Rahman, Fahri Ari (2024) Perbandingan performa algoritma K-Nearest Neighbors (KNN) dan decision tree untuk klasifikasi aroma makanan berformalin / Fahri Ari Rahman</p>. Diploma thesis, Universitas Negeri Malang.
Full text not available from this repository.Abstract
p Makanan yang sehat merupakan salah satu aspek penting dalam menjaga kualitas kesehatan manusia. Di tengah berkembangnya industri makanan perhatian terhadap keamanan dan kualitas makanan menjadi semakin mendesak. Salah satu contoh industri makanan yang signifikan di Indonesia adalah industri tahu. Makanan tahu sangat digemari dan memiliki nilai gizi tinggi. Namun munculnya isu serius terkait penggunaan bahan berbahaya seperti formalin dalam makanan telah menjadi ancaman serius terhadap kesehatan publik. Formalin merupakan sebuah bahan kimia dengan sifat desinfektan dan pengawet digunakan oleh pedagang tahu untuk memperpanjang masa simpan dan meningkatkan keuntungan. Namun formalin juga dikenal sebagai bahan yang berbahaya bagi kesehatan manusia. Oleh karena itu penting untuk mencegah penggunaan formalin dalam produksi tahu guna melindungi kesehatan konsumen terutama anak-anak. Penelitian ini bertujuan untuk mengembangkan model klasifikasi yang dapat memprediksi kualitas aroma tahu yang terawetkan dengan formalin berdasarkan komponen kimianya. Tahapan klasifikasi aroma tahu ini dibagi menjadi 4 tahapan penelitian yaitu pengumpulan data pre-processing data processing data dan evaluasi hasil. Data dikumpulkan dari dataset public Dataset of Formalin Tofu Aroma . Tahapan pre-processing yang diterapkan dalam penelitian ini yaitu retrieve dataset remove duplicates normalize dan multiply. Model klasifikasi yang digunakan adalah K-Nearest Neighbors (KNN) dan Decision Tree yang akan dibandingkan performa kedua algoritma dalam memprediksi kualitas aroma tahu. Evaluasi hasil klasifikasi menggunakan metrik accuracy precision recall dan F1 score. Hasil penelitian algoritma KNN menunjukkan performa yang lebih baik dibandingkan dengan Decision Tree dalam semua metrik evaluasi. KNN memiliki akurasi 80.86% presisi 72.04% recall 99.05% dan f1-score 83.44%. Sementara itu Decision Tree memiliki akurasi 75.17% presisi 75.85% recall 71.73% dan f1-score 73.70%. Oleh karena itu untuk kasus ini KNN lebih unggul dalam efektivitas prediksi presisi identifikasi sampel positif dan keseimbangan antara presisi dan recall. /p
| Item Type: | Thesis (Diploma) |
|---|---|
| Divisions: | Fakultas Teknik (FT) > Departemen Teknik Elektro (TE) > S1 Teknik Informatika |
| Depositing User: | library UM |
| Date Deposited: | 13 Jun 2024 04:29 |
| Last Modified: | 09 Sep 2024 03:00 |
| URI: | http://repository.um.ac.id/id/eprint/358004 |
Actions (login required)
 |
View Item |