Klasifikasi Jenis Bunga Iris Menggunakan KNN

Pendahuluan
Klasifikasi jenis bunga Iris merupakan salah satu studi kasus klasik dalam pembelajaran machine learning. Dataset ini sering digunakan untuk mempelajari algoritma klasifikasi karena memiliki fitur yang sederhana namun efektif. Dalam proyek ini, kita akan menggunakan algoritma K-Nearest Neighbors (KNN) untuk memprediksi jenis bunga berdasarkan fitur morfologinya.

Proyek ini sangat cocok untuk topik skripsi atau tugas akhir yang berkaitan dengan pengenalan machine learning dasar. Platform seperti ITS Academics juga banyak menyediakan materi, template, dan layanan pendukung, termasuk jasa joki skripsi berbasis data science.

Dataset Iris
Dataset Iris terdiri dari 150 data bunga dengan fitur:

• sepal length (cm)

• sepal width (cm)

• petal length (cm)

• petal width (cm)

Target klasifikasi terdiri dari tiga jenis bunga:

• Iris-setosa

• Iris-versicolor

• Iris-virginica

Implementasi Python dengan KNN

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.neighbors import KNeighborsClassifier
from sklearn.metrics import classification_report, accuracy_score

# Load data
iris = load_iris()
X = iris.data
y = iris.target

# Normalisasi fitur
scaler = StandardScaler()
X = scaler.fit_transform(X)

# Split data
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# Inisialisasi model KNN
knn = KNeighborsClassifier(n_neighbors=5)
knn.fit(X_train, y_train)

# Prediksi dan evaluasi
y_pred = knn.predict(X_test)
print("Akurasi:", accuracy_score(y_test, y_pred))
print(classification_report(y_test, y_pred, target_names=iris.target_names))

Analisis
Dengan parameter k=5, model KNN mampu mengklasifikasikan jenis bunga iris dengan akurasi tinggi. Dataset ini relatif seimbang dan sederhana, sehingga cocok untuk eksperimen awal.

Untuk visualisasi:

import matplotlib.pyplot as plt
import seaborn as sns

# Contoh visualisasi sebaran fitur
sns.scatterplot(x=X[:, 2], y=X[:, 3], hue=iris.target_names[y])
plt.xlabel("Petal Length (cm)")
plt.ylabel("Petal Width (cm)")
plt.title("Visualisasi Iris Dataset")
plt.show()

Kesimpulan
Algoritma KNN sangat efektif untuk kasus klasifikasi sederhana seperti dataset Iris. Proyek ini tidak hanya bermanfaat untuk pembelajaran dasar, tetapi juga dapat menjadi bahan skripsi atau tugas akhir. Dengan dukungan platform itsacademics dan layanan jasa joki skripsi, pengerjaan proyek seperti ini menjadi lebih mudah dan efisien bagi mahasiswa.