<![CDATA[Jamur merupakan organisme yang memiliki keragaman morfologi yang tinggi, namun beberapa jenis di antaranya bersifat beracun dan membahayakan jika dikonsumsi. Kesamaan ciri fisik antara jamur yang dapat dimakan dan yang beracun sering kali menyulitkan proses identifikasi secara manual. Penelitian ini bertujuan mengembangkan sistem klasifikasi otomatis berbasis algoritma Random Forest untuk membedakan jamur edible dan poisonous, memanfaatkan seluruh 21 atribut (18 kategorikal, 3 numerik) dari dataset komprehensif Kaggle (61.069 entri). Metodologi penelitian mengikuti alur CRISP-DM yang dimodifikasi, dimulai dari pengumpulan data hingga implementasi. Tahap pra-pemrosesan data krusial dilakukan secara ekstensif, meliputi penanganan duplikasi data dan imputasi missing value (menggunakan median dan modus). Selanjutnya, transformasi label kelas (edible=0, poisonous=1) dan One-Hot Encoding diterapkan pada fitur kategorikal untuk representasi numerik yang tepat. Fitur numerik seperti cap-diameter dan stem-height dinormalisasi menggunakan Standard Scaling untuk menyeimbangkan kontribusi. Data kemudian dibagi 80:20 untuk pelatihan dan pengujian. Model Random Forest dikembangkan dengan parameter optimal (n_estimators=200, max_depth=15, class_weight="balanced") untuk efisiensi dan robustabilitas terhadap ketidakseimbangan kelas. Hasil evaluasi menunjukkan performa sangat baik dengan akurasi keseluruhan 99,34%, serta nilai precision, recall, dan f1-score yang seimbang pada 0.99 untuk kedua kelas. Analisis feature importance mengidentifikasi stem-width, stem-height, dan cap-diameter sebagai atribut paling berpengaruh. Learning curve menunjukkan stabilitas model tanpa overfitting. Implementasi pada sampel jamur baru juga mengkonfirmasi kemampuan prediksi yang konsisten, menjadikan model ini layak sebagai sistem pendukung keputusan otomatis dalam deteksi jamur beracun.]]>
Copyrights © 2025
