Perbandingan Algoritma Naive Bayes dan K-Nearest Neighbor dalam Mengklasifikasikan Tingkat Obesitas

Azizah, Nurul (2024) Perbandingan Algoritma Naive Bayes dan K-Nearest Neighbor dalam Mengklasifikasikan Tingkat Obesitas. Diploma thesis, Politeknik Negeri Jember.

	Text (Ringkasan) Ringkasan.pdf - Submitted Version Available under License Creative Commons Attribution Share Alike. Download (181kB)
	Text (Bab 1 Pendahuluan) Bab 1 Pendahuluan.pdf - Submitted Version Available under License Creative Commons Attribution Share Alike. Download (229kB)
	Text (Daftar Pustaka) Daftar Pustaka.pdf - Submitted Version Available under License Creative Commons Attribution Share Alike. Download (184kB)
	Text (Laporan Lengkap) Laporan Lengkap.pdf - Submitted Version Restricted to Registered users only Download (3MB) | Request a copy

Abstract

Kemajuan teknologi memperluas kemampuan data mining, yang merupakan proses eksplorasi dan analisis data untuk mengidentifikasi pola dan informasi berguna. Klasifikasi merupakan salah satu metode data mining yang digunakan untuk mengklasifikasikan objek berdasarkan atributnya. Algoritma klasifikasi terbagi menjadi dua jenis, yaitu eager learner yang melakukan pelatihan sebelum mengklasifikasikan objek baru, serta lazy learner yang tidak melakukan pelatihan dan baru membangun model saat mengklasifikasikan objek baru. Berdasarkan pembahasan tersebut, penelitian ini bertujuan untuk membandingkan eager learner, yang diwakili algoritma naive bayes, dengan lazy learner, yang diwakili algoritma k-nearest neighbor, dalam mengklasifikasikan tingkat obesitas. Dataset yang digunakan memiliki 16 atribut fitur dan 1 atribut kelas. Dataset ini digunakan untuk mengevaluasi dan membandingkan kinerja model klasifikasi dari kedua algoritma tersebut. Hasil analisis penelitian ini menunjukkan kinerja model klasifikasi algoritma naive bayes dan k-nearest neighbor dipengaruhi oleh rasio jumlah data latih dan data uji serta pemilihan nilai K yang tepat untuk k-nearest neighbor. Kedua model mencapai kinerja optimal pada rasio berbeda, namun k-nearest neighbor (K=7) menunjukkan kinerja yang lebih baik dibandingkan naive bayes dalam hal akurasi, presisi, recal, dan skor F1. Namun terdapat trade-off waktu, dimana naive bayes sebagai eager learner memiliki waktu pelatihan lebih lama tapi waktu pengujian lebih singkat, sedangkan k-nearest neighbor sebagai lazy learner memiliki waktu pelatihan lebih singkat tapi waktu pengujian lebih lama. Dengan demikian, penting untuk membandingkan kinerja algoritma agar dapat memilih algoritma yang sesuai dengan kebutuhan dan karakteristik dari kasus yang dihadapi.

Actions (login required)

View Item