Peningkatan Performa Naive Bayes Dengan Seleksi Atribut Menggunakan Chi Square Untuk Klasifikasi Loyalitas Pelanggan GRAB
Main Article Content
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
Copyright Notice
Authors who publish with Journal of Informatics, Information System, Software Engineering and Applications (INISTA) agree to the following terms:
- Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License (CC BY-SA 4.0) that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work.
References
[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.