Analisis Klasifikasi Spesies Bunga Menggunakan Dataset IRIS

Krisna Aldin Ramadhan, Agitya Arum Falysa, Puspa Sri Handayani, Raihan Akba Anamta Taufik

Abstract


 

Penelitian ini bertujuan untuk menganalisis klasifikasi spesies bunga iris menggunakan Iris Flower Dataset, yang terdiri dari tiga spesies bunga: Iris-setosa, Iris-versicolor, dan Iris-virginica. Dataset ini mencakup empat fitur morfologis bunga, yaitu panjang dan lebar sepal, serta panjang dan lebar petal, yang digunakan sebagai variabel input untuk klasifikasi. Dengan menggunakan metode analisis statistik deskriptif dan visualisasi data, penelitian ini mengeksplorasi distribusi data untuk setiap spesies. Hasil analisis menunjukkan adanya pemisahan yang jelas antara Iris-setosa dan dua spesies lainnya, sementara Iris-versicolor dan Iris-virginica menunjukkan beberapa tumpang tindih pada beberapa fitur. Berdasarkan hasil ini, peneliti mengevaluasi algoritma klasifikasi seperti K-Nearest Neighbors (KNN), Support Vector Machine (SVM), dan Decision Tree untuk mengidentifikasi spesies bunga. Penelitian ini memberikan wawasan tentang bagaimana algoritma klasifikasi dapat diterapkan secara efektif pada dataset yang memiliki karakteristik pemisahan yang berbeda antar kelas. Hasilnya menunjukkan bahwa algoritma SVM memberikan akurasi yang lebih tinggi dalam membedakan spesies bunga dibandingkan dengan algoritma lainnya

Keywords


Iris Flower Dataset, klasifikasi, K-Nearest Neighbors (KNN), Support Vector Machine (SVM), Decision Tree, pembelajaran mesin.

References


Asiva Noor Rachmayani. (2015). Machine Learning Mastery With Python. 6.

Avendaño-Valencia, L. D., & Fassois, S. D. (2015). Natural vibration response based damage detection for an operating wind turbine via Random Coefficient Linear Parameter Varying AR modelling. Journal of Physics: Conference Series, 628(1), 273–297. https://doi.org/10.1088/1742-6596/628/1/012073

Chang, H., & Astolfi, A. (2011). Gaussian based classification with application to the Iris data set. In IFAC Proceedings Volumes (IFAC-PapersOnline) (Vol. 44, Issue 1 PART 1). IFAC. https://doi.org/10.3182/20110828-6-IT-1002.02644

Geldiev, E. M., Nenkov, N. V., & Petrova, M. M. (2018). Exercise of Machine Learning Using Some Python Tools and Techniques. CBU International Conference Proceedings, 6, 1062–1070. https://doi.org/10.12955/cbup.v6.1295

Greetz, C. (1954). THE USE OF MULTIPLE MEASUREMENTS IN TAXONOMIC PROBLEMS. 1(1), 1–8.

Konieczny, R., & Idczak, R. (2016). Mössbauer study of Fe-Re alloys prepared by mechanical alloying. Hyperfine Interactions, 237(1), 1–8. https://doi.org/10.1007/s10751-016-1232-6

Loh, W.-Y. (2011). Classification and regression trees cross-references. WIREs Data Mining Knowl Discov, 1(1), 14–23.

Vagaš, M. (2016). Thread-forming Equipment as Object for Innovation Process. 4(7), 450–453. https://doi.org/10.12691/ajme-4-7-40

Vanwinckelen, G., Blockeel, H., Hämäläinen, W., Petitjean, F., & Webb, G. (2014). Look before you leap: Some insights into learner evaluation with cross-validation. JMLR: Workshop and Conference Proceedings, 1(3), 3–19.


Refbacks

  • There are currently no refbacks.


Copyright (c) 2025 Prosiding Seminar Nasional Mahasiswa Bidang Ilmu Komputer dan Aplikasinya

Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.