Optimalisasi Klasifikasi Berita Menggunakan Feature Information Gain Untuk Algoritma Naive Bayes Terhubung Random Forest

Prakoso, Bobby Suryo; Rosiyadi, Didi; Aridarma, Dedi; Utama, Heru Sukma; Fauzi, Fariz; Qhomar, Mohammad Arifin Nurul

doi:10.33480/pilar.v15i2.684

Cited by 4 publications

(4 citation statements)

References 4 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Dalam prosesnya klasifikasi membentuk sebuah model yang mampu membedakan data ke dalam kelas yang berbeda-beda berdasarkan pada aturan serta fungsi tertentu.terdapat beberapa algoritma dalam klasifikasi meliputi, Logistic Regression, K-Nearesr Neighbors, Naive Bayes, Decission Tree, Random Forest, Neural Network. [7]…”

Section: Klasifikasiunclassified

Implementasi Algoritma Naive bayes dalam Klasifikasi Status Kesejahteraan Masyarakat Desa Gunungsari

Fauziah

Dana

2023

Blend Sains J. Teknik

View full text Add to dashboard Cite

Kesejahteraan merupakan suatu pencapaian tatanan dalam kehidupan sosial, material, maupun spiritual yang diliputi oleh rasa keselamatan serta ketentraman lahir batin yang memungkinkan setiap individu masyarakat untuk melakukan usaha-usaha dalam memenuhi kebutuhan hidupnya guna mendapatkan kehidupan yang layak serta mampu mengembangkan dirinya dalam melaksanakan fungsi sosialnya. Pemerintah mempunyai peranan penting dalam mensejahterakan warganya, berbagai upaya pembangunan telah dilakukan oleh pemerintah dengan tujuan utama untuk mencapai kesejahteraan masyarakat melalui berbagai program pembangunan. Namun dalam pelaksanaannya dirasa kurang berjalan efektif, sering kali ditemukan kesalahan salah satunya dalam menentukan kelayakan penerima bantuan Dalam Implementasi pada Desa Gunungsari belum terdapatnya metode penilaian yang tepat dalam memastikan status kesejahteraan masyarakat. Konsep Data mining akan memudahkan dalam menangani permasalahan yang belum optimal salah satunya metode klasifikasi naive bayes yang mampu menciptakan model yang membedakan dalam memastikan status kesejahteraan masyarakat dengan memprediksi peluang di masa depan bergantung kepada kumpulan jenis data yang ada. Naive Bayes menghitung probabilitas bersumber pada kriteria- kriteria yang sudah ditetapkan. Metode ini menerapkan teknik supervised objek dengan menetapkan target kelas berdasarkan kategori sudah sejahtera dan belum sejahtera. Dari keseluruhan data yang berjumlah 1109 akan digunakan sebanyak 70% Sebagai data training, dan akan diuji sebanyak 30% menggunakan data testing. Variabel yang digunakan sebanyak 21 variabel. Hasil pengujian yang didapatkan menghasilkan akurasi sebesar 93,69 serta akurasi error sebesar 6,31%. Dengan adanya hasil prediksi kondisi penduduk setiap keluarga tersebut, diharapkan penelitian ini dapat memberikan informasi mengenai status kesejahteraan masyarakat dan dapat digunakan dalam membuat keputusan tepat dan akurat dan menjadi bahan pertimbangan yang bertujuan untuk kesejahteraan masyarakat.

show abstract

Section: Klasifikasiunclassified

Implementasi Algoritma Naive bayes dalam Klasifikasi Status Kesejahteraan Masyarakat Desa Gunungsari

Fauziah

Dana

2023

Blend Sains J. Teknik

View full text Add to dashboard Cite

show abstract

“…Algoritma random forest ini dapat digunakan untuk banyak dimensi dengan skala berbeda dan kinerja yang kuat. Penggunaan algoritma ini memprediksi pasien berisiko tinggi, memprediksi kegagalan suku cadang dalam produksi, memprediksi kegagalan pembayaran pinjaman, dan lainnya (Prakoso, 2019).…”

Section: Kajian Teoritisunclassified

Penerapan Data Mining Dalam Analisis Prediksi Kanker Paru Menggunakan Algoritma Random Forest

Arifin Yusuf Permana,

Hari Noer Fazri,

M.Fakhrizal Nur Athoilah

et al. 2023

JUITIK

View full text Add to dashboard Cite

Lung cancer is one of the one of the leading causes of death in the world. From this data there are several categories of people who are positive and negative for lung cancer, Here the researcher will display information on the exact number of people who contracted lung cancer from the data, and in this study using the Random Forest algorithm because Random Forest This research uses the Random Forest algorithm because Random Forest has a data set selection process. Has a data set selection process. to improve the performance of classification model. With feature selection, Random Forest can certainly work efficiently on big data with complex parameters, which will greatly facilitate the classification of positive and negative lung cancer patients. Observations will be a reference for analyzing the prognosis of lung disease. Observation will be a reference for analyzing the prognosis of lung disease here how the application of data data mining techniques on the prediction analysis of lung cancer analysis and how performance of the random forest algorithm in predicting lung cancer.by applying data mining techniques and has been tested using a survey dataset of lung cancer survey dataset and using software called Rapidminer toanalyze and predict positive patients with lung cancer It was concluded that the It is concluded that the Random Forest algorithm that has obtained the greatest accuracy obtained accuracy results worth 90.61% with an AUC value of 0.941.

show abstract

“…Melalui tools tersebut model yang dibangun akan diberikan data latih sebagai proses training pembelajaran terhadap sekumpulan data yang Set Role menjelaskan bagaimana operator menjalankan atribut yang telah ditentukan sebelumnya. Operator ini digunakan untuk menentukan field atau bagian mana yang akan digunakan sebagai label [14]. Cross-validasi atau dapat disebut estimasi rotasi adalah sebuah teknik validasi model untuk menilai bagaimana hasil statistik analisis akan menggeneralisasi kumpulan data independen.…”

Section: Pembangunan Model Naïve Bayesunclassified

Analisa Efektifitas Kebijakan PPKM terhadap Pertumbuhan Kasus COVID-19 Menggunakan Algoritma Naïve Bayes

Hayami

Fatma

Antoni

et al. 2022

mib

View full text Add to dashboard Cite

The pandemic that is being experienced by Indonesia, namely the outbreak of the COVID-19 virus, has led to the implementation of large-scale social restrictions in order to accelerate the handling of the spread of the virus. As a result of the increasing number of COVID-19 cases in Indonesia, including in Riau Province, where every City and Regency has increased, especially Pekanbaru, the implementation of Community Activity Restrictions (PPKM). This study tries to answer this question by using the Naïve Bayes Algorithm. Naïve Bayes Classifier is a probabilistic and statistical method of classification technique that predicts future opportunities based on previous experience. The use of the Naïve Bayes algorithm to predict the growth of Covid-19 cases in Pekanbaru obtained a good performance score with 90.00% accuracy, 90.24% precision and 91.90% recall. Based on the results of the classification of the datasets used in this study, it can be concluded that the implementation of the Policy for Enforcement of Community Activity Restrictions (PPKM) in the city of Pekanbaru has proven to be effective where there has been a decline in the category of growth of Covid-19 cases with a high category from 70% to 25%. Vice versa, the growth of Covid-19 cases in the low category has increased from 30% to 65%.

show abstract

Optimalisasi Klasifikasi Berita Menggunakan Feature Information Gain Untuk Algoritma Naive Bayes Terhubung Random Forest

Cited by 4 publications

References 4 publications

Implementasi Algoritma Naive bayes dalam Klasifikasi Status Kesejahteraan Masyarakat Desa Gunungsari

Implementasi Algoritma Naive bayes dalam Klasifikasi Status Kesejahteraan Masyarakat Desa Gunungsari

Penerapan Data Mining Dalam Analisis Prediksi Kanker Paru Menggunakan Algoritma Random Forest

Analisa Efektifitas Kebijakan PPKM terhadap Pertumbuhan Kasus COVID-19 Menggunakan Algoritma Naïve Bayes

Contact Info

Product

Resources

About