Komparasi Algoritma Klasifikasi untuk Penentuan Jenis Spesies Tanaman Hutan

Ari Putra Wibowo

doi:10.54066/jci.v1i1.209

Ari Putra Wibowo STIMIK Widya Pratama Pekalongan

DOI: https://doi.org/10.54066/jci.v1i1.209

Keywords: Algoritma Klasifikasi, K-Nearest Neighbor, Naive Bayes, Random Forest, Neural Network, SVM, Spesies Tanaman Hutan

Abstract

Menentukan jenis spesies tanaman hutan dalam jumlah yang besar (banyak) akan membutuhkan waktu yang lama apabila dikerjakan secara manual. Untuk itu, perlu adanya model komputasi untuk melakukan pengklarifikasian jenis spesies tanaman hutan. Beberapa model klasifikasi telah diterapkan untuk melakukan prediksi terhadap jenis spesies tanaman hutan. Pada penelitian ini dilakukan perbandian model klasifikasi untuk mengetahui model yang terbaik dalam penentuan jenis spesies tanaman hutan. Ada 5 model klasifikasi yang digunakan dalam penelitian ini yaitu K-Nearest Neighbor (KNN), Naive Bayes, Random Forest, Neural Network, dan Support Vector Machine (SVM). Untuk evaluasi hasil digunakan uji akurasi dan uji beda parametrik dengan T-test. Dari hasil penelitian ini menunjukkan bahwa model K-Nearest Neighbor (KNN) memiliki nilai dominan paling banyak daripada model lainnya. Dan untuk nilai akurasi tertinggi adalah model Neural Network yang mencapai 96.95%.

References

L. Plourde and R. Congalton, “Sampling Method and Sample Placement: How Do They Affect the Accuracy of Remotely Sensed Maps,” Photogramm. Eng. Remote Sensing, vol. 69, no. 3, pp. 289–297, 2003.

A. Vailaya, M. Figueiredo, A. K. Jain, and H. J. Zhang, “Image Classification for Content-Based Indexing,” IEEE Trans. Image Process., vol. 10, no. 1, pp. 117–130, 2001.

B. Johnson, R. Tateishi, and Z. Xie, “Using Geographically Weighted Variables for Image Classification,” Remote Sens. Lett., vol. 3, no. 6, pp. 491–499, 2012.

I. H. Witten, E. Frank, and M. A. Hall, Data Mining Third Edition. Elsevier Inc., 2011.

J. Han, M. Kamber, and J. Pei, Data Mining, Concepts and Techniques, Third Edit. Massachusetts: Morgan Kaufmann Publishers, 2012.

L. Torgo, Data Mining with R: Learning with Case Studies. English: Chapman and Hall, 2010.

T. M. Mitchell, “Generative and Discriminative Classifiers: Naive Bayes and Logistic Regression,” in Machine Learning, McGraw Hill, 2015, pp. 1–17.

L. Breiman, “Random Forests,” Mach. Learn., vol. 45, pp. 5–32, 2001.

A. Kristanto, Analisa Sistem Informasi. Yogyakarta: Graha Ilmu, 2004.

B. Santoso, Data Mining Teknik Pemanfaatan Data untuk Keperluan Bisnis. Yogyakarta: Graha Ilmu, 2007.

M. T. Mohammad et al., “Prediction Of Body Weight from Body Measurements using Regression Tree (RT) Method for Indigenous Sheep Breeds in Balochistan, Pakistan,” J. Anim. Plant Sci., vol. 22, no. 1, pp. 20–24, 2012.

I. H. Witten, E. Frank, and M. A. Hall, Data Mining “Practical Machine Learning Tools and Techniques,” Third Edit. Burlington: Morgan Kaufmann Publishers, 2011.