ANALISA PERBANDINGAN TINGKAT PERFORMANSI METODE SUPPORT VECTOR MACHINE DAN NAïVE BAYES CLASSIFIER UNTUK KLASIFIKASI JALUR MINAT SMA

Oki Arifin, Theopilus Bayu Sasongko

Abstract


Untuk membimbing peserta untuk memilih jalur peminatan yang tepat sangat penting dalam jenis pembelajaran yang ada di sekolah agar sebagai dasar untuk melanjutkan keperguruan tinggi. Banyak metode yang bisa dilakukan untuk memilih jalur minat. Salah satu metode yang digunakan adalah teknik data mining. Tapi tidak semua algoritma data mining memiliki kinerja yang baik dalam mengklasifikasi pemilihan jalur minat di jenjang SMA. Oleh karena itu dalam peneletian ini akan membahas tentang analisis perbandingan tingkat performansi algoritma klasifikasi Support Vector Machine (SVM) dan Naïve Bayes Classifier. Analisis perbandingan yang dimaksud adalah perbandingan tingkat akurasi dari kedua algoritma menggunakan 10-fold cross validation. SVM adalah metode learning machine yang bekerja atas prinsip Structural Risk Minimization (SRM) dengan tujuan menemukan hyperplane terbaik yang memisahkan dua buah class pada input space. Sedangkan Naïve Bayes Classifier adalah pengklasifikasian statistik yang dapat digunakan untuk memprediksi probabilitas keanggotaan suatu kelas. Pada penelitian ini digunakan data training guna pembentukan model klasifikasi yaitu nilai peserta didik saat mendaftar di salah satu SMA pada tahun pelajaran 2013-2014 yang berjumlah 288 siswa. Siswa yang berlabel jurusan IPA berjumlah 150 siswa dan siswa yang berlabel jurusan IPS berjumlah 138 siswa. Dengan menggunakan alat bantu RapidMiner studio 8.0, dapat disimpulkan bahwa algoritma SVM (Support Vector Machine) dengan kernel anova dan parameter C sebesar 5.0 relatif lebih unggul dibandingkan algoritma Naïve Bayes Classifier.

Kata kunci: Algoritma Support Vector Machine, Naïve Bayes Classifier, klasifikasi jalur minat


Full Text:

PDF

References


Turban, E., Aronson, J.E. dan Liang, T.P, Decision Support System and Inteligent System, edisi 7 jilid 1, Cv Andi Offset : Yogyakarta, 2005.

Mirkin, B.,“Data Analysis, Mathematical Statistics, Machine Learning, Data Mining: Similarities and Differences”, Int. Conf. Adv. Comput. Sci. Inf. Syst., Vol.2, pp. 1–8, 2011.

Prasetyo, E., Data Mining Konsep dan Aplikasi Menggunakan MATLAB, 1st ed : Cv Andi Offset : Yogyakarta, 2012.

T. Justin, R. Gajšek, V. Štruc, and S. Dobrišek, “Comparison of different classification methods for emotion recognition,” in MIPRO, 2010 Proceedings of the 33rd International Convention, 2010, pp. 700–703.

Sopharak, A., Uyyanonvara, B., dan Barman, S., “Comparing SVM and Naive Bayes Classifier for Automatic Microaneurysm Detections”, International Journal of Computer, Electrical, Automation, Control and Information Engineering, vol.8, No.5, 797-800, 2014.

Al-tahrawi, M. M, “Arabic Text Categorization Using Logistic Regression”, I.J.Intelligent System and Applications, 06, 71–78,2015.

Winarsih, Nurul., A., S., "Perbandingan Metode Naive Bayes Dan Support Vector Machine Untuk Klasifikasi Emosi Pada Teks Bahasa Indonesia", Skripsi, Jurusan Teknik Informatika, Udinus : Semarang, 2016.

J. Agustinus, “Sistem Deteksi Intrusi Jaringan dengan Metode Support Vector Machine”, M. Eng, Thesis, Jurusan Ilmu Komputer FMIPA UGM, Yogyakarta, 2012.

I.H. Witten, E. Frank, and M.A. Hall, “Data Mining Practical Machine Learning Tools and Techniques”, Third Edition, Elsevier Publisher, USA, 2011.

Setiawan,W.,"Sistem Pakar Diagnosa Penyakit Mata Menggunakan Naïve Bayes Classifier", Seminar Nasional Sains dan Teknologi , 2014.

I. Yoo, P. Alafaireet, M. Marinov, K. Pena-Hernandez, R. Gopidi,

J.-F. Chang, and L. Hua,“Data Mining in Healthcare and

Biomedicine: A Survey of The Literature”, pp. 2431–2448, 2012.

J. Han, and M. Kamber, “Data mining: Concepts and

Techniques”, Third Edition, Morgan Kaufmann Publishers, San

Fransisco, 2013.

B. Theopilus, "Klasifikasi Jalur Minat Siswa Menggunakan

Algoritme Support Vector Machine (SVM) (Kasus : SMA Negeri

dan SMA Negeri 2 Sragen)", Tesis, Jurusan Teknik Elektro dan

Teknologi Informasi, UGM, Yogyakarta, 2014.


Refbacks

  • There are currently no refbacks.