<![CDATA[Identifikasi taksonomi tumbuhan seringkali sulit dilakukan karena adanya unsur subjektivitas dan ketidak efisienan waktu. Pendekatan komputasional yang objektif untuk membedakan spesies berdasarkan ciri morfologis dapat diwujudkan melalui penerapan algoritma pembelajaran mesin, khususnya klasifikasi berbasis contoh. Dengan menggunakan dataset publik Iris yang bersumber dari UCI Machine Learning Repository standar yang terdiri dari 150 sampel, penelitian ini menyelidiki penggunaan algoritma K-Nearest Neighbor (KNN) untuk mengklasifikasikan tiga jenis bunga Iris (Setosa, Versicolor, dan Virginica). Empat parameter dimensi panjang dan lebar sepal serta kelopak menjadi fokus utama pengamatan. Dalam penelitian ini, ditemukan bahwa spesies Setosa memiliki batas spasial yang berbeda secara linier, sedangkan kelas Versicolor dan Virginica memiliki zona tumpang tindih yang signifikan dalam ruang fitur kelopak. Hasil ini diperoleh dengan menggunakan berbagai teknik Analisis Data Eksploratori (EDA), termasuk statistik deskriptif, histogram, dan pemetaan diagram sebar. Untuk pemodelan, data dibagi menjadi 80% data pelatihan dan 20% data uji dengan menggunakan stratifikasi guna menjaga keseimbangan kelas. Parameter lingkungan (neighborhood) ditetapkan sebesar K=5, dan algoritma KNN dievaluasi menggunakan matriks kebingungan serta metrik kinerja klasifikasi. Hasil pengujian menunjukkan bahwa model tersebut memiliki akurasi global sebesar 96,67%. Analisis tersebut menunjukkan bahwa spesies Setosa memiliki nilai presisi dan recall total sebesar 1,00 pada tingkat kelas; namun, terdapat satu kesalahan klasifikasi pada kelas Virginica yang seharusnya diklasifikasikan sebagai Versicolor. Hal ini membuktikan adanya tantangan tumpang tindih fitur alami akibat kemiripan morfologis yang sangat identik antara kedua spesies tersebut.]]>
Copyrights © 2026
