menentukan metode klasifikasi yang paling sesuai. Penelitian ini mengangkat tentang bagaimana mengukur performa metode klasifikasi pada dataset jamur beracun dengan menggunakan algoritma K-Nearest Neighbor dengan beberapa metrik seperti euclidean, manhattan dan minkowski, dimana merupakan sebuah metode untuk mengklasifikasikan data baru berdasarkan kedekatan dengan data pelatihan yang ada. Hasil yang didapat dalam penelitian ini dengan beberapa jarak metrik dapat disimpulkan bahwa nilai akurasi metrik manhattan lebih baik dari metrik euclidean dan minkowski. Karena metrik manhattan mendapatkan hasil akurasi tertinggi yaitu 99% dengan K = 100 dan terendah 82% dengan K = 3000 , sedangkan metrik euclidean mendapatkan hasil akurasi dengan nilai 98% dengan K = 100 dan 72% dengan K = 3000, dan pada metrik minkowski mendapatkan hasil akurasi dengan nilai 96% pada K = 100 dan 64% pada K = 3000.

Actions (login required)

View Item