PERBANDINGAN ALGORITMA NAÏVE BAYES DAN LONG SHORT-TERM MEMORY DALAM KLASIFIKASI KUALITAS SUSU

Authors

  • Fajar Rahardika Bahari Putra Fakultas Teknik, Universitas Muhammadiyah Sorong, Papua Barat Daya, 98416, Indonesia
  • Murni Fakultas Teknik, Universitas Muhammadiyah Sorong, Papua Barat Daya, 98416, Indonesia
  • Muhammad Surahmanto Fakultas Teknik, Universitas Muhammadiyah Sorong, Papua Barat Daya, 98416, Indonesia
  • Rezki Fakultas Teknik, Universitas Muhammadiyah Sorong, Papua Barat Daya, 98416, Indonesia
  • Dimas Adi Suseno Fakultas Teknik, Universitas Muhammadiyah Sorong, Papua Barat Daya, 98416, Indonesia

DOI:

https://doi.org/10.51544/jurnalmi.v10i2.6857

Keywords:

Perbandingan Algoritma, Klasifikasi, Naïve Bayes, Long Short-Term Memory, Kualitas Susu

Abstract

Latar belakang: Kualitas susu merupakan aspek penting dalam industri pangan karena secara langsung berkaitan dengan keamanan konsumsi dan kesehatan masyarakat. Pengujian kualitas susu konvensional memiliki keterbatasan dalam efisiensi dan objektivitas, sehingga memerlukan pendekatan berbasis data untuk mendukung proses klasifikasi kualitas susu.

Tujuan: Penelitian ini difokuskan pada perbandingan hasil klasifikasi antara algoritma Naïve Bayes dan Long Short-Term Memory (LSTM) pada data kualitas susu. Dataset dalam penelitian ini berupa data sekunder yang diambil melalui platform Kaggle, terdiri dari 844 data dengan tiga kelas kualitas, yaitu Low, Medium, dan High. Semua data digunakan sebagai populasi penelitian, dengan pembagian data pelatihan dan data uji, di mana 212 dataset digunakan sebagai data uji.

Metode penelitian yang diterapkan adalah pendekatan eksperimental dengan simulation-based experiment, menggunakan dataset yang sama pada kedua algoritma. Penilaian performa model dilakukan dengan memanfaatkan metrik accuracy, Confusion matrix,

Hasil: Berdasarkan hasil pengujian, algoritma Naïve Bayes mencapai tingkat accuracy sebesar 85%, lebih tinggi dibandingkan Long Short-Term Memory (LSTM) yang memperoleh 75%. Analisis per kelas menunjukkan bahwa Naïve Bayes lebih efektif dalam mengidentifikasi kelas Low dan Medium, sementara LSTM cenderung menghasilkan nilai recall yang lebih baik pada kelas Medium, namun menunjukkan penurunan kemampuan klasifikasi pada kelas Low dan High.

Kesimpulan: Berdasarkan hasil tersebut, penelitian ini kemudian menegaskan bahwa pemilihan algoritma klasifikasi perlu disesuaikan dengan karakteristik dataset untuk mendapatkan hasil yang optimal.precision, recall, dan F1-score.

Downloads

Download data is not yet available.

References

A. H. Nevia Wiranti, Veronika Wanniatie, “Kualitas Susu Sapi Segar Pada Pemerahan Pagi Dan Sore Quality of Fresh Cow’s Milk at Morning and Afternoon Milking,” J. Ris. dan Inov. Peternak., vol. 6, no. 2, pp. 123–128, 2022, doi: 10.23960//jrip.2022.6.2.123-128.

N. S. Anindita and D. S. Soyi, “Studi kasus Pengawasan Kualitas Pangan Hewani melalui Pengujian Kualitas Susu Sapi yang Beredar di Kota Yogyakarta,” J. Peternak. Indones., vol. 19, no. 2, pp. 96–105, 2017, doi: https://doi.org/10.25077/ jpi.19.2.93-102.2017.

P. Adi, R. Mulyani, and L. N. Khabibah, “Kajian keamanan pangan pada industri pengolahan susu di jawa tengah dengan menggunakan metode good manufacturing practices (gmp) food safety evaluation in the dairy processing industry in central java using good manufacturing practices (gmp) methods,” J. Teknol. Ind. Pertan., vol. 33, no. 3, pp. 305–316, 2023, doi: https://doi.org/10.24961/j.tek.ind.pert.2023.33. 3.305.

A. Azrul, A. I. Purnamasari, and I. Ali, “Analisis Sentimen Pengguna Twitter Terhadap Perkembangan Artificial Intelligence dengan Penerapan Algoritma Long Short-Term Memory (LSTM),” JATI (Jurnal Mhs. Tek. Inform., vol. 8, no. 1, pp. 413–421, 2024, doi: https://doi.org/10.36040/jati.v8i1.8416.

Andika, Syarli, and C. R. Sari, “Data Mining Klasifikasi Kelulusan Mahasiswa Menggunakan Metode Naïve Bayes,” J. PEQGURUANG, vol. 4, no. 1, pp. 423–428, 2022, doi: http://dx.doi.org/10.35329/jp.v4i1.2358.

M. Z. Haq, C. S. Octiva, Ayuliana, U. W. Nuryanto, and D. Suryadi, “Algoritma Naïve Bayes untuk Mengidentifikasi Hoaks di Media Sosial,” J. Minfo Polgan, vol. 13, no. 1, pp. 1079–1084, 2024, doi: https://doi.org/10.33395/jmp.v13i1.13937.

Sarman and D. S. Bahri, “Analisis Perbandingan Algoritma Naïve Bayes dengan SVM (Support Vektor Machine) Dalam Mendiagnosis Penyakit Asma,” J. Janitra Inform. dan Sist. Inf., vol. 5, no. 2, pp. 189–198, 2025, doi: 10.59395/m9qa0357.

P. Ramadani, R. Fadillah, Q. Adawiyah, Suerni, and B. R. Al Ghazali, “Perbandingan Algoritma Naïve Bayes , C4 . 5 , dan K-Nearest Neighbor untuk Klasifikasi Kelayakan Program Keluarga Harapan Jurnal Media Informatika [ JUMIN ],” J. MEDIA Inform. [JUMIN], vol. 6, no. 1, pp. 775–782, 2024, doi: https://doi.org/10.55338/jumin.v6i1.6083.

N. K. T. A. Saputri, I. G. A. Gunadi, and I. M. G. Sunarya, “Perbandingan Metode Analisis Sentimen Pelayanan Daring di Fakultas Teknik dan Kejuruan Universitas Pendidikan Ganesha Menggunakan Algoritma Naïve Bayes dan LSTM,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 4, no. 3, pp. 1120–1129, 2024, doi: https://doi.org/10.57152/malcom.v4i3.1336.

A. Saninah, W. Prihartono, and C. L. Rohmat, “Analisis Sentimen Ulasan Pengguna Terhadap Aplikasi Pembelajaran Berbahasa Duolingo Menggunakan Algoritma Naïve Baiyes Classifier,” JITET (Jurnal Inform. dan Tek. Elektro Ter., vol. 13, no. 1, pp. 619–628, 2025, doi: https://doi.org/10.23960/jitet.v13i1.5691.

G. Dwilestari and T. A. Afifah, “Perbandingan Kinerja Algoritma Naive Bayes Dan Decision Tree Dalam Klasifikasi Kanker Paru-Paru,” JATI (Jurnal Mhs. Tek. Inform., vol. 9, no. 1, pp. 801–807, 2025, doi: https://doi.org/10.36040/jati.v9i1. 12463.

F. W. Ali, I. W. Sumarjaya, and E. N. Kencana, “Seleksi Fitur Information Gain Untuk Klasifikasi Kualitas Susu Sapi Menggunakan Metode K- Nearest Neighbor Dan Naïve Bayes,” Innov. J. Soc. Sci. Res. Vol., vol. 5, no. 1, pp. 422–435, 2025, doi: https://doi.org/10.31004/innovative.v5i1.17477.

A. P. Wijaya, “Perbandingan Algoritma Klasifikasi Random Foresst dengan Naïve Bayes Classifier pada Studi Penyakit Berdasarkan Pola Nutrisi,” Remik Ris. dan E-Jurnal Manaj. Inform. Komput., vol. 9, no. 1, pp. 429–438, 2025, doi: http:// doi.org/10.33395/remik.v9i1.14652.

M. Waruwu, S. N. Pu`at, P. R. Utami, E. Yanti, and M. Rusydiana, “Metode Penelitian Kuantitatif: Konsep, Jenis, Tahapan dan Kelebihan,” J. Ilm. Profesi Pendidik., vol. 10, no. 1, pp. 917–932, 2025, doi: 10.29303/jipp.v10i1.3057.

S. Arti and E. Suherlan, “Evaluasi Kinerja Machine Learning dalam Memprediksi Kemampuan Adaptasi Mahasiswa pada Lingkungan Pembelajaran Daring,” J. Pustaka AI, vol. 5, no. 1, pp. 50–57, 2025, doi: https://doi.org/10.55382/jurnal pustakaai.v5i1.901.

Downloads

Published

2025-12-20

How to Cite

Fajar Rahardika Bahari Putra, Murni, Muhammad Surahmanto, Rezki, & Dimas Adi Suseno. (2025). PERBANDINGAN ALGORITMA NAÏVE BAYES DAN LONG SHORT-TERM MEMORY DALAM KLASIFIKASI KUALITAS SUSU . JURNAL MAHAJANA INFORMASI, 10(2), 153–166. https://doi.org/10.51544/jurnalmi.v10i2.6857