Analisis Performa Algoritma Weighted NBC

Analisis Performa Algoritma Weighted NBC

Naïve Bayes Classifier merupakan salah satu algoritme klasifikasi dalam
data mining. Naïve Bayes Classifier mengadopsi teorema Bayesian untuk
memetakan suatu data terhadap kelas dengan memperhitungkan probability dari
atribut data tersebut. Dalam beberapa tahun terakhir, banyak penelitian dilakukan
untuk mengatasi permasalahan Naïve Bayes Classifier yang hanya bergantung
pada distribusi probabilitas. Beberapa algoritme yang telah diusulkan para
peneliti terdahulu adalah : Naïve Bayes Classifier with Hybrid-weight (NBCH),
Weighted Naïve Bayes on Correlation Coefficient (WNB-CC) dan Correlated
Naïve Bayes Classifier (CNBC). Hasil dari penelitian ini adalah informasi
perbandingan performa algorime-algoritme yang termasuk dalam Weighted
Naïve Bayes Classifier. Performa masing-masing algoritme dinilai dari tingkat
akurasi dan kompleksitas proses. Setelah dilakukan pengujian terhadap 30 data
set, dapat diketahui bahwa algoritme CNBC menunjukkan performa yang lebih
baik yaitu dengan tingkat akurasi 66,36% dan kompleksitas proses O(n2)
dibandingkan dengan algoritme NBCH yang memiliki tingkat akurasi 58,9% dan
kompleksitas proses O(n3) serta dibandingkan dengan algoritme WNB-CC yang
memiliki tingkat akurasi 32,92% dan kompleksitas proses O(n2).
Kata Kunci: Data Mining, Klasifikasi, Naïve Bayes Classifier, Weighted Naive
Bayes Classifier.

Teknomatika

Jurnal Teknomatika STMIK Jenderal Achmad Yani

You may also like...

Leave a Reply

Your email address will not be published. Required fields are marked *