PERBANDINGAN KINERJA NAIVE BAYES DAN SUPPORT VECTOR MACHINE UNTUK PREDIKSI HERREGISTRASI
Keywords:
-Abstract
Penelitian dengan judul “ Perbandingan Kinerja Naive Bayes dan Support Vector Machine untuk Prediksi Herregistrasi “ bertujuan untuk mengetahui perbandingan kinerja naive bayes dan support vector machine dalam melakukan prediksi herregistrasi dengan parameter akurasi dan AUC menggunakan skenario pengujian dengan split validation yang nantinya akan dapat dijadikan acuan bagi pihak universitas untuk melakukan kebijakan bagi para mahasiswa khususnya yang berpotensi mengalami tidak melakukan herregistrasi. Pada penelitian ini hanya melakukan prediksi herregistrasi calon mahasiswa baru pada fakultas ilmu komputer untuk angkatan tahun 2015 sampai dengan tahun 2017 dengan menggunakan metode algoritma naive bayes dan support vector machine. Akurasi yang dihasilkan pada metode naive bayes yaitu 93,54% dan AUC 0,946 sedangkan pada metode support vector machine yaitu 92,67% dan AUC 0,877 menggunakan kernel RBF dengan parameter cost (C) 1,0 dan Epsilon 0,0. Selain itu performa akurasi dan AUC sangat berpengaruh apabila dilakukan penghapusan terhadap salah satu variabel yang digunakan.
References
Kusrini, & Emha T. Luthfi., 2009, Algoritma Data Mining, Andi Offset, Yogyakarta
Prasetyo, E., 2012, Data Mining Konsep dan Aplikasi Menggunakan Matlab, Andi Offset, Yogyakarta
Prasetyo, E., 2014, Data Mining: Mengolah Data menjadi Informasi Menggunakan Matlab, Andi Offset, Yogyakarta
Pudjo, W, P, Herlawati, Trias, H, R., 2013, Penerapan Data Mining dengan Matlab, Rekayasa Sains, Bandung
Susanto, S & Suryadi, D., 2010, Pengantar Data Mining Menggali Pengetahuan dari Bongkahan Data, Andi Offset, Yogyakarta
Witten, I, H, Frank, E, Hall, A, M., 2011, Data Mining : Practical Machine Learning Tools and Technique, 3rd ed., Asma Sthepan and Burlington, Eds. Morgan Kaufman, United States of America.
Pustaka Majalah, Jurnal Ilmiah atau Prosiding
Asogbon, G. M, Samuel, W. O, Omisore, O. M, Ojokoh, A. B, 2016, A Multi-class Support Machine Approach for Students Academic Performance Prediction, International Journal of Multidisciplinary and Current Reasearch, ISSN: 2321-3124, Vol 4 March/April 2016
Camba, J, David, E. R, Betan, A, Lagman, A, Caro, DL. J, 2016, Student Analytics Using Support Vector Machines, Information, Intelligence, Systems & Applications (IISA), Doi: 10.1109/IISA.2016.7785425
Harwati, Ikha, V. R, Mansur, A, 2016, Drop out Estimation Students based on the Study Period: Comparison between Naïve Bayes and Support Vector Machines Algorithm Methods, IOP Conf. Series: Materials Science and Engineering, Doi: 10.1088/1757-899X/105/1/012039
Prasetyo, E., 2016, K-Support Vector Nearest Neighbor: Classification Method, Data Reduction, and Performance Comparison, Journal of Electrical Engineering and Computer Sciences, ISSN: 2528-0260, Vol 1. 1 June, 2016
Suprawoto, T., 2016, Klasifikasi Data Mahasiswa Menggunakan Metode K-Means untuk Menunjang Pemilihan Strategi Pemasaran, Jurnal Informatika dan Komputer, Vol 1, No 1, Februari 2016
.jpg){kind=logo}
