Komparasi Akurasi Naïve Bayes dan Support Vector Machine (SVM) untuk Rekomendasi Produk in Fashion Dress
Abstract
Abstrak - Data mining atau penemuan pengetahuan adalah prosedur menggunakan teknik statistik dan berbasis pengetahuan untuk menganalisis data dengan pola tambang yang memiliki makna dari kumpulan data yang luas dan mengubahnya menjadi informasi bermanfaat. Pada data mining terdapat beberapa metode dalam data mining salah satunya adalah klasifikasi. Klasifikasi merupakan salah satu teknik data mining yang digunakan untuk membangun suatu model dari sampel data yang belum terklasifikasi untuk digunakan mengklasifikasi sampel data baru ke dalam kelas-kelas yang sejenis. Pada penelitian ini digunakan metode klasifikasi Naive Bayes dan SVM untuk melakukan klasifikasi pada data rekomendasi produk dress. Naïve Bayes digunakan karena memiliki
kelebihan diantaranya adalah algoritma sederhana tapi memiliki akurasi yang tinggi. Dan SVM juga memiliki kelebihan yaitu svm juga memiliki tingkat akurasi yang tinggi dan dapat bekerja sangat baik pada data dengan banyak dimensi dan menghindari kesulitan dari permasalahan dimensionalitas. Tools Matlab digunakan untuk melakukan proses klasifikasi pada dataset Dresses_attribute_sales yang diambil malalui UCI Repository.Hasil penelitian ini mendapatkan akurasi pada Naive Bayes sebesar 74% dan pada SVM sebesar 66%.
References
[2] B. Mirkin, "Data Analysis, Mathematical Statistics, Machine Learning, Data Mining: Similarities and Differences," Int. Conf. Adv. Comput. Sci. Inf
[3] Syst., Vol. 2, pp. 1–8, 2015. M. Ramageri, “Data Mining Techniques and Applications,” Indian J. Comput. Sci. Eng., Vol. 1, No. 4, pp. 301–305, 2010.
[4] Sartika, D. Sensuse, “Perbandingan Algoritma Klasifikasi Naive bayes , Nearest Neighbour , dan Decision Tree pada Studi Kasus Pengambilan Keputusan Pemilihan Pola Pakaian,” Jurnal Publikasi, Vol. 1, No. 2, pp. 151-161, 2017.
[5] S. James Luke, "Data Mining of Automatically Promotion Tweet for Products and Services Using Naïve Bayes Algorithm to Increase Twitter Engagement
Followers at PT. Bobobobo,"
[6] Procedia Computer Science, vol. 59, no.1, pp. 254-261, 2015.
[7] I. Rish, "An Empirical study of The Naïve Bayes Classifier," International Joint Conference on Artificial Intelligence, 2015.
[8] A. Tripathy, "Classification of Sentimental Reviews Using Machine Learning Techniques," Procedia Computer Science, 2015.
