Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Jurnal Komputer Teknologi Informasi Sistem Komputer (JUKTISI)
Aqilla Nurul Hasanah Aqilla
Universitas Pendidikan Indonesia
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Engineering

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Klasifikasi Spesies Bunga Iris Menggunakan Logistic Regression Dan Support Vector Machine Aqilla Nurul Hasanah Aqilla; Hafiyyan Putra Pratama
Jurnal Komputer Teknologi Informasi Sistem Komputer (JUKTISI) Vol. 5 No. 1 (2026): Juni 2026
Publisher : LKP KARYA PRIMA KURSUS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62712/juktisi.v5i1.1096

Abstract

Penelitian ini membahas penerapan dua algoritma klasifikasi dalam machine learning, yaitu Logistic Regression dan Support Vector Machine (SVM), dengan menggunakan Iris Dataset untuk mengelompokkan tiga jenis bunga iris: Iris-setosa, Iris-versicolor, dan Iris-virginica. Dataset yang digunakan terdiri dari 150 sampel dengan empat fitur morfologi, yaitu panjang dan lebar sepal serta petal. Proses penelitian mencakup eksplorasi data, tahap praproses menggunakan StandardScaler dan LabelEncoder, pelatihan model, validasi silang 5-fold, serta pencarian kombinasi hyperparameter terbaik melalui GridSearchCV. Hasil pengujian menunjukkan bahwa SVM dengan kernel RBF mampu mencapai tingkat akurasi sebesar 96,67% pada data uji, lebih tinggi dibandingkan Logistic Regression yang memperoleh 93,33%. Sementara itu, hasil validasi silang menunjukkan bahwa kedua model memiliki kemampuan generalisasi yang relatif sama dengan nilai rata-rata (CV mean) sebesar 0,9533. Fitur petal length dan petal width secara konsisten menjadi faktor paling penting dalam membedakan kelas. Setelah dilakukan tuning, SVM dengan kernel linear justru memberikan nilai CV mean terbaik sebesar 97,50%, yang mengindikasikan bahwa pola pemisahan kelas dalam dataset ini cenderung bersifat linier.
Co-Authors Pratama, Hafiyyan Putra