Peningkatan Akurasi KNN dengan Menggunakan Metode Principal Component Analysis pada Data Jenis Jamur

Abstract

Penelitian ini bertujuan untuk meningkatkan akurasi klasifikasi jamur menggunakan algoritma K-Nearest Neighbor (KNN) dengan bantuan Principal Component Analysis (PCA). KNN, meskipun sederhana, sering menghadapi tantangan dalam menangani dataset dengan dimensi tinggi yang mungkin mengandung fitur-fitur tidak relevan. PCA berperan sebagai teknik reduksi dimensi yang efektif untuk mengatasi masalah ini dengan mengidentifikasi dan mempertahankan fitur-fitur paling informatif. Hasil penelitian menunjukkan bahwa integrasi PCA dengan KNN berhasil meningkatkan akurasi klasifikasi jamur secara signifikan. Model KNN standar mencapai akurasi 94.96%, sementara KNN dengan PCA mencapai akurasi 97.45%. Peningkatan ini menegaskan bahwa PCA mampu menyaring fitur-fitur penting, memungkinkan KNN untuk bekerja lebih efisien. Penelitian ini menyimpulkan bahwa kombinasi PCA dan KNN merupakan pendekatan yang menjanjikan dalam meningkatkan akurasi klasifikasi, terutama pada dataset dengan dimensi tinggi. This research aimed to improve the accuracy of mushroom classification using the K-Nearest Neighbor (KNN) algorithm with the help of Principal Component Analysis (PCA). Although simple, KNN often faced challenges in handling highdimensional datasets that may contain irrelevant features. PCA served as an effective dimensionality reduction technique to overcome this issue by identifying and retaining the most informative features. The research results showed that integrating PCA with KNN significantly improved mushroom classification accuracy. The standard KNN model achieved 94.96% accuracy, while KNN with PCA reached 97.45%. This improvement confirmed that PCA successfully filtered important features, enabling KNN to work more efficiently. This research concluded that combining PCA and KNN was a promising approach to improving classification accuracy, especially for high-dimensional datasets.