Peningkatan Performa Naive Bayes Dengan Seleksi Atribut Menggunakan Chi Square Untuk Klasifikasi Loyalitas Pelanggan GRAB

Main Article Content

Rianti Yunita Kisworini

Abstract

Transportasi menjadi salah satu dari beberapa area yang dipengaruhi oleh kemajuan perkembangan teknologi informasi. Dimana transportasi merupakan sarana yang diperlukan untuk mendukung aktivitas manusia dan mobilitas setiap saat, oleh karena itu transportasi harus dipersiapkan dengan baik dan aman. Layanan Grab online menjadi salah satu alat transportasi yang banyak digunakan oleh masyarakat Indonesia. Naive Bayes adalah salah satu algoritma classifying data yang biasa digunakan untuk mengklasifikasikan data. Tetapi kinerja yang baik dari Naiv Bayes sangat dipengaruhi oleh penggunaan atribut pada dataset. Untuk mengatasi ini, penelitian ini mengusulkan peningkatan kinerja Naiv Bayes dengan pemilihan atribut menggunakan Chi Square. Pada tahap pra pengolahan dilakukan pembersihan data untuk menghapus data yang kosong. Dari percobaan yang dilakukan, menunjukkan hasil pengujian dengan nilai akurasi yang diperoleh Bayes naif + chi Square sebesar 99,51%., Tetapi standar baye naif sebesar 92,73%.


Kata kunci: Penambangan data, klasifikasi, Naiv Bayes, pra pemrosesan, pemilihan atribut, Chi Square, klasifikasi loyalitas pelanggan Grab

Article Details

How to Cite
Kisworini, R. (2020). Peningkatan Performa Naive Bayes Dengan Seleksi Atribut Menggunakan Chi Square Untuk Klasifikasi Loyalitas Pelanggan GRAB. Journal of Informatics, Information System, Software Engineering and Applications (INISTA), 2(2), 69-75. https://doi.org/10.20895/inista.v2i2.127
Section
Articles

References

[1] Ida Farida, dkk, “Analisis Pengaruh Bauran Pemasaran 7P Terhadap Kepuasan Pelanggan Pengguna GOJEK Online" Jurnal Riset Manajemen dan Bisnis Vol.1, Juni 2016
[2] K. Widhiyantil, “Dengan HMM dan Rule Based,” vol. 8, no. 2, 2012.
[3] I. H. Witten, E. Frank, and M. A. Hall, Data Mining Third Edition. Elsevier Inc., 2011.
[4] Kusrini and L. E. Taufiq, Algoritma Data Mining. Yogyakarta: Andi Offset, 2009.
[5] N. Zaidi and J. Cerquides, “Alleviating Naive Bayes attribute independence assumption by attribute weighting,” J. Mach. …, vol. 14, pp. 1947–1988, 2013.
[6] J. Han, M. Kamber, and J. Pei, Data Mining: Concepts and Techniques. 2012.
[7] J. Ling and T. B. Oka, “Analisis Sentimen Menggunakan Metode Naïve Bayes Classifier Dengan Seleksi Fitur Chi Square,” vol. 3, no. 3, pp. 92–99, 2014.
[8] A. Mudry and A. Tjellström, “Historical background of bone conduction hearing devices and bone conduction hearing aids,” Adv. Otorhinolaryngol., vol. 71, pp. 1–9, 2011.
[9] U. Topics, Principles of Data Mining, Second edi. London: Springer London.