Komparasi Algoritma Decision Tree Dan KNN Dalam Mengklasifikasi Daerah Berdasarkan Produksi Listrik

Abstract

Pilihan negara yang sedang tumbuh dan berkembang, memiliki jumlah penduduk yang besar dan luas wilayah yang luas yaitu India sebagai contoh untuk diteliti. Listrik komponen vital dan berperan penting. Peneliti melakukan perbandingan akurasi antara dua algoritma pembelajaran mesin yang populer, yaitu Decision Tree dan KNN (K-Nearest Neighbor). Dataset yang berisi sampel sebanyak 345273 digunakan dan validasi dengan metode StratifiedKFold sebanyak 33 bagian dilakukan untuk mengevaluasi hasil klasifikasi dari kedua algoritma tersebut. Hasil dari penelitian ini menunjukkan bahwa algoritma Decision Tree yaitu 85.78% dan memiliki akurasi yang lebih tinggi dibandingkan dengan KNN yang memiliki akurasi sebesar 80.34% dalam mengklasifikasi daerah di India berdasarkan produksi listrik yang dihasilkan. Selain itu, temuan lainnya yaitu Decision Tree memiliki waktu komputasi yang lebih cepat yaitu 51.66 detik dibandingkan dengan KNN yang memiliki waktu komputasi sebesar 56.27 detik. Kesimpulan dari penelitian ini adalah bahwa algoritma Decision Tree memiliki akurasi yang lebih tinggi dibandingkan dengan algoritma KNN. Selain itu, Decision Tree juga memiliki waktu komputasi yang lebih cepat. Dengan demikian, algoritma Decision Tree dapat menjadi pilihan yang lebih baik dalam melakukan klasifikasi.