Analisis Perbandingan Algoritma Decision Tree Dan Random Forest Terhadap Klasifikasi Kualitas Buah Apel

Abstract

Apel merupakan salah satu komoditas unggulan di Indonesia yang kualitasnya perlu diklasifikasikan secara tepat untuk menjaga nilai jual. Proses klasifikasi manual masih sering digunakan, namun memiliki kelemahan dari sisi waktu, biaya, dan akurasi. Penelitian ini bertujuan membandingkan kinerja algoritma Decision Tree dan Random Forest dalam klasifikasi kualitas buah apel. Data penelitian diperoleh dari dataset Kaggle dengan atribut ukuran, berat, tingkat kemanisan, kerenyahan, kelembapan, kematangan, dan keasaman. Metode penelitian meliputi preprocessing, pembagian data, pelatihan model, serta evaluasi menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan random forest mendapatkan tinggkat akurasi 90% dan tingkat akurasi Decision Tree 81% maka dapat ditarik kesimpulan bahwa algoritma Random Forest merupakan metode yang lebih unggul dibandingkan dengan Decision TreeSelain itu, dalam penelitian ini juga dilakukan pengujian dengan beberapa rasio pembagian data latih (training) dan data uji (testing), yaitu (90/10, 80/20, 70/30, 60/40, 50/50). Dari hasil pengujian tersebut, diperoleh bahwa rasio 80/20 menghasilkan tingkat akurasi yang paling tinggi dibandingkan rasio lainnya.