Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Computatio : Journal of Computer Science and Information Systems
Teny Handhayani
Lecturer
Computer Science & IT

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

Found 1 Documents
Search

 1 
Perbadingan Algoritma Machine Learning Klasifikasi pada Dataset Jenis Beras Vincent Alexander; Teny Handhayani
Computatio : Journal of Computer Science and Information Systems Vol. 10 No. 1 (2026): Computatio: Journal of Computer Science and Information Systems
Publisher : Faculty of Information Technology, Universitas Tarumanagara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24912/computatio.v10i1.29898

Abstract

Sebagai salah satu bahan pangan global yang penting, ketersediaan beras sangat vital dalam memenuhi kebutuhan pokok sehingga proses identifikasi jenis beras yang cepat menjadi salah satu faktor pendukung. Sayangnya, proses identifikasi jenis beras secara manual cukup sulit dilakukan. Oleh karena itu, penggunaan machine learning dalam melakukan klasifikasi jenis beras sangat direkomendasikan karena mampu mempercepat proses identifikasi beras dengan hasil yang dapat dipertanggungjawabkan dan dipercaya. Penelitian ini bertujuan untuk membuat dan menerapkan model pembelajaran supervised klasifikasi pada dataset jenis beras sehingga kategori beras (Osmancik dan Cammeo) dapat teridentifikasi secara akurat. Penelitian ini menggunakan beberapa algoritma supervised klasifikasi yaitu decision tree, support vector machine (SVM), k-nearest neighbor, (KNN) dan artificial neural network. Hasil eksperimen model klasifikasi pada dataset jenis beras dengan beberapa algoritma supervised learning menghasilkan performa model dengan variabilitas yang beragam. Model decision tree dan SVM linear menghasilkan model klasifikasi dengan rata-rata metriks performa tertinggi (0.93) dan variabilitas terendah. Sebaliknya, model ANN menghasilkan variabilitas tertinggi dan performa metriks terendah (0.46-0.66) untuk akurasi, precision, recall, dan F1-score.
Co-Authors Vincent Alexander