ANALISIS PERBANDINGAN ALGORITMA NAIVE BAYES DAN SUPPORT VECTOR MACHINE DALAM MENGKLASIFIKASIKAN JUMLAH PEMBACA ARTIKEL ONLINE

Umbar Riyanto

Abstract


PT. Linktone Indonesia merupakan salah satu perusahaan yang bergerak dalam bidang portal berita online. Semakin banyaknya portal berita online di Indonesia, para penulis yang ada di PT. Linktone Indonesia harus dapat bersaing, agar artikel yang mereka publish mendapatkan jumlah pembaca yang maksimal. Jumlah pembaca pada sebuah artikel tidaklah menentu, dan sulit untuk diprediksi. Banyaknya jumlah artikel yang dimiliki, maka dapat dilakukan penelitian data mining untuk mengklasifikasi jumlah pembaca artikel. Terdapat beberapa algoritma dalam teknik klasifikasi, akan tetapi tidak semua algoritma memiliki kinerja dan tingkat keakuratan yang baik dalam mengklasifikasi jumlah pembaca artikel. Penelitian ini membandingkan dua algoritma klasifikasi antara Naive Bayes,  Support Vector Machine dan Bagging pada tiap algoritma. Peneliti membagi menjadi 5 dataset dan menggunakan tools WEKA dengan tools options K-Folds Cross Validation dan Confussion Matrix. Hasil penelitian ini, dengan jumlah dataset 7111 record. Bagging kurang memperbaiki hasil klasifikasi dengan jumlah dataset yang besar dan memerlukan waktu pembuatan model yang sangat lama dengan klasifikasi Support Vector Machine. Sementara itu Naive Bayes dalam segi waktu pembuatan model mendapatkan waktu yang paling cepat.


Full Text:

PDF

References


Sartika, D. dan Indra, D. (2017) ‘Perbandingan

Algoritma Klasifikasi Naive Bayes , Nearest

Neighbour , dan Decision Tree pada Studi

Kasus Pengambilan Keputusan Pemilihan Pola

Pakaian’, Jurnal Teknik Informatika dan Sistem

Informasi (JATISI), 1(2), pp. 151–161.

Ariadi, D. dan Fithriasari, K. (2015)

‘Klasifikasi Berita Indonesia Menggunakan

Metode Naive Bayesian Classification dan

Support Vector Machine dengan Confix

Stripping Stemmer’, JURNAL SAINS DAN

SENI ITS Vol. 4, No.2, 4(2), pp. 248–253.

Pratiwi, O. N. (2016) ‘Analisa Perbandingan

Algoritma K-Means, Decision Tree, Dan

Naive Bayes Untuk Sistem Pengelompokkan

Siswa Otomatis’, II(2).

Tu, M. C., Shin, D. and Shin, D. (2009) ‘A

Comparative Study of Medical Data

Classification Methods Based on Decision

Tree and Bagging Algorithms’, in 2009 Eighth

IEEE International Conference on

Dependable, Autonomic and Secure

Computing, pp. 183–187. doi:

1109/DASC.2009.40

Witten, I. H., Frank, E. and Hall, M. A. (2011)

‘Tutorial Exercises for the Weka Explorer’, in

Data Mining: Practical Machine Learning Tools

and Techniques, pp. 559–585. doi:

1016/B978-0-12-374856-0.00017-1

Jiawei Han, M. K. A. J. P. (2012) ‘Data Mining:

Concepts and Techniques, Third Edition –

Books24x7’, Morgan Kaufmann Publishers, p.

doi: 10.1002/1521-3773(20010316)40:6

MacLennan, J. and Tang, Z. H. (2011) Data

mining with Microsoft SQL server 2008,

Cancer gene therapy. doi: 10.1038/cgt.2011.47.

Hoffer, J. A., Ramesh, V. and Topi, H. (2015)

Modern Database Management, Modern

Database Management. doi:

1017/CBO9781107415324.004

Cristianini, N. and Shawe-Taylor, J. (2000) ‘An

Introduction to Support Vector Machines and

other kernel based learning methods’, Ai

Magazine, p. 190. doi: citeulike-article-

id:114719

Breiman, L. (1994) Bagging predictors:

Technical Report No. 421, Machine Learning

Liang, G., Zhu, X. and Zhang, C. (2014) ‘The

effect of varying levels of class distribution on

bagging for different algorithms: An empirical

study’, International Journal of Machine

Learning and Cybernetics, 5(1), pp. 63–71. doi:

1007/s13042-012-0125-5

Alfaro, E., Gamez, M. and García, N. (2013)

‘adabag : An R Package for Classification with

Boosting and Bagging’, Journal of Statistical

Software, 54(2), pp. 1–35. doi:

http://dx.doi.org/10.18637/jss.v054.i02

Oktafia, D. and Pardede, D. D. L. C. (2008)

‘Perbandingan Kinerja Algoritma Decission

Tree Dan Naive Bayes Dalam Memprediksi

Kebangkrutan’, 2008, p. 2008.

Duriqi, R., Raca, V. and Cico, B. (2016)

‘Comparative Analysis of Classification

Algorithms on Three Different Datasets using

WEKA’, Embedded Computing (MECO),

5th Mediterranean Conference on.

IEEE, pp. 96–101




DOI: http://dx.doi.org/10.31000/.v2i2.1521

Article Metrics

Abstract - 2283 PDF - 2183

Refbacks

  • There are currently no refbacks.




 

CURRENT INDEXING