Klasifikasi Jenis Kendaraan Menggunakan Decision Tree Dan Evaluasi Akurasi Melalui Confusion Matrix
Keywords:
Data mining, Decision Tree, Confusion matrixDOI:
https://doi.org/10.59435/jgcs.v1i1.2025.27Abstract
Data mining merupakan salah satu metode yang paling efektif dalam menghasilkan klasifikasi yang akurat, efisien, dan relevan. Pengelompokan jenis kendaraan berdasarkan sistem transmisi dilakukan dengan menggunakan algoritma Decision Tree dan dievaluasi melalui confusion matrix. Dataset yang digunakan mencakup empat jenis kendaraan: Bebek, Skuter, Sport, dan Trail, dengan tiga jenis transmisi: Manual, Automatic, dan Kopling. Algoritma Decision Tree dipilih karena kemampuannya dalam membagi dataset secara rekursif untuk menghasilkan aturan klasifikasi yang jelas dan mudah dipahami. Model dilatih dan diuji untuk memprediksi jenis transmisi berdasarkan fitur kendaraan, dengan hasil akurasi mencapai 95%. Evaluasi menggunakan confusion matrix mengungkap distribusi prediksi benar dan salah pada setiap kategori. Hasilnya menunjukkan bahwa transmisi Automatic dan Kopling diklasifikasikan dengan akurasi tinggi, meskipun terdapat beberapa kesalahan pada prediksi transmisi Manual. Nilai Cohen’s Kappa sebesar 0,913 mengindikasikan kesesuaian yang sangat baik antara prediksi dan data aktual. Algoritma Decision Tree terbukti efektif dalam klasifikasi jenis kendaraan, meskipun diperlukan perbaikan untuk meningkatkan akurasi pada kategori tertentu.
References
Z. Hariyanto and J. Matematika, “Klasifikasi jenis kendaraan bergerak berbasis,” 2015.
I. Najiyah and S. Topiq, “KLASIFIKASI JENIS KENDARAAN RODA EMPAT,” vol. 3, no. 2, pp. 199–206, 2021.
B. Pribadi, M. Naseer, J. Raya, and P. No, “Sistem Klasifikasi Jenis Kendaraan Melalui Teknik Olah Citra Digital,” vol. 3, no. 2, pp. 1–5, 2014.
M. I. U. Rosyidi and N. Rochmawati, “Teknik Bagging Pada Algoritma Klasifikasi Decision Tree dan SVM Untuk Klasifikasi SMS Berbahasa Indonesia,” vol. 05, pp. 265–271, 2023.
A. K. Dewantoro, I. Iwut, E. Susatio, F. Teknik, and U. Telkom, “SIMULASI DAN ANALISIS SISTEM PENGHITUNG KEPADATAN LALU LINTAS DAN KLASIFIKASI KENDARAAN BERBASIS WEBCAM DENGAN METODE BACKGROUND SUBTRACTION,” vol. 2, no. 2, pp. 2833–2840, 2015.
C. N. Syahputri and M. S. Hasibuan, “OPTIMASI KLASIFIKASI DECISION TREE DENGAN TEKNIK PRUNING UNTUK MENGURANGI OVERFITTING,” vol. 11, no. 2, pp. 87–96, 2024.
M. R. Darwis et al., “Analisis Sentiment Gambar pada Media Sosial dengan Pendekatan Deep Learning,” vol. 7, no. 2, pp. 91–95, 2024.
“KLASIFIKASI JENIS KENDARAAN PADA JALAN RAYA MENGGUNAKAN YOLOV7,” vol. 5, no. 4, pp. 661–666, 2023.
F. Putri, S. Ndruru, and S. Amdayani, “Development of e-modules based on socio-scientific issues on Chemistry content,” vol. 10, no. 2, pp. 129–140, 2023.
A. Wasik et al., “Implementasi data mining untuk memprediksi penjualan accessoris handphone dan handphone terlaris menggunakan metode k-nearest neighbor (k-nn) 1,” vol. 1, no. 2, pp. 469–479, 2024.
D. Jollyta, A. Hajjah, E. Haerani, and M. Siddik, Algoritma Klasifikasi untuk Pemula Solusi Python dan RapidMiner. Deepublish, 2023.
P. W. Rahayu et al., Buku Ajar Data Mining. PT. Sonpedia Publishing Indonesia, 2024.
Downloads
Published
Issue
Section
License
Copyright (c) 2025 Samsul, Universitas Ibrahimy (Author)
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.