Article Per Year (5 Year)
p-Index From 2020 - 2025
1.006
P-Index
This Author published in this journals
All Journal Jurnal Hortikultura Indonesia (JHI) Jurnal Keteknikan Pertanian Tropis dan Biosistem Jurnal Biologi Tropis Jurnal Agrotek Tropika Jurnal Ilmu Komputer dan Teknologi (IKOMTI)
Herik Sugeru
Unknown Affiliation
Agriculture, Biological Sciences & Forestry Biochemistry, Genetics & Molecular Biology Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering Energy Immunology & microbiology Mechanical Engineering

Published : 8 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search
Journal : Jurnal Ilmu Komputer dan Teknologi (IKOMTI)

 1 
Pеrbаndіngаn Tеknіk Klаsifikаsi Dаtа Mining untuk Pеnеntuаn Jеnіѕ Jаmur Bеrаcun Sugeru, Herik; Hіlmі А’іnі Nurthoyіbаh; Muhаmmаd Аffаrеl Аbhіnаyа Nur Fаjаr; Vіndіаr Johаn Dіputrа; Muchаmmаd Yаfіk Rаmаdhаnі Іlhаm
Jurnal IT UHB Vol 5 No 3 (2024): Jurnal Ilmu Komputer dan Teknologi
Publisher : Universitas Harapan Bangsa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35960/ikomti.v5i3.1646

Abstract

Penambangan data merupakan proses penemuan pengetahuan dalam basis data yang melibatkan identifikasi, validasi, kebaruan, dan pemahaman terhadap pola data yang besar dan kompleks. Salah satu bidang yang dapat menerapkan analisis berbasis data mining adalah pertanian. Jаmur mеrupаkаn ѕаlаh ѕаtu komodіtаѕ pеrtаnіаn yаng mеmіlіkі nutrіѕі tіnggі dan nіlаі еkonomі yаng mеnjаnjіkаn dаlаm аgrіbіѕnіѕ. Klasifikasi jamur menjadi penting untuk menentukan apakah jamur aman dikonsumsi atau beracun. Penelitian ini bertujuan untuk mengevaluasi akurasi klasifikasi berbagai algoritma dalam dataset jamur, yang diperoleh dari UC Irvine Machine Learning Repository. Beberapa algoritma yang diuji meliputi k-Nearest Neighbor (kNN), Naive Bayes, Support Vector Machine (SVM), Decision Tree, Logistic Regression, Linear Discriminant Analysis, Artificial Neural Network (ANN), Convolutional Neural Network (CNN), Extra Trees Classifier, AdaBoost, dan Voting Feature Intervals 5 (VFI 5). Berdasarkan hasil penelitian, akurasi Hold Out dari algoritma tersebut berkisar antara 0,8763 hingga 1,0000, sedangkan akurasi Cross Validation berkisar antara 0,8396 hingga 1,0000. Algoritma Decision Tree (Tuning Model), AdaBoost, dan ANN menunjukkan akurasi tertinggi (100%) pada kedua metode pengujian. Namun, penggunaan Cross Validation lebih disarankan untuk menghindari risiko overfitting, meskipun memerlukan waktu pemrosesan yang lebih lama dibandingkan dengan Hold Out. Algoritma seperti k-NN, Decision Tree, ANN, AdaBoost, dan CNN berpotensi mengalami overfitting, terutama jika dataset tidak cukup kompleks atau kelas data tidak seimbang.
Co-Authors Aisyah Aisyah Asyar, Ahmad Wildan Budiman Budiman Budiman Fahnum, Budi Utami Hіlmі А’іnі Nurthoyіbаh Kurniasih, Ratih Maya Melati Muchаmmаd Yаfіk Rаmаdhаnі Іlhаm Muhammad Ridha Alfarabi Istiqlal Muhаmmаd Аffаrеl Аbhіnаyа Nur Fаjаr Rahmawati, Rina Fatimah Ramdan, Adam Wafi Samudra, Bagas Elang Slamet Susanto Sri Minten Vіndіаr Johаn Dіputrа Warip, Warip