Optimasi Naïve Bayes Classifier Dengan Menggunakan Particle Swarm Optimization Pada Data Iris

Penulis

Husin Muhamad, Cahyo Adi Prasojo, Nur Afifah Sugianto, Listiya Surtiningsih, Imam Cholissodin

Abstrak

Abstrak

Klasifikasi adalah proses identifikasi obyek kedalam sebuah kelas, kelompok, atau kategori berdasarkan karakteristik yang telah ditentukan sebelumnya. Secara singkat, klasifikasi merupakan pengelompokan obyek berdasarkan kelompoknya yang biasanya disebut dengan kelas (class). Tak hanya klasifikasi, proses pengelompokkan obyek juga dapat dilakukan dengan menggunakan teknik clustering yang merupakan pengelompokan obyek berdasarkan kemiripan antar obyek. Salah satu metode klasifikasi yang sering digunakan adalah Naïve Bayes Classifier. Menurut beberapa penelitian, Naïve Bayes Classifier memiliki beberapa kelebihan yaitu, cepat dalam proses perhitungan, algoritma yang sederhana dan akurasi yang tinggi. Namun probabilitas pada Naïve Bayes Classifier tidak bisa mengukur seberapa besar tingkat keakuratan sebuah prediksi, hasil akurasi metode ini juga masih kurang jika dibandingkan dengan metode C4.5, selain itu metode naïve bayes juga memiliki kelemahan pada seleksi atribut. Untuk menyelesaikan permasalahan tersebut, algoritma particle swarm optimization (PSO) dapat digunakan untuk melakukan pembobotan atribut untuk meningkatkan akurasi naïve bayes classifier.

Kata kunci: Naïve Bayes Classifier, Particle Swarm Optimization, klasifikasi, pembobotan atribut.


Abstract

Classification is the process of identifying objects into a class, group or category based on the predetermined characteristics. In other words, classification is a process to group objects based on their class. Grouping objects can be done not only by classification but also by clustering, which is grouping objects according to the similarity between objects. One of the most frequently used methods for classification is Naïve Bayes Classifier. According to some researchers, Naïve Bayes methods has its strength which is a simple and fast algorithm that can acquire a high accuracy. However, the probability of Naïve Bayes methods cannot measure the level of accuracy of a prediction, the accuracy of the results of this method is still less than the C4.5 method, and Naïve Bayes method has a deficiency on the selection of attributes. To solve this problem, Particle Swarm Optimization Algorithm (PSO) can be used to give weight to attributes to improve the accuracy of Naïve Bayes Classifier.

Keywords: Naïve Bayes Classifier, Particle Swarm Optimization, classification, attribute weighting.

Teks Lengkap:

PDF (English)

Referensi


BRAMER, MAX. 2007. Principles of Data Mining. Springer, London.

HAMZAH, A. 2012. Klasifikasi Teks dengan Naïve Bayes Classifier (NBC) untuk Pengelompokan Teks Berita dan Abstrak Akademik. Proceedings Seminar Nasional Aplikasi Sains & Teknologi (SNAST) Periode III. 3 Novermber, Yogyakarta, Indonesia.

HAND, DAVID J. & YU, KEMING. 2001. Idiot’s Bayes: Not So Stupid after All?. International Statistical Review, 69 (3), 385-398.

LANGLEY & S. SAGE. 1994. Induction of Selective Bayesian Classifier. Proceeding of The Tenth Conference on Uncertainty in Artificial Intelligence. Morgan Kaufmann, US.

LEIDIYANA, H. 2012. Komparasi Algoritma Klasifikasi Data Mining dalam Penentuan Resiko Kredit Kepemilikan Kendaraan Bermotor. Tesis Magister Ilmu Komputer. Sekolah Tinggi Managemen Informatika dan Komputer Nusa Mandiri. Jakarta

LEWIS, D. 1998. Naïve Bayes at forty: The independence assumption in information retrieval. Proceedings of the Tenth European Conference on Machine Learning. April, Berlin, Germany. 4-15.

U.S FISH AND WILDLIFE SERVICE. 2013. Definition of Terms and Phrases. February 8, 2013. http://www.fws.gov/stand/devterms.html, diakses tanggal 1 Desember 2016.

WU, XINDONG & KUMAR, VIPIN. 2009. The Top Ten Algorithms in Data Mining. CRC Press, Boca Raton.




DOI: http://dx.doi.org/10.25126/jtiik.201743251