PERBANDINGAN METODE KLASIFIKASI LEARNING VECTOR QUANTIZATION DENGAN DISKRIMINAN FISHER PADA DATA BUNGA IRIS

Abstract

Klasifikasi merupakan masalah penting dalam dunia ilmu data, dimana model dibangun untuk memprediksi label atau kelas pada suatu data berdasarkan fitur-fitur yang dimilikinya. Pembangunan model dan penggunaannya untuk melakukan klasifikasi adalah pekerjaan utama dalam klasifikasi. Berbagai metode klasifikasi telah dikembangkan, termasuk Learning Vector Quantization (LVQ) dan Diskriminan Fisher. Penelitian ini bertujan untuk membandingkan metode klasifikasi LVQ dan Diskriminan Fisher pada data bunga iris untuk menentukan metode yang lebih efektif dan efisien dalam melakukan klasifikasi. Hasil penelitian menunjukkan bahwa kedua metode mampu melakukan klasifikasi dengan akurasi yang cukup tinggi. Namun, terdapat perbedaan dalam kinerja kedua metode tersebut. Metode LVQ menghasilkan akurasi tertinggi sebesar 96.29% dengan waktu proses 4.56 second, sedangkan metode Diskriminan Fisher menghasilkan akurasi sebesar 100% dengan waktu proses 0.1 second. Hal ini menunjukkan bahwa metode Diskriminan Fisher lebih unggul dalam melakukan klasifikasi pada data bunga iris. Selain itu, hasil pengukuran waktu eksekusi menunjukkan bahwa metode Diskriminan Fisher lebih cepat dalam melakukan klasifikasi dibandingkan dengan metode LVQ.