Penerapan Algoritma Naïve Bayes untuk Rekomendasi Pakaian Wanita

Hayuningtyas, Ratih Yulia

doi:10.31294/ji.v6i1.4685

Cited by 13 publications

(12 citation statements)

References 0 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Naive bayes merupakan salah satu metode machine learning yang menggunakan perhitungan dengan probabilitas [9]. Nilai probabilitas didasarkan pada setiap atribut pada masing-masing kelas [10]. Algoritma ini mudah digunakan untuk perhitungan yang sederhana dan tidak panjang [11].…”

Section: Penggunaan Algoritma Naive Bayesunclassified

Analisis Sentimen untuk Melihat Respon Masyarakat Terhadap Vaksin Pfizer

Nurmadewi

Gusti

Hernanto

et al. 2023

J. Technol. Inform.

View full text Add to dashboard Cite

Covid-19 merupakan penyakit yang penyebarannya sangat luas dan cepat. Dalam waktu singkat, penyakit ini menyebar ke seluruh dunia, termasuk Indonesia. Tentunya peristiwa ini menyerang masyarakat dari berbagai faktor, khususnya di bidang kesehatan. Dalam rangka melakukan percepatan penanganan penyebaran Covid-19, pemerintah Indonesia mewajibkan warga negaranya melakukan vaksinasi Covid-19 salah satunya adalah vaksin Pfizer. Vaksin Pfizer adalah salah satu vaksin terbaik diantara vaksin lainnya dan kemungkinan munculnya efek samping sangat kecil. Namun, penggunaan vaksin ini tetap menimbulkan reaksi dan opini yang berbeda dari masyarakat umum. Oleh karena itu, penelitian ini bertujuan untuk mendapatkan sentimen masyarakat terhadap vaksin Pfizer melalui data di Twitter yang diambil melalui netlytic. Analisis sentimen merupakan kegiatan untuk mencari opini masyarakat tentang sebuah objek yang ingin diketahui. Untuk mendukung penelitian mengenai hal tersebut, peneliti menggunakan algoritma naive bayes untuk mengidentifikasi sentimen masyarakat terhadap vaksin Pfizer. Algoritma ini dipilih karena efisiensi dan kemudahan dalam penggunaanya serta keakuratannya dalam proses klasifikasi data. Hasil dari penelitian ini adalah analisis sentimen menggunakan algoritma naive bayes berhasil mengklasifikasikan respon masyarakat terhadap vaksin Pfizer. Hasil klasifikasi menunjukan sentimen positif lebih mendominasi dari sentimen negatif dan netral. Hasil klasifikasi menunjukan sentimen positif lebih mendominasi dari sentimen negatif dan netral dengan jumlah sentimen positif sebesar 67% dari data yang berhasil di analisis.

show abstract

Section: Penggunaan Algoritma Naive Bayesunclassified

Analisis Sentimen untuk Melihat Respon Masyarakat Terhadap Vaksin Pfizer

Nurmadewi

Gusti

Hernanto

et al. 2023

J. Technol. Inform.

View full text Add to dashboard Cite

show abstract

“…The Bayes theorem equation for nominal data types is as shown in Formula 1 as follows [14]: (1) where X = Data with unknown class, H = Hypothesis data of a specific class, P(H|X) = Probability of H hypothesis based on X condition (posteriori probability), P(H) = Probability of H hypothesis (prior probability), P(X|H) = Probability of X based on H hypothetical conditions, and P(X) = Probability of X.…”

Section: Naïve Bayes Algorithmmentioning

confidence: 99%

Intelligent System for Classification of Student Personality With Naive Bayes Algorithm

Fahrudy,

Afkarina,

Fadli

et al. 2022

SINTECH Journal

View full text Add to dashboard Cite

Various kinds of problems arise from the changing personality behavior of students. Therefore, an intelligent system is needed to determine the personality type of students. This study applies an intelligent system with a classification method using the Naïve Bayes to determine the personality of the student based on Sanguine, Choleric, Melancholic, and Phlegmatic classes against Hippocrates-Galenus typology. The attributes used include gender, age, year of class, answers to test A, answers to test B, answers to test C, and answers to test D. System testing is carried out with a scheme for sharing training data and test data. The data used is questionnaire data based on the Hippocrates-Galenus typology which is filled out by 130 students. Then it is divided into training data to form a classification model of 117 data, and there are 13 pieces of data used as test data for accuracy testing. The proportion is 90:10 using 10-fold cross validation. The data held are then calculated using the nave Bayes algorithm. Based on the results, there were 12 students correctly predicted and 1 students did not predict correctly so that an accuracy of 92.31% was obtained with an error rate of 7.69%.

show abstract

“…Algoritma ini sering digunakan dalam menyelesaikan masalah pada proses machine learning. Algoritma ini dikenal memiliki tingkat akurasi yang tinggi dengan perhitungan sederhana [12]. Berikut Teorema Bayes disajikan pada persamaan: Berdasarkan Tabel 5 merupakan perolehan nilai dari hasil perhitungan menggunakan persamaan (1), dalam mencari nilai probabilitas atribut jenis kelamin.…”

Section: ) Modelling Phaseunclassified

“…Setelah diketahui performa model dengan perolehan nilai Accuracy 87,13%, Precision 84,82% dan Recall 90,44%. Maka prediksi ketepatan masa studi mahasiswa melalui proses klasifikasi dengan menerapkan algoritma Naïve Bayes, Feature Forward Selection dan Synthetic Minority Over Sampling Technique dinyatakan baik dan cukup akurat dikarenakan memiliki tingkat akurasi yang tinggi [12]. Proses evaluasi selanjutnya yaitu ditampilkan pada kurva ROC yang bertujuan untuk mengetahui kategori dan nilai dari hasil penelitian ini terdapat pada Gambar 12 sebagai berikut: Rentang nilai pada kedua sumbu dimulai dari 0,00 hingga 1,05.…”

Section: ) Evaluation Phaseunclassified

Implementasi Algoritma Naïve Bayes Menggunakan Feature Forward Selection dan SMOTE Untuk Memprediksi Ketepatan Masa Studi Mahasiswa Sarjana

Kurniadi

Nuraeni

Lestari

2022

JSC

View full text Add to dashboard Cite

The punctuality of students in completing their studies is an important aspect of the study program. Because there are still students who have not been able to complete their studies on time. The purpose of this study is to determine the factors that influence students in completing their studies by extracting student academic data to obtain a classification model that can be used to predict the accuracy of the study period. The classification method for predicting the accuracy of the student's study period uses the Naive Bayes algorithm using the Feature Forward Selection and SMOTE. The method for data processing in this study uses CRISP-DM. The results of this study are in the form of a classification model to predict the accuracy of the study period of students who obtain a fairly high accuracy value of 87.13%, a recall value of 83.82%, and a precision value of 89.76%, and an AUC value of 0.92. included in the category of Excellent Classification. The use of SMOTE has succeeded in handling Imbalanced Class on the data, and the application of Feature Forward Selection resulted in 5 factors that most influence the accuracy of the student's study period, namely the attributes of Gender, School Category, Year of Entry, Study Program and Grade Point Average for the third semester. The prediction model generated using the Naïve Bayes algorithm, Feature Forward Selection, and SMOTE is expected to help study programs to find out earlier the possibility of students completing their studies on time or not on time.

show abstract

Penerapan Algoritma Naïve Bayes untuk Rekomendasi Pakaian Wanita

Cited by 13 publications

References 0 publications

Analisis Sentimen untuk Melihat Respon Masyarakat Terhadap Vaksin Pfizer

Analisis Sentimen untuk Melihat Respon Masyarakat Terhadap Vaksin Pfizer

Intelligent System for Classification of Student Personality With Naive Bayes Algorithm

Implementasi Algoritma Naïve Bayes Menggunakan Feature Forward Selection dan SMOTE Untuk Memprediksi Ketepatan Masa Studi Mahasiswa Sarjana

Contact Info

Product

Resources

About