Klasifikasi Jamur Beracun Menggunakan Algoritma Naïve Bayes dan K-Nearest Neighbors

Abstract

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%.