scholarly journals Analisis Kinerja Algoritma Naive Bayes dalam Mendeteksi Sinyal Menggunakan Metode Principal Component Analysis

MATICS ◽  
2021 ◽  
Vol 13 (2) ◽  
pp. 63-69
Author(s):  
Muhammad Faishal Chaidir
Keyword(s):  
Principal Component Analysis ◽  
Naive Bayes ◽  
Principal Component ◽  
Component Analysis ◽  
Naïve Bayes ◽  
Pivot Point

Melakukan analisis teknikal saat trading sangatlah penting agar terhindar dari kerugian. Penelitian ini bertujuan untuk memberi referensi tambahan kepada para trader dalam pengambilan keputusan, khususnya untuk saham PT. Resource Alam Indonesia Tbk (KKGI). Penelitian ini merupakan analisis teknikal yang menggunakan enam indikator yaitu Bollinger Band, MACD, Pivot Point, ADX, CCI, dan Stochastic. Setiap indikator memiliki beberapa atribut, jumlah keseluruhan atribut dari keenam indikator adalah 36. Untuk mereduksi data yang tidak begitu penting, penelitian ini menerapkan metode Principal Component Analysis (PCA). Kemudian data diproses menggunakan algoritma klasifikasi Naive Bayes pada perangkat lunak Weka 3.8 sehingga menghasilkan sinyal buy/sell. Hasil yang didapat dari penelitian ini yaitu berkas model yang optimal untuk mendeteksi sinyal jual/beli. Model ini berguna bagi para trader dalam mengambil keputusan untuk mendapatkan keuntungan maksimal.Kata kunci : Analisis Teknikal, Naive Bayes, Principal Component Analysis, Weka

scholarly journals Feature Scaled Element Balancing with Random Boosting for Heart Disease Prediction using Machine Learning

2020 ◽  
Vol 8 (5) ◽  
pp. 4105-4110
Keyword(s):  
Principal Component Analysis ◽  
Heart Disease ◽  
Naive Bayes ◽  
Principal Component ◽  
Component Analysis ◽  
Naïve Bayes ◽  
Naive Bayes Classifier ◽  
Bayes Classifier ◽  
Naïve Bayes Classifier ◽  
Data Set

In the current scenario, the researchers are focusing towards health care project for the prediction of the disease and its type. In addition to the prediction, there exists a need to find the influencing parameter that directly related to the disease prediction. The analysis of the parameters needed to the prediction of the disease still remains a challenging issue. With this view, we focus on predicting the heart disease by applying the dataset with boosting the parameters of the dataset. The heart disease data set extracted from UCI Machine Learning Repository is used for implementation. The anaconda Navigator IDE along with Spyder is used for implementing the Python code. Our contribution is folded is folded in three ways. First, the data preprocessing is done and the attribute relationship is identified by the correlation values. Second, the data set is fitted to random boost regressor and the important features are identified. Third, the dataset is feature scaled reduced and then fitted to random forest classifier, decision tree classifier, Naïve bayes classifier, logistic regression classifier, kernel support vector machine and KNN classifier. Fourth, the dataset is reduced with principal component analysis with five components and then fitted to the above mentioned classifiers. Fifth, the performance of the classifiers is analyzed with the metrics like accuracy, recall, fscore and precision. Experimental results shows that, the Naïve bayes classifier is more effective with the precision, Recall and Fscore of 0.89 without random boost, 0.88 with random boosting and 0.90 with principal component analysis. Experimental results show, the Naïve bayes classifier is more effective with the accuracy of 89% without random boost, 90% with random boosting and 91% with principal component analysis.

scholarly journals Diagnosa Kerusakan Bearing Menggunakan Principal Component Analysis (PCA) dan Naïve Bayes Classifier

2016 ◽  
Vol 6 (2) ◽  
pp. 114
Author(s):  
Dwi Pudyastuti ◽  
Toni Prahasto ◽  
Achmad Widodo
Keyword(s):  
Principal Component Analysis ◽  
Fault Diagnosis ◽  
Naive Bayes ◽  
Principal Component ◽  
Component Analysis ◽  
Naïve Bayes ◽  
Feature Reduction ◽  
Naive Bayes Classifier ◽  
Bayes Classifier ◽  
Naïve Bayes Classifier

This research is discussing about the usage of data mining which addressed for bearing fault diagnosis. Bearing was one of the essential parts in industry machinery. Bearing was used to reduce machines frictions or could be a moving component which oppressed each other.  This fault diagnosis can avoid loss and damage of other machines components. This research was started with data preprocessing using wavelet discrete transformation, feature extraction, feature reduction using Principal Component Analysis (PCA), and classification process using Naïve Bayes classifier methods. Naïve Bayes Classifier is a classification method which based on probability and Bayesian theorem. Output of these method shows that Naïve Bayes classification have a good performance which shown by a good accuracy in each data test.

scholarly journals Implementasi Text Mining Untuk Analisis Opini Publik Terhadap Calon Presiden

2020 ◽  
Vol 7 (1) ◽  
pp. 39-47
Author(s):  
Trya Sovi Kartikasari ◽  
Hendry Setiawan ◽  
Paulus Lucky Tirma Irawan
Keyword(s):  
Principal Component Analysis ◽  
Text Mining ◽  
Naive Bayes ◽  
Principal Component ◽  
Component Analysis ◽  
Naïve Bayes ◽  
Naive Bayes Classifier ◽  
Bayes Classifier ◽  
Naïve Bayes Classifier

Sistem presidensial merupakan salah satu bentuk demokrasi di Indonesia. Sistem tersebut menitikberatkan pada penyelenggaraan pemilihan umum presiden dan wakilnya yang dilakukan secara langsung oleh rakyat. Tingkat terpilihnya seorang presiden dapat dilihat dari opini publik yang beredar, salah satunya pada media sosial yang juga merupakan bagian dari  kampanye. Dalam penelitian ini akan dianalisa opini yang berkaitan dengan elektabilitas calon presiden dari media sosial Twitter dari media sosial Twitter menggunakan metode Naïve Bayes Classifier (NBC) dan menentukan faktor-faktor yang terbentuk dari opini menggunakan Principal Component Analysis (PCA). Data opini dari media sosial Twitter didapatkan menggunakan kata kunci “Jokowi” dan “Prabowo”. Sebagian opini tersebut dipilih sebagai data latih untuk  didapatkan kelas bersentimen negatif dan positif. Setelah proses pelatihan, dilakukan proses terhadap data uji dan data validasi. Hasil akurasi untuk data uji topik Jokowi pada tweet bersentimen positif mendapatkan akurasi sebesar 88.63% dan negatif sebesar 91.06%. Sementara untuk Prabowo bersentimen positif mendapatkan akurasi sebesar 88.58% dan negatif sebesar 80.37%. Rerata akurasi untuk keseluruhan topik adalah adalah 86.89%. Untuk mendapatkan faktor pada setiap sentimen, dilakukan proses perhitungan nilai PCA. Setiap sentimen tersebut kemudian dilakukan analisis faktor oleh pakar, yakni didapatkan 20 faktor yang sudah berhasil diinterpretasikan oleh pakar.

scholarly journals KLASIFIKASI JENIS KELAMIN PADA CITRA WAJAH MENGGUNAKAN METODE NAIVE BAYES

2018 ◽  
Vol 4 (3) ◽  
pp. 212
Author(s):  
Rosa Andrie Asmara ◽  
Bella Sita Andjani ◽  
Ulla Delfana Rosiani ◽  
Priska Choirina
Keyword(s):  
Principal Component Analysis ◽  
Naive Bayes ◽  
Principal Component ◽  
Component Analysis ◽  
Naïve Bayes

Saat ini perkembangan teknologi yang berkaitan dengan pengenalan wajah banyak dimanfaatkan pada aplikasi pengenalan data biologis (biometrics) seperti pengenalan jenis kelamin. Penerapan aplikasi yang memerlukan pengenalan jenis kelamin adalah proses segmentasi pasar untuk mengetahui trend demografis dari produk yang dipasarkan berdasarkan jenis kelamin. Selain itu, aplikasi ini juga dapat digunakan untuk pembatasan akses suatu ruangan. Klasifikasi jenis kelamin pada citra wajah menggunakan metode Naive Bayes dapat digunakan untuk membedakan wajah wanita dan wajah pria berdasarkan fitur. Pembuatan data training berupa citra wajah dengan total 61 data dengan rincian 25 perempuan dan 36 laki-laki. Penggunaan fitur yang diperoleh dari deteksi mata, hidung dan mulut diekstraksi dengan metode Principal Component Analysis yang selanjutnya akan dilakukan proses klasifikasi jenis kelamin dengan metode Naive Bayes yang menghasilkan akurasi kecocokan sebesar 80%.

Sign in / Sign up

Export Citation Format

Share Document