ANALISIS PERBANDINGAN HASIL KERJA ALGORITMA C4.5 DAN NAIVE BAYES DALAM MENGENALI SPESIES JAMUR YANG BERACUN
Abstract
Jamur adalah makanan yang umum dikonsumsi, tetapi tidak semua jenis jamur bisa dimakan karena ada yang beracun. Karena itu, penting untuk bisa membedakan jamur yang aman dari yang beracun secara akurat. Penelitian ini bertujuan mengklasifikasikan jamur dengan membandingkan dua metode data mining yaitu C4.5 dan Naive Bayes, berdasarkan 22 ciri fisik jamur dari dataset Mushroom. Analisis dilakukan menggunakan Orange Data Mining dengan metode 10-fold cross validation agar hasilnya lebih stabil. Hasil menunjukkan bahwa metode C4.5 memiliki performa terbaik dengan akurasi 98,5%, precision 98,6%, recall 98,5%, F1-score 98,5%, dan AUC 0,983. Sementara itu, Naïve Bayes mencapai akurasi 96,2%, precision 96,4%, recall 96,2%, F1-score 96,2%, dan AUC 0,998. Namun, performa Naive Bayes tidak stabil karena metode ini mengasumsikan semua fitur bebas satu sama lain, padahal tidak sesuai dengan karakteristik dataset. Dari Confusion Matrix dan ROC Curve, C4.5 menunjukkan kemampuan membedakan kelas yang lebih baik serta tingkat kesalahan prediksi lebih rendah dibandingkan Naive Bayes. Kesimpulannya, metode C4.5 lebih efektif dan akurat dalam mengklasifikasikan jamur, serta membantu dalam mengidentifikasi jamur yang bisa dimakan dan yang beracun.
Downloads
References
Putra, I. P. (2022). Kasus-kasus keracunan jamur liar di Indonesia. Jurnal Ekologi Kesehatan, 20(3), 215–230. https://doi.org/10.22435/jek.v20i3.4943
Putra, I. P., & Hermawan, R. (2021). Identifikasi jamur beracun Clitocybe sp. di Gresik, Indonesia (Studi kasus). Media Penelitian dan Pengembangan Kesehatan, 31(2), 119–124. https://doi.org/10.22435/mpk.v31i2.4352
Fathurrohman, R., Fajri, M., Cahyono, S. M., Abdillah, D. F., & Ramadhan, V. (2024). Data mining pada klasifikasi jamur menggunakan algoritma C4.5 berdasarkan karakteristik morfologi mushroom. https://doi.org/10.31294/simpatik.v4i1.3529
Prabudifa, M. Y., Mayangsari, O. S., Desiani, A., Zayanti, D. A., Primartha, R., & Novita, D. (2025). Ensemble classifier dengan teknik weighted voting untuk klasifikasi jamur beracun. JATISI, 12(2), 39–50. https://doi.org/10.35957/jatisi.v12i2.10168
Al Aziz, M. R., Furqon, M. T., & Muflikhah, L. (2022). Klasifikasi jamur dapat dimakan atau beracun menggunakan Naïve Bayes dan seleksi fitur berbasis association rule mining. http://j-ptiik.ub.ac.id
Batubara, G. M. C., Desiani, A., & Amran, A. (2023). Klasifikasi jamur beracun menggunakan algoritma Naïve Bayes dan K-Nearest Neighbors. Jurnal Ilmu Komputer dan Informatika, 3(1), 33–42. https://doi.org/10.54082/jiki.68
Rahmayanti, A., Rusdiana, L., & Suratno, S. (2022). Perbandingan metode algoritma C4.5 dan Naïve Bayes untuk memprediksi kelulusan mahasiswa. Walisongo Journal of Information Technology, 4(1), 11–22. https://doi.org/10.21580/wjit.2022.4.1.9654
Pratama, R., Huda, B., Novalia, E., & Kabir, H. (2022). Perbandingan algoritma C4.5 dan Naïve Bayes dalam menentukan persediaan stok. METIK Jurnal, 6(2), 115–122. https://doi.org/10.47002/metik.v6i2.379
Alim, S., Anwari, & Hozairi. (2021). Implementasi Orange Data Mining untuk klasifikasi kelulusan mahasiswa dengan model K-Nearest Neighbor, Decision Tree, serta Naive Bayes. https://doi.org/10.21107/nero.v6i2.237
Putri, D. D., Nama, G. F., & Sulistiono, W. E. (2022). Analisis sentimen kinerja DPR pada Twitter menggunakan metode Naive Bayes Classifier. Jurnal Informatika dan Teknik Elektro Terapan, 10(1). https://doi.org/10.23960/jitet.v10i1.2262
Nasution, M. A., Ulumuddin, Z. A., & Fitri, A. (2024). Analisis faktor risiko diabetes melitus menggunakan algoritma C4.5: Implementasi pada aplikasi Orange. https://doi.org/10.56495/saintek.v1i3.1345
Anto, F. M., Abimanyu, L. S., & Herdi, T. (2024). Penerapan algoritma Naïve Bayes dengan feature selection pada data penjualan konstruksi. Jurnal Ilmiah FIFO, 15(2), 102. https://doi.org/10.22441/fifo.2023.v15i2.002
Gusmansyah, M. R., & Hendrawan, H. (2025). Peningkatan kinerja analisis sentimen pada ulasan aplikasi identitas kependudukan digital (IKD) di Indonesia menggunakan algoritma SVM dan SMOTE. INSTEK, 10(1). https://doi.org/10.24252/instek.v10i1.55292
Mardiani, E., et al. (2023). Membandingkan algoritma data mining dengan tools Orange untuk social economy. Digital Transformation Technology, 3(2), 686–693. https://doi.org/10.47709/digitech.v3i2.3256
Pranadjaya, E., Pangestu, E. S., Sereati, C. O., Octaviani, S., & Darmawan, M. (2024). Perbandingan algoritma machine learning menggunakan Orange Data Mining untuk klasifikasi jenis kendaraan pada sistem tilang digital. https://doi.org/10.25170/jurnalelektro.v17i1.5429
Wati, C. M., Fauzan, A. C., & Harliana. (2022). Performance comparison of mushroom type classification based on multi-scenario dataset using decision tree C4.5 and C5.0. JRI, 4. https://doi.org/10.34288/jri.v4i3.173
Putri, A., Jasmir, & Purnama, B. (2025). Klasifikasi kelayakan penerima beasiswa menggunakan Naive Bayes dengan optimasi atribut berbasis K-Means clustering. MALCOM, 5, 1450–1462. https://doi.org/10.57152/malcom.v5i4.2312
Tangirala, S. (2020). Evaluating the impact of Gini index and information gain on classification using decision tree classifier algorithm. https://doi.org/10.14569/IJACSA.2020.0110277
Pebdika, A., Herdiana, R., & Solihudin, D. (2023). Klasifikasi menggunakan metode Naive Bayes untuk menentukan calon penerima PIP. https://doi.org/10.36040/jati.v7i1.6303
Rahayu, D. W. Y., Umam, K., & Handayani, M. R. (2025). Performance of machine learning algorithms on imbalanced sentiment datasets without balancing techniques. https://doi.org/10.30871/jaic.v9i3.958
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
