Ensemble Classifier dengan Teknik Weighted Voting untuk Klasifikasi Jamur Beracun

Abstract

Jamur adalah organisme heterotrof yang memenuhi kebutuhan hidupnya dengan memanfaatkan bahan organik dari organisme lain. Jamur terdiri dari 3 kelompok, yaitu jamur yang bisa dimakan, jamur yang beracun, dan jamur yang tidak diketahui bisa dimakan atau beracun. Tujuan dari penelitian ini adalah menemukan algoritma terbaik untuk mengklasifikasikan jenis jamur secara tepat. Klasifikasi jamur dapat dilakukan melalui penerapan single classifier diantaranya algoritma Gaussian Naive Bayes, C4.5 dan Classification and Regression Trees (CART), yang kemudian dilakukan perbandingan hasilnya menggunakan ensemble classifier. Single classifier memiliki performa yang terbatas dan tidak adaptif terhadap perubahan data, sedangkan algoritma ensemble dengan Weighted Soft Voting mampu menutupi kekurangan tersebut dengan melakukan peningkatan akurasi dan ketahanan melalui penggabungan prediksi dari beberapa model yang diberi bobot berdasarkan performa masing-masing. Algoritma Gaussian Naive Bayes, CART dan C4.5 dengan teknik pengujian percentage split memperoleh hasil akurasi secara berturut-turut sebesar 63,55%, 97,67% dan 97,77%. Hasil penelitian menggunakan metode Ensemble dapat meningkatkan nilai akurasi dengan penggabungan ketiga bobot algoritma dengan hasil akurasi sebesar 98%. Dalam kasus ini, algoritma Ensemble memperoleh performa terbaik pada klasifikasi jamur.