Evaluasi Performa Naïve Bayes dan CART pada Klasifikasi Kualitas Tahu
Penulis
-
Luthfy Akmal Nugraha
Universitas Mandiri
-
Jupriyanto Jupriyanto
Universitas Mandiri
-
Haris Nizhomul Haq
Universitas Mandiri
-
Anderias Eko Wijaya
Universitas Mandiri
-
Hermansyah Nur Ahmad
Universitas Mandiri
https://doi.org/10.47561/jtik.v18i2.328
This Abstract has been read 30 times
Abstrak
Untuk tetap bersaing di pasar global, produsen tahu harus memastikan kualitas produk yang konsisten. Pabrik Tahu Sumber Barokah, sebagai pemasok tahu bernutrisi tinggi yang telah lama beroperasi, menghadapi tantangan dalam menjaga kualitas sepanjang proses produksi. Penelitian ini membandingkan kinerja algoritma Naïve Bayes dan Classification and Regression Trees (CART) dalam mengklasifikasikan kualitas tahu menggunakan dataset yang dikumpulkan dari pabrik, yang berisi sampel tahu berkualitas tinggi dan rendah. Metodologi penelitian mencakup identifikasi masalah, pengumpulan data, preprocessing, klasifikasi, validasi, evaluasi, dan penarikan kesimpulan. Cross-validation digunakan untuk validasi model, dan confusion matrix digunakan untuk menilai precision, recall, dan F1-score. Hasil eksperimen menunjukkan bahwa Naïve Bayes mencapai akurasi 91%, precision 100%, recall 85%, dan F1-score 92%, sedangkan CART mencapai akurasi 86%, precision 70%, recall 100%, dan F1-score 82%. Hasil ini menunjukkan bahwa Naïve Bayes lebih cocok untuk mengklasifikasikan kualitas tahu dalam konteks ini.
Keywords: Naïve Bayes, CART, Klasifikasi Kualitas Tahu, Cross-Validation
CITATIONS
Unduhan
##plugins.generic.paperbuzz.metrics##
Referensi
H. Azis and S. R. Jabir, “Chemical Composition and Aroma Profiling: Decision Tree Modeling of Formalin Tofu,” J. Embed. Syst. Secur. Intell. Syst., pp. 206–211, Nov. 2023, doi: 10.59562/jessi.v4i2.1162.
Z. Huang et al., “Evaluating the effect of different processing methods on fermented soybean whey-based tofu quality, nutrition, and flavour,” LWT, vol. 158, p. 113139, Mar. 2022, doi: 10.1016/j.lwt.2022.113139.
M. Herrmann, E. Mehner, L. Egger, R. Portmann, L. Hammer, and T. Nemecek, “A comparative nutritional life cycle assessment of processed and unprocessed soy-based meat and milk alternatives including protein quality adjustment,” Front. Sustain. Food Syst., vol. 8, Jun. 2024, doi: 10.3389/fsufs.2024.1413802.
F. Ali, K. Tian, and Z.-X. Wang, “Modern techniques efficacy on tofu processing: A review,” Trends Food Sci. Technol., vol. 116, pp. 766–785, Oct. 2021, doi: 10.1016/j.tifs.2021.07.023.
B. Phatcharathada and P. Srisuradetchai, “Randomized Feature and Bootstrapped Naive Bayes Classification,” Appl. Syst. Innov., vol. 8, no. 4, p. 94, Jul. 2025, doi: 10.3390/asi8040094.
A. Malik, B. Ram, D. Arumugam, Z. Jin, X. Sun, and M. Xu, “Predicting gypsum tofu quality from soybean seeds using hyperspectral imaging and machine learning,” Food Control, vol. 160, p. 110357, Jun. 2024, doi: 10.1016/j.foodcont.2024.110357.
N. Zhang, E. Zhang, and F. Li, “A Soybean Classification Method Based on Data Balance and Deep Learning,” Appl. Sci., vol. 13, no. 11, p. 6425, May 2023, doi: 10.3390/app13116425.
D. C. Wickramarachchi, B. L. Robertson, M. Reale, C. J. Price, and J. Brown, “HHCART: An Oblique Decision Tree,” Apr. 2015, [Online]. Available: http://arxiv.org/abs/1504.03415.
R. Blanquero, E. Carrizosa, C. Molero-Río, and D. R. Morales, “Optimal randomized classification trees,” Oct. 2021, doi: 10.1016/j.cor.2021.105281.
C. A. Döttinger et al., “Unravelling the genetic architecture of soybean tofu quality traits,” Mol. Breed., vol. 45, no. 1, p. 8, Jan. 2025, doi: 10.1007/s11032-024-01529-x.
##submission.downloads##
Diterbitkan
Cara Mengutip
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2025 Luthfy Akmal Nugraha, Jupriyanto Jupriyanto, Haris Nizhomul Haq, Anderias Eko Wijaya
This work is licensed under a Creative Commons Attribution 4.0 International License.
