Klasifikasi Jamur Beracun dan Dapat Dimakan Menggunakan Algoritma Machine Learning

Nurvadika, Galihindra Nevano Nurvadika (2025) Klasifikasi Jamur Beracun dan Dapat Dimakan Menggunakan Algoritma Machine Learning. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5026201070-Undergraduate-Thesis.pdf - Accepted Version Restricted to Repository staff only Download (2MB) | Request a copy

Abstract

Jamur merupakan organisme yang dapat adaptasi di berbagai ekosistem dan memiliki beberapa fungsi dalam kehidupan manusia sehari-hari, seperti sumber pangan, obat, dan agen dekomposisi alami. Namun beberapa jenis jamur tidak aman untuk dikonsumsi atau beracun. Keracunan jamur merupakan hal yang tidak jarang terjadi di seluruh dunia, untuk mencegah hal tersebut diperlukan sebuah proses identifikasi. Spesies jamur beracun tidak sedikit dari mereka yang memiliki kemiripan karakteristik morfologi dengan jamur yang tidak beracun, sehingga sering menimbulkan kesalahan dalam proses identifikasi. Metode identifikasi tradisional yang mengandalkan observasi manusia memiliki risiko yang cukup signifikan terhadap kesalahan akibat keterbatasan manusia dan keahlian khusus dalam identifikasi. Selain itu, proses dalam identifikasi untuk jumlah yang banyak memerlukan waktu yang lama. Permasalahan ini mendorong keperluan solusi alternatif yang lebih cepat, akurat, dan efisien. Tugas akhir ini mengklasifikasikan jamur ke dalam kategori beracun atau tidak beracun berdasarkan dataset yang diperoleh dari UCI Machine Learning Repository menggunakan algoritma machine learning. Metode yang digunakan mencakup enam model klasifikasi, yaitu K-Nearest Neighbors (KNN), Gaussian Naïve Bayes (GNB), Support Vector Machine (SVM), Decision Tree (DT), Random Forest (RF), dan Logistic Regression (LR). Dataset yang digunakan terdiri atas data kategori yang telah melalui proses preprocessing berupa label encoding, pembagian data latih dan data uji, serta pelatihan model menggunakan platform Google Colab. Kinerja masing-masing model dievaluasi menggunakan empat metrik utama: akurasi, presisi, recall, dan F1-score. Hasil tugas akhir menunjukkan model memiliki performa yang baik dalam membedakan jamur beracun dan yang tidak beracun atau dapat dimakan, dengan variasi tingkat akurasi pada semua model. Beberapa dari model tersebut menunjukkan akurasi yang sempurna, sebesar 100%. Masing-masing model akan dibandingkan dengan setiap model memiliki keunggulan tertentu pada aspek akurasi maupun waktu proses. Luaran dari tugas akhir ini adalah alternatif solusi dalam proses identifikasi jamur dengan pendekatan berbasis machine learning yang lebih efisien dan akurat dalam waktu proses klasifikasi jamur
==================================================================================================================================
Mushrooms are organisms that can adapt to various ecosystems and have several functions in everyday human life, such as food sources, medicines, and natural decomposition agents. However, some types of mushrooms are not safe for consumption or are poisonous. Mushroom poisoning is not uncommon throughout the world, to prevent this, an identification process is needed. Many poisonous mushroom species have similar morphological characteristics to non-poisonous mushrooms, which often causes errors in the identification process. Traditional identification methods that rely on human observation have a significant risk of error due to human limitations and special expertise in identification. In addition, the identification process for large quantities takes a long time. This problem encourages the need for alternative solutions that are faster, more accurate, and more efficient. This final project classifies mushrooms into poisonous or edible categories based on datasets obtained from the UCI Machine Learning Repository using machine learning algorithms. The methods used include six classification models, namely K-Nearest Neighbors (KNN), Gaussian Naïve Bayes (GNB), Support Vector Machine (SVM), Decision Tree (DT), Random Forest (RF), and Logistic Regression (LR). The dataset used consists of category data that has gone through a preprocessing process in the form of label encoding, dividing training data and test data, and model training using the Google Colab platform. The performance of each model is evaluated using four main metrics: accuracy, precision, recall, and F1-score. The results of this final project are all models have good performance in distinguishing poisonous and edible mushrooms, with variations in accuracy levels across all models. Some of these models are showing very perfect accuracy, as perfect as 100%. Each model will be compared with each model having certain advantages in terms of accuracy and time process. The output of this final project is an alternative solution in the process of identifying fungi with

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Machine Learning, Jamur, Klasifikasi, Akurasi, Mushroom, Classification, Accuracy
Subjects:	T Technology > T Technology (General) > T57.5 Data Processing
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Information System > 57201-(S1) Undergraduate Thesis
Depositing User:	Galihindra Nevano Nurvadika
Date Deposited:	24 Nov 2025 08:58
Last Modified:	24 Nov 2025 08:58
URI:	http://repository.its.ac.id/id/eprint/128824

Actions (login required)

View Item