Klasifikasi Jamur Menggunakan Algoritma Naïve Bayes

Abstract

Jamur merupakan tanaman dari kingdom fungi dengan tubuh berdaging dan dapat dapat dimakan, meski demikian terdapat beberapa spesies jamur yang tidak dapat dimakan dan memiliki ciri khas tersendiri. Banyaknya orang yang mengkomsumsi jamur tanpa tahu apakah jamur yang dikomsumsi aman untuk dimakan atau beracun mengakibatkan banyak insiden keracunan jamur bahkan hingga meninggal. Salah satu jenis edukasi yang dapat dilakukan adalah dengan membuat sebuah alat dalam bentuk perangkat lunak untuk mengklasifikasikan jenis jamur menjadi bisa dimakan atau beracun. Salah satu jenis klasifikasi menggunakan algoritma kecerdasan buatan adalah algoritma Naïve Bayes yang mengasumsikan setiap nilai atribut yang mempengaruhi nilai kelas bersifat independen dari nilai atribut yang mempengaruhi nilai kelas lainnya. Data yang digunakan diperoleh berupa dataset berisi kriteria jamur dari UCI Machine Learning Repository yang telah dilabelkan kedalam edible dan poisionous dengan total data sebanyak 8124 data. Dataset yang digunakan akan dibagi menjadi dua masing-masing untuk data train dan data test dengan porsi 80% banding 20% dan 90% banding 10%. Klasifikasi dilakukan sebanyak empat kali dengan pembagian dua kali menggunakan categorical naïve bayes dan dua kali menggunakan multinomial naïve bayes untuk setiap porsi dataset sehingga dihasilkan 4(empat) model klasifikasi. Berdasarkan hasil evaluasi dan confusion matrix dapat dilihat bahwa model dengan naïve bayes categorical adalah yang terbaik dengan jarak performa yang cukup besar dimana model Categorical1 dan Categorical2 mendapatkan akurasi 100% dengan 1 kesalahan prediksi kelas 0 pada model Categorical 2. Sementara itu, pada model Multinomial1 dan Multinomial2 diperoleh nilai akurasi sebesar 84% dan 85%.