PERBANDINGAN EFEKTIFITAS ALGORITMA DECISSION TREE, NAÏVE BAYES, K-NEAREST NEIGHBOR DAN SUPPORT VECTOR MACHINE DALAM MELAKUKAN KLASIFIKASI

##plugins.themes.academic_pro.article.sidebar##

Published Oct 31, 2022
Download
DOWNLOAD PDF
Statistic
Vol. 5 No. 2 (2022): Jutikomp Volume 5 Nomor 2 Oktober 2022

##plugins.themes.academic_pro.article.main##

Ervin Susanto Gulo
Universitas Prima Indonesia
Christnatalis -
Universitas Prima Indonesia
Yosafat Ricardo Gulo
Universitas Prima Indonesia
Sarinova Florina Marbun
Universitas Prima Indonesia

Abstract

Klasfikasi merupakan kasus yang sering diangkat menjadi judul penelitian dikarenakan banyaknya metode
yang bisa melakukan klasifikasi. Adapun beberapa metode yang bisa melakukan klasifikasi adalah metode
Decission Tree, K-Nearest Neighbor, Naïve Bayes dan Support Vector Machine. Metode-metode tersebut
memiliki kelebihan dan kekurangannya tersendiri, oleh karena itu setiap metode menghasilkan nilai akurasi
yang berbeda-beda. Dari 40 data jurnal penelitian yang sudah dilakukan sebelumnya didapatkan hasil berupa
metode Support Vector Machine mendapatkan nilai rata-rata akurasi 86,61% dan menjadi metode dengan
nilai akurasi tertinggi dibandingkan ketiga metode lainnya. Metode Naïve Bayes mendapatkan nilai hasil
rata-rata akurasi sebesar 73% dan menjadi metode dengan nilai akurasi terendah dibandingkan ketiga
metode lainnya

##plugins.themes.academic_pro.article.details##

Creative Commons License

This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

References

  1. B. D. M. Achamad dan F. Slamat, “Klasifikasi Data Karyawan Untuk Menentukan Jadwal Kerja Menggunakan Metode Decision Tree”, F. T. Informasi. ITATS, 2013.
  2. D. Setiawati et al., “Klasifikasi Terjemahan Ayat Al-Quran Tentang Ilmu Sains Menggunakan Algoritma Decision Tree Berbasis Mobile”, JOIN, Vol. 1, No. 1, 2016.
  3. I. Sutoyo, “Implementasi Algoritma Decision Tree Untuk Klasifikasi Data Peserta Didik”, J. PILAR Nusa Mandiri, Vol. 14, No. 2, 2018.
  4. A. Shiddiq et al., “Analisa Kepuasan Konsumen Menggunakan Klasifikasi Decision Tree Di Restoran Dapur Solo (Cabang Kediri)”, Generation Jurnal, Vol. 2, No. 1, 2018.
  5. A. Y. Rahman, “Klasifikasi Citra Burung Lovebird Menggunakan Decision Tree Dengan Empat Jenis Evaluasi”, J. RESTI, Vol. 5, No. 4, pp. 688-696, 2021.
  6. A. E. Pramadhani and T. Setiadi. “Penerapan Data Mining Untuk Klasifikasi Prediksi Penyakit ISPA (Infeksi Saluran Pernafasan Akut) Dengan Algoritma Decision Tree”, J. S. Teknik Informatika, Vol. 2, No. 1, 2014.
  7. L. Qadrini et al., “Decision Tree Dan Adaboost Pada Klasifikasi Penerima Program Bantuan Sosial”, J. Inovasi Penelitian, Vol. 2, No. 7, 2021.
  8. M. Maulidah et al., “Algoritma Klasifikasi Decision Tree Untuk Rekomendasi Buku Berdasarkan Kategori Buku”, J. I. Ekonomi dan Bisnis, Vol. 13, No. 2,pp. 89-96, 2020.
  9. Hozairi et al., “Implementasi Orange Data Mining Untuk Klasifikasi Kelulusan Mahasiswa Dengan Model K-Nearest Neighbor, Decision Tree Serta Naive Bayes”, J. Ilmiah NERO, Vol. 6, No. 2, 2021.
  10. H. Nasrullah, “Implementasi Algoritma Decision Tree Untuk Klasifikasi Produk Laris”, J. Ilmiah Ilmu Komputer, Vol. 7, No. 2, 2021.
  11. N. Ibrahim et al., “Pengklasifikasian Grade Telur Ayam Negeri Mengunakan Klasifikasi K-Nearest Neighbor Berbasis Android”, ELKOMIKA, Vol. 6, No. 2, pp. 288-302, 2018.
  12. C. Paramita et al., “Klasifikasi Jeruk Nipis Terhadap Tingkat Kematangan Buah Berdasarkan Fitur Warna Menggunakan K-Nearest Neighbor”, J.Informatika: J.P. IT, Vol. 4, No. 1, 2019.
  13. F. Wafiyah et al., “Implementasi Algoritma Modified K-Nearest Neighbor (MKNN) Untuk Klasifikasi Penyakit Demam”, J.P. Teknologi Informasi dan Ilmu Komputer, Vol. 1, No. 10, pp. 1210-1219, 2017.
  14. I. A. Nikmatun and I. Waspada, “Implementasi Data Mining Untuk Klasifikasi Masa Studi Mahasiswa Menggunakan Algoritma K-Nearest Neighbor”, J. Simetris, Vol. 10, No. 2, 2019.
  15. Y. I. Kurniawan and T. I. Barokah, “Klasifikasi Penentuan Pengajuan Kartu Kredit Menggunakan K-Nearest Neighbor”, J. I. MATRIK, Vol. 22, No. 1, 2020.
  16. R. K. Dinata et al., “Algoritma K-Nearest Neighbor Dengan Euclidean Distance Dan Manhattan Distance Untuk Klasifikasi Transfortasi Bus”, ILKOM Jurnal Ilmiah, Vol. 12, No. 2, pp. 104-111, 2020.
  17. Z. U. Siregar et al., “Klasifikasi Sentiment Analysis Pada Komentar Peserta Diklat Menggunakan Metode K-Nearest Neighbor”, Jurnal KILAT, Vol. 8, No.1, 2019.
  18. F. Liantoni, “Klasifikasi Daun Dengan Perbaikan Fitur Citra Menggunakan Metode K-Nearest Neighbor”, ULTIMATICS, Vol. VII, No. 2, 2015.
  19. R. Rahmadianto et al., “Implementasi Pegolahan Citra dan Klasifikasi K- Nearest Neighbor Untuk Mendeteksi Kualitas Telur Ayam”, U. Dian Nuswantoro Semarang, 2019.
  20. A. M. Argina, “Penerapan Metode Klasifikasi K-Nearest Neighbor Pada Dataset Penderita Penyakit Diabetes”, Indonesia Jurnal Of Data and Science, Vol. 1, No. 2, 2020.
  21. A. Saleh, “Implementasi Metode Klasifikasi Naive Bayes Dalam Memprediksi Besarnya Penggunaan Listrik Rumah Tangga”, Citec Journal, Vol. 2, No, 3, 2015.
  22. D. Santika and D. I. Sensuse, “Perbandingan Algoritma Klasifikasi Naive Bayes, Nearest Neighbour, dan Decision Tree Pada Studi Kasus Pengambilan Keputusan Pemilihan Pola Pakaian”, JATISI, Vol. 1, No. 2, 2017.
  23. A. P. Wibawa, “Perbandingan Kinerja Metode Naive Bayes dan K- Nearest Neighbor Untuk Klasifikasi Artikel Berbahasa Indonesia”, JTIIK, Vol. 5, No. 4, pp. 427-434, 2018.
  24. T. Imandasari et al., “Algoritma Naive Bayes Dalam Klasifikasi Lokasi Pembangunan Sumber Air”, SENARIS, pp. 750-761, 2019.
  25. H. Annur, “Klasifikasi Masyarakat Miskin Menggunakan Metode Naive Bayes”. ILKOM Jurnal Ilmiah, Vol. 10, No. 2, 2018.
  26. S. Kusumadewi, “Klasifikasi Status Gizi Menggunakan Naive Bayes Classification”, COMM IT, Vol. 3, No. 1, pp. 6-11, 2009.
  27. H. Mustofa and A. A. Mahfudh,“Klasifikasi Berita Hoax Dengan Menggunakan Metode Naive Bayes”, Walisongo Journal of Information Technology, Vol. 1, No. 1, pp. 1-12, 2019.
  28. W. F. Mahmudy and A. W. Widodo, “Klasifikasi Artikel Berita Secara Otomatis Menggunakan Metode Naive Bayes Classifier Yang Dimodifikasi”, TEKNO, Vol. 21, 2014.
  29. Y. S. Nugroho, “Data Mining Menggunakan Algoritma Naive Bayes Untuki Klasifikasi Kelulusan Mahasiswa Universitas Dian Nurswantoro”, Universitas Dian Nuswantoro, 2014.
  30. I. Destuardi and S. Sumpeno, “Klasifikasi Emosi Untuk Teks Berbahasa Indonesia Menggunakan Metode Naive Bayes”, Seminar Nasional Pascasarjana IX, 2009.
  31. A. M. Puspitasari et al., “Klasifikasi Penyakit Gigi Dan Mulut Menggunakan Metode Support Vector Machine”, Jurnal Pengembangan TIK, Vol. 2, No. 2, pp. 802-810, 2018.
  32. N. Indriani et al., “Peringkasan Dan Support Vector Machine Pada Klasifikasi Dokumen”, JURNAL INFOTEL, Vol. 9, No. 4, 2017.
  33. I. M. Parapat, “Penerapan Metode Support Vector Machine (SVM) Pada Klasifikasi Penyimpangan Tumbuh Kembang Anak”, Universitas Brawijaya, 2017.
  34. E. Susilowati et al.,“Implementasi Metode Support Vector Machine Untuk Melakukan Klasifikasi Kemacetan Lalu Lintas Pada Twitter”, Proceeding of Engineerig, Vol. 2, No, 1, pp. 1478, 2015.
  35. A. S. Ritonga and E. S. Purwaningsih,“Penerapan Metode Support Vector Machine (SVM) Dalam Klasifikasi Pengelasan SMAW (SHIELD METAL ARC WELDING)”, J. I. Edutic, Vol. 5, No. 1, 2018.
  36. P. A. Octaviani et al.,“Penerapan Metode Klasifikasi Support Vector Machine (SVM) Pada Data Akreditasi Sekolah Dasar (SD) Di Kabupaten Magelang”, Jurnal GAUSSIAN, Vol. 3, No. 4, pp. 811-820, 2014.
  37. R. A. Rizal et al, “Klasifikasi Wajah Menggunakan Support Vector Machine (SVM)”, REMIK, Vol. 3, No. 2, 2019.
  38. I. A. Muis and M. Affandes, “Penerapan Metode Support Vector Machine (SVM) Menggunakan Kernel Radial Basis Function (RBF) Pada Klasifikasi Tweet”, J. S. Teknologi dan Industri, Vol. 12, No. 2, pp. 189-197, 2015.
  39. R. Tineges et al., “Analisis Sentimen Terhadap Layanan Indihome Berdasarkan Twitter Dengan Metode Klasifikasi Support Vector Machine (SVM)”, J. M. I. Budidarma, Vol. 4, No. 3, pp. 650-658, 2020.
  40. H. N. Irmanda and R. Astriatma, “Klasfikasi Jenis Pantun Dengan Metode Support Vector Machines (SVM)”, JURNAL RESTI, Vol. 4, No. 5, pp. 915- 922, 2020.