Optimasi Backward Elimination untuk Klasifikasi Kepuasan Pelanggan Menggunakan Algoritme k-nearest neighbor (k-NN) and Naive Bayes

Yunitasari,; Hopipah, Hopi Siti; Mayasari, Rini

doi:10.33050/tmj.v6i1.1531

Cited by 11 publications

(11 citation statements)

References 7 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Backward Elimination adalah teknik untuk menghilangkan karakteristik model yang tidak signifikan [13]. Prosedur Backward Elimination menghapus atribut dengan statistik parsial terkecil dari model sebelum memulai dengan semua atributnya.…”

Section: Backward Eliminationunclassified

Klasifikasi Tingkat Kepuasan Masyarakat Program RTP2S Menggunakan Metode SVM Berbasis Backward Elimination

Sulaehani

Bahrin²

2023

JJEEE

View full text Add to dashboard Cite

RTP2S merupakan program pencanangan Rumah Tangga Pelopor Pencegahan Stunting, pendekatanya diimplementasikan melalui model pilot RTP2S yang didasarkan desa lokus stunting dan desa bermasalah sanitasi dan air bersih. Permaslahan yang terjadi yaitu pemerintah tidak ada data langsung dari masyarakat untuk mengetahui berhasil tidaknya pemerintah atau puas tidaknya masyarajkat dengan adanya program RTP2S yang telah dijalankan. Klasifikasi keberasilan pemerintah dinilai dari tingkat kepuasan masyarakat terhadap program RTP2S. Data yang digunakan yaitu berupa data hasil wawancara terhadap masyarakat yang berupa kuesioner. Pertanyaan kuesioner yang dibuat terdiri dari 16 pertanyaan yang disimbolkan P1-P16. Hasil kuesioner diinput menggunakan Microsoft Excel, data yang didapatkan sebanyak 50 record. Tahap preprocessing yang dilakukan yaitu pertama data selection dimana dilakukan pemilihan data sebelum tahap pemodelan, yang kedua tahap cleaning diterapkan untuk menghapus data kosong dan merubah data yang tidak konsisten, dan ketiga data reduction dalam dataset mungkin terjadi inkonsisten data dan duplikat data atau terdapat data yang sama akan dijadikan satu tupel. Untuk tahap eksperimen, peneliti menggunakan tool RapidMiner untuk pemodelan klasifikasi. Dari hasil penelitian bahwa dengan menggunakan seleksi fitur sangat berpengaruh terhadap peningkatan akurasi, karna atribut yang tidak signifikan dari model akan dieliminasi, dari hasil eliminasi menggunakan backward elimination, atribut yang digunakan hanya 5 atribut. Akurasi yang didapatkan dengan menggunakan Metode Support Vector Machine yaitu 54.00% sedangkan Support Vector Machine berbasis Backward Elimination yaitu 62.00%. Klasifikasi Tingkat Kepuasan Masyarakat Terhadap Program RTP2S yang di proporsi jumlah data bernilai benar yang berhasil diklasifikasi secara tepat yaitu 62% yaitu data Puas diklasifikasi Puas. Hasil yang didapatkan merupakan tingkat keberhasilan pemerintah dimana 62% masyarakat penerima bantuan RTP2S merasa Puas terhadap program RTP2S.

show abstract

Section: Backward Eliminationunclassified

Klasifikasi Tingkat Kepuasan Masyarakat Program RTP2S Menggunakan Metode SVM Berbasis Backward Elimination

Sulaehani

Bahrin²

2023

JJEEE

View full text Add to dashboard Cite

show abstract

“…Regarding CK, the four models witnessed a moderate to substantial category (0.41 < CK < 0.8) [41], with an average of 0.5742. Figure 6 depicts each model's ROC curve and the AUC values, with overall models having excellent AUC values [42], averaging 0.9294. 3.…”

Section: Model Evaluationmentioning

confidence: 99%

Identifying Potential Areas for Oil and Gas Well Location Planning Using Support Vector Machine Algorithm

Dwi Safira,

Nurwatik,

Hariyanto

2023

IOP Conf. Ser.: Earth Environ. Sci.

View full text Add to dashboard Cite

To fulfill national energy needs for the National Energy Grand Strategy (GSEN), it is necessary to increase the productivity of oil and gas exploration by involving technology that provides alternative solutions, cuts work time, and overcomes the risk of failure. This research aims to identify potential areas for planning new oil and gas well locations using a machine learning algorithm called Support Vector Machine (SVM). This research chooses four splitting ratios of 80:20, 75:25, 60:40, and 50:50 on training and testing data to produce four models and to identify the most robust model for Blora Regency. The algorithm involves fourteen conditioning parameters comprising altitude, slope, aspect, distance from the river network, land cover, distance from the road network, soil type, Normalized Difference Vegetation Index (NDVI), clay mineral index, iron oxide index, surface temperature, complete Bouguer anomaly (CBL), distance from the fault, and rock type. This research uses the confusion matrix and the ROC-AUC to evaluate all models and determine the best one. The result witnesses the best model is SVM 75:25 with an accuracy (Acc), sensitivity (Sen), specificity (Spe), and predictive value (PPV) of 0.8333; Matthew’s correlation coefficient and Cohen’s kappa of 0.6667; and area under the curve (AUC) of 0.9444. In addition, the conditioning parameter contributing the most significant influence on the best model is the slope equal to 100%.

show abstract

“…Penelitian terdahulu yang lain menerapkan sebuah metode optimasi Backward Elimination untuk melakukan klasifikasi kepuasaan pelanggan pada sebuah perusahaan. Penelitian ini menggunakan algoritma k-Nearest Neighbor dan Naive Bayes [16]. Penggunaan optimasi Backward Elimination mampu menaikkan akurasi algoritma k-NN secara signifikan dari 63.54 hingga mencapai 97.28 dengan peningkatan sebesar 33,74 Sedangkan pada algoritma Naive Bayes tidak menghasilkan peningkatan akurasi yang signifikan dari 98.92 menjadi 99.04 dengan peningkatan sebesar 0.12.…”

Section: Pendahuluanunclassified

Optimasi Analisis Kesuburan Tanah dengan Pendekatan Soft Voting Ensemble

Budiman,

Awaludin

2023

Simetris J. Teknik Mesin, Elektro dan Ilmu Komput.

View full text Add to dashboard Cite

Penelitian ini mengusulkan Optimasi Algoritma Decison Tree, K-Nearest Neighbor dan Support Vector Machine menggunakan Metode Soft Voting dalam konteks kesuburan tanah pertanian. Hal ini didasari karena untuk klasifikasi kesuburan tanah masih dilakukan secara manual dan hal itu memungkinkan adanya suatu kesalahan dalam proses klasifikasi. Studi ini sangat relevan karena kesuburan tanah merupakan aspek kunci dalam pertanian yang dapat mempengaruhi hasil panen dan kualitas produk. Metode penelitian ini melibatkan pengumpulan data unsur hara dari Dinas Pertanian Kabupaten Grobogan dan analisis sistematis dengan Algoritma Decision Tree, K-Nearest Neighbor dan SVM kemudian diterapkan Metode Optimasi Soft Voting untuk meningkatkan akurasi. Hasil penelitian menunjukan bahwa Metode Optimasi Soft Voting mampu mengatasi masalah kesuburan tanah dengan meningkatkan akurasi klasifikasi. Nilai akurasi dari Algoritma Decision Tree sebesar 88,7%, nilai akurasi K-Nearest Neighbor sebesar 86,7, nilai akurasi SVM sebesar 90,1%, dan akurasi penggabungan algoritma dengan Optimasi Soft Voting sebesar 90,4. Penelitian ini penting dalam bidang pertanian karena membantu petani dan ahli pertanian dalam mengambil keputusan mengenai klasifikasi kesuburan tanah. Dengan meningkatkan pemahaman penggunaan teknologi melalui optimalisasi algoritma, diharapkan produktivitas pertanian dan ketahanan pangan meningkat.

show abstract

Optimasi Backward Elimination untuk Klasifikasi Kepuasan Pelanggan Menggunakan Algoritme k-nearest neighbor (k-NN) and Naive Bayes

Cited by 11 publications

References 7 publications

Klasifikasi Tingkat Kepuasan Masyarakat Program RTP2S Menggunakan Metode SVM Berbasis Backward Elimination

Klasifikasi Tingkat Kepuasan Masyarakat Program RTP2S Menggunakan Metode SVM Berbasis Backward Elimination

Identifying Potential Areas for Oil and Gas Well Location Planning Using Support Vector Machine Algorithm

Optimasi Analisis Kesuburan Tanah dengan Pendekatan Soft Voting Ensemble

Contact Info

Product

Resources

About