ANALISA PERBANDINGAN ALGORITMA KLASIFIKASI SUPPORT VECTOR MACHINE, DECESSION TREE DAN NAIVE BAYES

Authors

  • agus heri yunial Pamulang University

Keywords:

Data Mining, Klasifikasi, Support Vector Machine, Decession Tree, Naive Bayes

Abstract

Data bisa hanya menjadi sebatas sekumpulan fakta atau statistik bagi seseorang namun bisa juga menjadi informasi yang sangat berguna jika diolah dan digali demi mendapatkan suatu informasi baru yang bisa digunakan sebagai analisa dan persiapan yang akan terjadi kedepannya, dimana pengolahan data tersebut dinamakan data mining. Klasifikasi adalah salah satu algoritma pada data mining yang menelompokan suatau data kedalam kriteria atau kategori tertentu dengan membaca data sebelumnya yang sudah ada. Beberapa algoritma klasivikasi yang sering digunakan diantaranta adalah Support Vector Machine, Decession Tree, dan Naive Bayes. Dimana pada penelitian ini akan dilakukan analisa terhadap hasil dari nilai akurasi ketiga algortima tersebut dalam mengklasifikasikan suatu data. Data yang digunakan berupa dataset dari uci Machine Learning diantaranya Chronic Kidney Disease, facebook large, dan Breast Cancer. Hasil dari penelitian ini didapatkan nilai akurasi rata-rata menggunakan algoritma decision tree adalah sebesar 87.43 % dan merupakan nilai akurasi tertinggi dari kedua algoritma lainnya. Algoritma Support Vector Machine adalah sebesar 87.16 %, dan nilai akurasi rata-rata menggunakan algoritma Naive Bayes adalah sebesar 84.92 %.

References

A. B. Wibisono dan A. Fahrurozi, “Perbandingan Algoritma Klasifikasi Dalam Pengklasifikasian Data Penyakit Jantung Koroner,†Jurnal Ilmiah Teknologi dan Rekayasa, pp. 161-170, 2019.

A. P. A. Rahayuningsih dan R. Maulana, “Analisis Perbandingan Algoritma Klasifikasi Data Mining Untuk Dataset Blogger Dengan Rapid Miner,†Jurnal Khatulistiwa Informatika, pp. 20-28, 2018.

D. Prajarini, “Perbandingan Algoritma Klasifikasi Data Mining Untuk Prediksi Penyakit Kulit,†Informatic Journal, pp. 137-141, 2016.

D. Nofriansyah, Konsep Data Mining vs Sistem Pendukung Keputusan, Yogyakarta: Deepublish, 2012.

Kusrini dan E. T. Lutfi, Algoritma Data Mining, Yogyakarta: Andi, 2009.

D. Nurdiyah dan I. A. Muwakhid , “Perbandingan Support Vector Machine Dan K-Nearest Neighbor Untuk Klasifikasi Telur Fertil Dan Infertil Berdasarkan Analisis Texture GLCM,†Jurnal Transformatika, pp. 29-34, 2016.

D. R. D. Lestari, “Perbandingan Klasifikasi Beasiswa Toyota Astra Menggunakan K-Nearest Neighbor Classifier Dan Naïve Bayes Sebagai Penentu Metode Klasifikasi Pada Spk Penerimaan Beasiswa Toyota Astra,†2017.

X. Li, L. Wang dan E. Sung, “AdaBoost with SVM-based component classifiers,†Engineering Applications of Artificial Intelligence, pp. 785-795, 2008.

J. Han, M. Kamber dan J. Pei, Data mining: Concepts and Techniques (3th ed.), Waltham: Elsevier, 2012.

Kusnawi, “Pengantar Solusi Data Mining,†Seminar Nasional Teknologi 2007, pp. 1-9, 2007.

P. Rahmadi, N. K. Tachjar dan L. S. Istiyowati, “Extracting Features On Indonesian Rupiah Notes Using 2DPCA Algorithm For Forged Detection,†International Conference for Emerging Markets, pp. 1-6, 2013.

E. Prasetyo, Data Mining: Konsep dan Aplikasi menggunakan Matlab, Yogyakarta: Andi, 2012.

P. Flach, “Machine Learning: The Art and Science of Algorithms that Make Sense of Dataâ€.

S. Fitri, “Perbandingan Kinerja Algoritma Klasifikasi Naïve Bayesian, Lazy-Ibk, Zero-R, Dan Decision Tree- J48,†DASI, pp. 33-37, 2014.

N. Ratama, “IMPLEMENTASI METODE FUZZY TSUKAMOTO UNTUK DETEKSI DINI AUTISME PADA BALITA BERBASIS ANDROID,†vol. 3, no. 2, pp. 129–139, 2020, [Online]. Available: https://e-journal.stmiklombok.ac.id/index.php/jire/article/view/269.

Munawaroh, “Penerapan Metode Fuzzy Inference System Dengan Algoritma Tsukamoto,†J. Inform. J. Pengemb. IT Poltek Tegal, vol. 03, no. 02, pp. 184–189, 2018.

Downloads

Published

2020-10-26

Issue

Vol. 5 No. 2 (2020): Tantangan Dan Peluang E Commerce Dalam Era Ekonomi Digital Menuju Society 5.0

Section

Article

License

Authors who publish with this journal agree to the following terms:

  1. Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.
  2. Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.
  3. Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (See The Effect of Open Access).

Prosiding Seminar Informatika dan Sistem Informasi have CC-BY-NC-SA or an equivalent license as the optimal license for the publication, distribution, use, and reuse of scholarly work.

In developing strategy and setting priorities, Prosiding Seminar Informatika dan Sistem Informasi recognize that free access is better than priced access, libre access is better than free access, and libre under CC-BY-NC-SA or the equivalent is better than libre under more restrictive open licenses. We should achieve what we can when we can. We should not delay achieving free in order to achieve libre, and we should not stop with free when we can achieve libre.

Prosiding Seminar Informatika dan Sistem Informasi is licensed under a Creative Commons Attribution 4.0 International License

YOU ARE FREE TO:

  • Adapt â€” remix, transform, and build upon the material for any purpose, even commercially.
  • The licensor cannot revoke these freedoms as long as you follow the license terms