Klasifikasi Tanaman Herbal Menggunakan Metode Naïve Bayes Clasifier Dan K-Nearest Neighbor
Abstract
Perkembangan ilmu tanaman telah mengalami kemajuan yang pesat, khususnya ilmu mengenai tanaman herbal. Tanaman herbal memiliki banyak manfaat bagi kehidupan manusia yaitu sebagai penyedian oksigen, bahan makanan, obat-obatan, maupun bahan kosmetika. Untuk mengetahui jenis-jenis tanaman herbal dapat dilakukan dengan proses klasifikasi. Pada penelitian ini, fitur VGG16 digunakan untuk ekstraksi fitur daun herbal. Fitur yang digunakan berjumlah 6 fitur. Ada beberapa macam metode klasifikasi yang biasa digunakan. Pada penelitian ini metode klasifikasi yang digunakan adalah metode Naïve Bayes Classifier dan K-Nearest Neighbor (KNN). Metode Naïve Bayes Classifier merupakan metode Bayesian Learning yang paling cepat dan sederhana. Sedangkan metode KNN dapat melakukan klasifikasi dengan cepat berdasarkan jarak terdekat diantara objek data. Berdasarkan hasil uji coba yang dilakukan, penggunaan metode Naïve Bayes Classifier didapatkan nilai akurasi sebesar 92,86%, sedangkan dengan menggunakan metode K-Nearest Neighbor didapatkan nilai akurasi sebesar 82,14%. Hal ini menunjukkan bahwa kinerja metode Naïve Bayes Classifier lebih baik dibandingkan metode KNN.
References
[2] Darnita, Y., & Toyib, R. (2021). Klasifikasi Penentuan Manfaat Tanaman Obat Herbal Berbasis Rule Based Reasoning. 10, 82–95.
[3] Fansyuri, M. (2020). Analisa Algoritma Klasifikasi K-Nearest Neighbor Dalam Menentukan Nilai Akurasi Terhadap Kepuasan Pelanggan (Study Kasus Pt. Trigatra Komunikatama). Humanika: Jurnal Ilmu Sosial, Pendidikan, Dan Humaniora, 3(1), 29–33.
[4] Kartarina, K., Sriwinarti, N. K., & Juniarti, N. Luh P. (2021). Analisis Metode K-Nearest Neighbors (K-NN) Dan Naive Bayes Dalam Memprediksi Kelulusan Mahasiswa. JTIM : Jurnal Teknologi Informasi Dan Multimedia, 3(2), 107–113. Https://Doi.Org/10.35746/Jtim.V3i2.159
[5] Marsuciati, R., Gumelar, G., & Prietno, R. (2021). Klasifikasi Metode Naïve Bayes Dan K-Nearest Neighbor Untuk Menentukan Keluarga Tidak Mampu. Prosiding SISFOTEK, 246–249. Http://Seminar.Iaii.Or.Id/Index.Php/SISFOTEK/Article/View/294%0Ahttp://Seminar.Iaii.Or.Id/Index.Php/SISFOTEK/Article/Download/294/261
[6] Neighbor, P. K., Pengolahan, P., Digital, C., Local, M., Untuk, P., Tanaman, K., & Melati, P. (2020). CITRA DIGITAL MENGGUNAKAN LOCAL BINARY PATTERN UNTUK KLASIFIKASI TANAMAN HERBAL.
[7] Nurjulianty, A., & Darwis, H. (2023). Perbandingan Metode Naïve Bayes Dan K-NN Dengan Ekstraksi Fitur GLCM Pada Klasifikasi Daun Herbal. 7, 1740–1748. Https://Doi.Org/10.30865/Mib.V7i4.6262
[8] Rahman, S., Sembiring, A., Siregar, D., Khair, H., Gusti Prahmana, I., Puspadini, R., & Zen, M. (2023). Python : Dasar Dan Pemrograman Berorientasi Objek. In Penerbit Tahta Media.
[9] Rinanda, P. D., Delvika, B., Nurhidayarnis, S., Abror, N., & Hidayat, A. (2022). Perbandingan Klasifikasi Antara Naive Bayes Dan K-Nearest Neighbor Terhadap Resiko Diabetes Pada Ibu Hamil. MALCOM: Indonesian Journal Of Machine Learning And Computer Science, 2(2), 68–75. Https://Doi.Org/10.57152/Malcom.V2i2.432
[10] Liantoni, F., & Nugroho, H. (2015). Klasifikasi Daun Herbal Menggunakan Metode Naïve Bayes Classifier Dan Knearest Neighbor. Jurnal Simantec, 5(1), 9–16.
