IAIIIAII

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informas)iJurnal RESTI (Rekayasa Sistem dan Teknologi Informas)i

Algoritma Naïve Bayes (NB) masih dalam daftar 10 besar algoritma Data Mining karena kesederhanaan, efisiensi, dan kinerjanya. Dalam menangani klasifikasi pada data numerik, distribusi Gaussian dan pendekatan kernel dapat diterapkan pada NB (GNB dan KNB). Namun dalam proses klasifikasi NB, atribut-atribut dianggap independen, sedangkan asumsi tersebut tidak selalu tepat pada banyak kasus.

Penerapan pendekatan mean/mode untuk missing value replacement, Min-Max Normalization untuk data normalization, K-Nearest Neighbor untuk local learning, dan Absolute Correlation Coefficient untuk attribute weighting pada Gaussian Naïve Bayes yang dinamakan LL-KNN ACW-NB mampu meningkatkan kinerja Naïve Bayes (Gaussian Naïve Bayes dan Kernel Naïve Bayes), yaitu dengan akurasi rata-rata sebesar 91,48%, lebih baik 1,92% daripada Gaussian Naïve Bayes dan lebih baik 2,86% daripada Kernel Naïve Bayes.

Penelitian lanjutan dapat dilakukan dengan mengembangkan strategi local learning yang berbeda untuk mengurangi kompleksitas komputasi waktu proses yang dibutuhkan. Selain itu, dapat dilakukan penelitian lebih lanjut untuk meningkatkan kinerja akurasi NB dengan menggunakan metode attribute weighting yang lain, seperti metode yang menggunakan teknik pengklasteran atau metode yang menggunakan teknik optimasi. Dengan demikian, diharapkan dapat diperoleh metode yang lebih efektif dan efisien dalam meningkatkan kinerja akurasi NB.

  1. #pengambilan keputusan#pengambilan keputusan
  2. #alat bantu#alat bantu
Read online
File size588.8 KB
Pages9
Short Linkhttps://juris.id/p-1Gd
Lookup LinksGoogle ScholarGoogle Scholar, Semantic ScholarSemantic Scholar, CORE.ac.ukCORE.ac.uk, WorldcatWorldcat, ZenodoZenodo, Research GateResearch Gate, Academia.eduAcademia.edu, OpenAlexOpenAlex, Hollis HarvardHollis Harvard
DMCAReport

Related /

ads-block-test