Penerapan Metode Naïve Bayes Untuk Mengklasifikasi Bunga Iris

Abstract

Penelitian ini memaparkan evaluasi komparatif mengenai algoritma Naive Bayes dan Decision Tree dalam konteks penerapan pada beragam domain data. Domain-domain yang dieksplorasi mencakup pengenalan spesies Iris, penentuan komposisi material daging, kategorisasi subjek, serta penilaian tingkat kemiringan di sektor pariwisata yang membutuhkan analisis yang cermat. Tujuan utama dari studi ini adalah untuk menilai efektivitas, keunggulan khas, serta batasan yang dimiliki oleh kedua model prediktif tersebut ketika dihadapkan pada karakteristik data yang berbeda. Metodologi penelitian melibatkan implementasi sistematis dari kedua algoritma pada serangkaian dataset spesifik dengan prosedur eksperimen yang terstruktur. Pengukuran kinerja didasarkan pada metrik-metrik standar, yaitu akurasi, presisi, recall, dan F1-score. Hasil analisis menunjukkan bahwa kedua algoritma menampilkan tingkat kinerja yang sebanding, namun dengan titik kekuatan yang berbeda-beda yang bergantung erat pada sifat data yang dianalisis. Decision Tree terbukti menawarkan interpretabilitas yang superior dan memiliki kapabilitas lebih baik dalam memodelkan hubungan data non-linear. Sebaliknya, Naive Bayes menunjukkan efisiensi yang optimal, terutama pada kasus di mana fitur-fitur memiliki tingkat independensi tinggi dan ketika diolah menggunakan jumlah data pelatihan yang besar. Temuan-temuan ini memberikan kontribusi penting dalam mengidentifikasi skenario aplikasi yang paling sesuai untuk masing-masing algoritma dalam menyelesaikan berbagai permasalahan data mining secara efektif. Hasil pengujian menunjukkan bahwa metode Naive Bayes mampu mencapai akurasi sebesar 93,3%, dengan nilai precision, recall, dan F1-score yang tinggi pada setiap kelas. Hasil ini menunjukkan bahwa metode Naive Bayes memiliki kinerja yang baik dan efektif dalam melakukan klasifikasi bunga Iris..