Analisis Perbandingan Metode Machine Learning pada Prediksi Khasiat Jamu

Abstract

Jamu adalah bahan berupa tumbuhan, bahan hewan, bahan mineral, sediaan sarian (galenik) atau campuran dari bahan tersebut yang secara turun temurun telah digunakan untuk pengobatan. Jamu telah terbukti secara empiris dapat menyembuhkan beberapa penyakit namun belum ada bukti ilmiah yang menjelaskan keterkaitan antar formula dan komposisi bahan-bahan alami dengan khasiatnya sehingga masih menjadi permasalahan yang menarik untuk diteliti. Tujuan penelitian ini adalah menganalisis metode machine learning dalam mengklasifikasi khasiat jamu berdasarkan komposisi tanaman dan mencari metode yang paling cocok untuk klasifikasi khasiat formula jamu. Hasil penelitian ini dibandingkan dengan penelitian sebelumnya yang menggunakan metode Partial Least Square Discriminant Anaysis (PLS-DA), metode Support Vector Machine (SVM), dan metode Voting Feature Intervals 5 (VFI5). Metode PLS-DA memiliki akurasi 71.60%, SVM memiliki akurasi 71%, dan metode VFI5 memiliki akurasi 54.91%. Metode machine learning yang paling cocok dengan data jamu adalah random forest dengan akurasi sebesar 71.77% dengan waktu training yang tidak jauh berbeda dengan metode machine learning lainnya.