PERBANDINGAN KINERJA ALGORITMA SVM, DECISION TREE, DAN NAIVE BAYES UNTUK KLASIFIKASI DAN PENGELOMPOKAN SPESIES IRIS

Abstrak

Kemampuan untuk mengelola dan menganalisis data menjadi aspek penting dalam era digital saat ini. Klasifikasi merupakan salah satu metode yang memungkinkan pengelompokan objek berdasarkan pola tertentu. Penelitian ini bertujuan membandingkan kinerja tiga algoritma klasifikasi, yaitu Support Vector Machine (SVM), Decision Tree, dan Naive Bayes, dalam mengklasifikasikan spesies bunga Iris. Dataset Iris dipilih karena karakteristiknya yang sering digunakan dalam penelitian klasifikasi, mencakup tiga spesies utama: Iris setosa, Iris versicolor, dan Iris virginica. Penelitian ini menggunakan metodologi berbasis pendekatan terstruktur yang mencakup pemahaman masalah, eksplorasi data, pemrosesan, pemodelan, evaluasi, dan penerapan. Implementasi algoritma dilakukan menggunakan Python dengan pustaka scikit-learn, sedangkan aplikasi berbasis web dikembangkan menggunakan framework PHP dan Laravel untuk mendukung pengujian hasil model. Hasil penelitian menunjukkan bahwa SVM memiliki kinerja paling unggul dibandingkan dengan Decision Tree dan Naive Bayes, terutama dalam hal akurasi, presisi, recall, dan F1-score. Aplikasi berbasis web yang dibangun mampu memproses gambar bunga yang diunggah untuk menghasilkan prediksi spesies dengan tingkat keakuratan yang tinggi. Temuan ini menunjukkan potensi integrasi algoritma pembelajaran mesin dengan aplikasi berbasis web sebagai solusi praktis dalam pengelompokan dan klasifikasi data secara efisien