ALGORITHM COMPARISON AND FEATURE SELECTION FOR CLASSIFICATION OF BROILER CHICKEN HARVEST

Broiler chickens are the result of superior breeds that produce a lot of meat. In practice, however, many breeders experience crop failure, which has a serious impact on the economy and can also affect farmer quality, resulting in sanctions. The value of the performance index produced at harvest indicates the success rate of harvesting broiler chickens. Broiler crop yield data can be used to help classify broiler crop yield data using an approach method. The CRISP-DM (Cross Industry Standard Process for Data Mining) method was used in this study's data mining technique. This study compares 3 classification algorithms to determine the best algorithm and 3 feature selection methods to determine the best method for improving algorithm performance. According to the findings of this study, the Random Forest algorithm is the best algorithm for classifying harvest data, with an accuracy rate of 89.14 percent. The best way to improve the algorithm's performance is to use the Backward Elimination method, which can increase the accuracy by 7.53 percent. As a result, the Random Forest + Backward Elimination algorithm yields an accuracy value of 96.67 percent. According to this study, the factors that influence crop yield increase are FCR, number of harvests, and body weight.

[1]  Muhammad Niswar,et al.  DETEKSI KEPITING MOLTING MENGGUNAKAN TEKNIK KLASIFIKASI MACHINE LEARNING , 2022, J-ENSITEC.

[2]  M. Aminudin,et al.  Implementasi Data Mining dengan Algoritma Naïve Bayes Untuk Klasifikasi Kelayakan Penerima Bantuan Sembako , 2021, JURIKOM (Jurnal Riset Komputer).

[3]  Dwi Normawati,et al.  Implementasi Naïve Bayes Classifier Dan Confusion Matrix Pada Analisis Sentimen Berbasis Teks Pada Twitter , 2021 .

[4]  Budi Prasojo,et al.  Analisa Prediksi Kelayakan Pemberian Kredit Pinjaman dengan Metode Random Forest , 2021, Jurnal Nasional Teknologi dan Sistem Informasi.

[5]  Ahmad Fauzi,et al.  Analisis Data Bank Direct Marketing dengan Perbandingan Klasifikasi Data Mining Berbasis Optimize Selection (Evolutionary) , 2021, Jurnal Informatika Universitas Pamulang.

[6]  Yoga Religia,et al.  Klasifikasi Analisis Perbandingan Algoritma Optimasi pada Random Forest untuk Klasifikasi Data Bank Marketing , 2021 .

[7]  Z. Fanani,et al.  Pengukuran Performa Produksi Ayam Pedaging pada Closed House System dan Open House System di Kabupaten Malang Jawa Timur Indonesia , 2020, Jurnal Sain Peternakan Indonesia.

[8]  G. Sandag.  Prediksi Rating Aplikasi App Store Menggunakan Algoritma Random Forest , 2020 .

[9]  Saeful Amri,et al.  Perbandingan Kerangka Model Klasifikasi untuk Pemilihan Metode Kontrasepsi dengan Pendekatan CRIPS-DM , 2020 .

[10]  Bety Wulan Sari,et al.  Uji Performa Algoritma Naïve Bayes untuk Prediksi Masa Studi Mahasiswa , 2020 .

[11]  Dian Palupi Rini,et al.  Analisis Penyakit Jantung Menggunakan Metode KNN Dan Random Forest , 2020 .

[12]  Donny Avianto,et al.  Implementasi Ekstraksi Ciri Histogram dan K-Nearest Neighbor untuk Klasifikasi Jenis Tanah di Kota Banjar, Jawa Barat , 2019, Jurnal Buana Informatika.

[13]  Agus Perdana Windarto,et al.  Algoritma Naive Bayes Dalam Klasifikasi Lokasi Pembangunan Sumber Air , 2019, Prosiding Seminar Nasional Riset Information Science (SENARIS).

[14]  Panny Agustia Rahayuningsih.  Komparasi Algoritma Klasifikasi Data Mining untuk Memprediksi Tingkat Kematian Dini Kanker dengan Dataset Early Death Cancer , 2019, JOINTECS (Journal of Information Technology and Computer Science).

[15]  Mochammad Faid,et al.  Perbandingan Kinerja Tool Data Mining Weka dan Rapidminer Dalam Algoritma Klasifikasi , 2019, Teknika.

[16]  Vanissa Wanika Siburian,et al.  Prediksi Harga Ponsel Menggunakan Metode Random Forest , 2019 .

[17]  Rizki Tri Prasetio,et al.  Optimasi Klasifikasi Jenis Hutan Menggunakan Deep Learning Berbasis Optimize Selection , 2019, Jurnal Informatika.

[18]  Santi Susanti,et al.  Klasifikasi Kelayakan Peserta Pengajuan Kredit Rumah Dengan Algoritma Naïve Bayes Di Perumahan Azzura Residencia , 2019 .

[19]  Sri Lestari,et al.  IMPLEMENTASI DATA MINING DALAM PENERBITAN SURAT PENETAPAN TARIF DAN NILAI PABEAN MENGGUNAKAN METODE CLASSIFICATION PADA DIREKTORAT JENDERAL BEA DAN CUKAI , 2018 .

[20]  Divya Jain,et al.  Feature selection and classification systems for chronic disease prediction: A review , 2018, Egyptian Informatics Journal.

[21]  Hasan Demirel,et al.  Performance analysis of different classification algorithms using different feature selection methods on Parkinson's disease detection , 2018, Journal of Neuroscience Methods.

[22]  Haditsah Annur,et al.  Klasifikasi Masyarakat Miskin Menggunakan Metode Naive Bayes , 2018, ILKOM Jurnal Ilmiah.

[23]  Panny Agustia Rahayuningsih,et al.  Analisis Perbandingan Algoritma Klasifikasi Data Mining Untuk Dataset Blogger Dengan Rapid Miner , 2018 .

[24]  Zhiming Huang,et al.  Quantum-enhanced feature selection with forward selection and backward elimination , 2018, Quantum Inf. Process..

[25]  Mohamad Fajarianditya Nugroho,et al.  Fitur Seleksi Forward Selection Untuk Menetukan Atribut Yang Berpengaruh Pada Klasifikasi Kelulusan Mahasiswa Fakultas Ilmu Komputer UNAKI Semarang Menggunakan Algoritma Naive Bayes , 2017 .

[26]  Oman Somantri,et al.  Feature Selection Klasifikasi Kategori Cerita Pendek Menggunakan Naïve Bayes dan Algoritme Genetika , 2017 .

[27]  Ivo Colanus Rally Drajana.  METODE SUPPORT VECTOR MACHINE DAN FORWARD SELECTION PREDIKSI PEMBAYARAN PEMBELIAN BAHAN BAKU KOPRA , 2017 .

[28]  R. Indrajit,et al.  PENERAPAN KONSEP BUSINESS INTELLIGENCE UNTUK PERCEPATAN PENYELESAIAN PERKARA PADA PANMUD PERDATA KHUSUS MAHKAMAH AGUNG RI , 2017 .