• Document: BAB 2 TINJAUAN PUSTAKA
  • Size: 218.33 KB
  • Uploaded: 2019-05-17 21:28:02
  • Status: Successfully converted


Some snippets from your converted document:

BAB 2 TINJAUAN PUSTAKA 2.1 Penelitian Terkait Terdapat banyak algoritma dalam teknik klasifikasi dan prediksi dalam data mining. Penelitian terkait yang relevan dengan penelitian ini, telah dibuat berbagai perbandingan dari berbagai algoritma yang menguatkan penggunaan Algoritma Naive Bayes Classifier. Penelitian-penelitian itu diantaranya adalah penelitian yang dilakukan oleh Evaristus Didik Madyatmadja dan Mediana Aryuni [8], penelitian ini membahas tentang bagaimana merancang sebuah model dalam data mining yang dapat digunakan oleh pihak bank untuk menentukan penilaian kredit yang dapat mendukung dan meningkatkan kinerja pekerjaan bagi analis kredit. Sebagai analisi kredit sangat penting untuk dapat menentukan penilaian kredit tersebut “disetujui” atau “ditolak”. Untuk mendapatkan metode yang dapat memberikan kinerja terbaik, penelitian ini membandingkan algoritma Naive Bayes Classifier dengan Algoritma ID3 dengan menggunakan 1000 data yang mempunyai label kelas yaitu “disetujui” atau “ditolak”. Data dibagi menjadi data training dan data testing dengan masing- masing jumlah data untuk data training yaitu 600 data dan untuk data testing 400 data. Untuk mendapatkan hasil akurasi penelitian ini menggunakan pengujian Confusion Matrix terhadap Naive Bayes Naive Bayes Classifier dan ID3. Hasil dari pengujian tersebut didapat nilai akurasi pada Naive Bayes yaitu sebesar 82%, dan pada algoritma ID3 didapat nilai akurasi sebesar 76%. Artinya bahwa algoritma Naive Bayes Classifier memiliki nilai akurasi yang lebih baik daripada algoritma ID3, sehingga model Naive Bayes Classifier dapat diterapkan untuk penilaian kredit yang dapat membantu meningkatkan kinerja pekerjaan analis kredit. Penelitian oleh Alfa Saleh [9], yaitu penerapan metode Naive Bayes Classifier yang digunakan untuk memprediksi besarnya penggunaan listrik rumah tangga 6 7 sehingga akan mempermudah dalam pengaturan listrik. Penelitian ini menggunakan 60 data untuk dilakukan pengujian, dan hasil dari pengujian terhadap 60 data penggunaan listrik tersebut didapat hasil bahwa presentase untuk Correctly Classified Instance sebesar 78,3333% artinya bahwa dari 60 data penggunaan listrik terdapat 47 data yang berhasil untuk diklasifikasikan dengan benar, sedangkan persentase untuk Incorrectly Classified Instance sebesar 21,1667% yang artinya dari 60 data penggunaan listrik terdapat 13 data yang tidak berhasil untuk diklasifikasikan dengan benar dan pada penerapan metode Naive Bayes Classifier tersebut didapat nilai akurasi sebesar 78,3333% yang termasuk dalam kategori tingkat akurasi sedang, sehingga metode Naive Bayes Classifier dapat digunakan sebagai metode klasifikasi untuk memprediksi penggunaan listrik rumah tangga. Penelitian yang dilakukan oleh Susanto, Evi Dewi Sri Mulyani, dan Irma Ratnasari Nurhasanah [10], yaitu memprediksi perilaku pola pembelian (untuk tahun 2016) dengan menggunakan data transaksi penjualan dari tahun sebelumnya (tahun 2014-2015). Prediksi perilaku pola pembelian dilakukan untuk mengetahui kemungkinan terhadap waktu transaksi penjualan yang dapat diperoleh, dan merupakan salah satu strategi untuk meningkatkan pendapatan penjualan. Jumlah data yang digunakan untuk sampel adalah 1768 data transaksi penjualan dari “Toko Toha Tasikmalaya" dari tahun 2014 sampai 2015. Penelitian ini menerapkan metode Naive Bayes Classifier untuk melakukan prediksi pola pembelian pelanggan yang dimana akan mengklasifikasikan kedalam 2 kelas yaitu kelas pagi dan kelas siang. Hasil dari pengujian algoritma Naive Bayes Classifier yaitu didapat nilai akurasi sebesar 97% dan hasil klasifikasi yang didapat berdasarkan data transaksi penjualan yaitu kelas pagi dan kelas siang diperoleh nilai untuk kelas pagi sebesar 0,477 dan kelas siang 0,523 artinya bahwa kemungkinan untuk pembeli melakukan transaksi pembelian adalah diwaktu siang. Adapun penelitian yang dilakukan oleh Mujib Ridwan, Hadi Suyono, dan M.Sarosa [11], penelitian ini berfokus pada pengklasifikasian kelulusan 8 mahasiswa dimana dari hasil pengklasifikasian tersebut dijadikan sebagai evaluasi kinerja akademik mahasiswa. Jumlah data yang digunakan sebagai sampel adalah 100 data mahasiswa angkatan 2005-2009 dimana terdapat kelas dengan status kelulusan “tepat” dan “tidak tepat”. Pengujian dengan menggunakan Confusion Matrix dilakukan sebanyak 5 kali percobaan dengan jumlah data latih yang berbeda- beda. Pada percobaan 1 jumlah data yang digunakan sebanyak 20 data hasil yang didapat yaitu nilai akurasi 55%, precision 66,66%, recall 20%. Pada percobaan 2 dengan jumlah data sebanyak 40 data didapatkan hasil nilai akurasi sebesar 55%, precesion 55,55%, recall 50%, kemudian pada percobaan 3 jumlah data yang digunakan sebanyak 60 data, hasil yang didapat yaitu nilai akurasi 55%, precision 55,55%,

Recently converted files (publicly available):