scholarly journals OPTIMASI PARTICLE SWARM OPTIMIZATION PADA NAÏVE BAYES UNTUK PREDIKSI KONDISI KELAHIRAN BAYI

2021 ◽  
Vol 2 (1) ◽  
pp. 28-33
Author(s):  
Handini Arga Damar Rani
Keyword(s):  
Data Mining ◽  
Particle Swarm Optimization ◽  
Cross Validation ◽  
Naive Bayes ◽  
Particle Swarm ◽  
Process Data ◽  
Standard Process ◽  
Swarm Optimization ◽  
Industry Standard ◽  
Fold Cross Validation

Tehnik data mining dapat digunakan dalam berbagai bidang salah satunya dalam aspek data mining, buat memperkirakan sebuah penyakit dari data rekam medis pasien. Teknik riset yang dipakai pada riset ini mengikuti berbagai tahapan model “Cross-Industry Standard Process Data Mining” (CRISP-DM). Melalui metode klasifikasi dalam data mining, atribut data seperti usia, tekanan darah, berat badan, posisi janin, dan tinggi fundus uteri bisa dipakai buat memperkirakan kemungkinan penyakit pasien. Maka dari itu, peneliti menggunakan metode klasifikasi Naive Bayesian dan optimasi “Particle Swarm Optimization” (PSO) untuk prediksi kelahiran bayi guna mengecek prediksi status kelahiran bayi. Dari hasil prediksi itu bisa dipakai buat menetapkan rata-rata hasil kelahiran bayi setiap bulannya. Data yang kami pakai adalah jumlah ibu hamil 165. Selama pengujian digunakan perhitungan akurasi, akurasi, recall, dan AUC chart, dan model prediksi dievaluasi menggunakan 10 “fold cross-validation”. Dengan nilai akurasi 91,82% dan precission 100% serta recall 81,50% dan nilai AUC 0.90 termasuk kategori excellent classification pada model yang diujikan

scholarly journals Analisis Sentimen Review Restoran menggunakan Algoritma Naive Bayes berbasis Particle Swarm Optimization

2019 ◽  
Vol 6 (1) ◽  
pp. 23-28
Author(s):  
Retno Sari
Keyword(s):  
Particle Swarm Optimization ◽  
Cross Validation ◽  
Naive Bayes ◽  
Particle Swarm ◽  
Naïve Bayes ◽  
Swarm Optimization ◽  
Fold Cross Validation

Terdapatnya aplikasi yang memudahkan untuk mengetahui ulasan dari suatu tempat atau makanan membuat pembaca dengan mudah menentukan tempat untuk mereka berwisata kuliner. Ulasan yang diberikan terdiri dari ulasan positif dan ulasan negatif. Algoritma Naive Bayes berbasis Particle Swarm optimization dilakukan untuk mengetahui apakah terdapat peningkatan akurasi. Dataset yang digunakan berupa review restoran yang dibagi menjadi 2 class yaitu class positif dan class negatif, data diujikan menggunakan 10 Fold Cross Validation. Analisis sentimen review restoran menggunakan Algoritma Naive Bayes berbasis Particle Swarm Optimization menghasilkan akurasi sebesar 82.45%. Hasil ini lebih baik dibandingkan dengan menggunakan algoritma Naive Bayes saja yang menghasilkan akurasi sebesar 74.34%.

scholarly journals Analisis Sentimen Review Restoran menggunakan Algoritma Naive Bayes berbasis Particle Swarm Optimization

2019 ◽  
Vol 6 (1) ◽  
pp. 23-28
Author(s):  
Retno Sari
Keyword(s):  
Particle Swarm Optimization ◽  
Cross Validation ◽  
Naive Bayes ◽  
Particle Swarm ◽  
Naïve Bayes ◽  
Swarm Optimization ◽  
Fold Cross Validation

Terdapatnya aplikasi yang memudahkan untuk mengetahui ulasan dari suatu tempat atau makanan membuat pembaca dengan mudah menentukan tempat untuk mereka berwisata kuliner. Ulasan yang diberikan terdiri dari ulasan positif dan ulasan negatif. Algoritma Naive Bayes berbasis Particle Swarm optimization dilakukan untuk mengetahui apakah terdapat peningkatan akurasi. Dataset yang digunakan berupa review restoran yang dibagi menjadi 2 class yaitu class positif dan class negatif, data diujikan menggunakan 10 Fold Cross Validation. Analisis sentimen review restoran menggunakan Algoritma Naive Bayes berbasis Particle Swarm Optimization menghasilkan akurasi sebesar 82.45%. Hasil ini lebih baik dibandingkan dengan menggunakan algoritma Naive Bayes saja yang menghasilkan akurasi sebesar 74.34%.

scholarly journals Analisis Sentimen Dewan Perwakilan Rakyat Dengan Algoritma Klasifikasi Berbasis Particle Swarm Optimization

2020 ◽  
Vol 5 (2) ◽  
pp. 61
Author(s):  
Anas Faisal ◽  
Yuris Alkhalifi ◽  
Achmad Rifai ◽  
Windu Gata
Keyword(s):  
Support Vector Machine ◽  
Particle Swarm Optimization ◽  
Cross Validation ◽  
Naive Bayes ◽  
Particle Swarm ◽  
Area Under The Curve ◽  
Naïve Bayes ◽  
Support Vector ◽  
Swarm Optimization ◽  
Fold Cross Validation

Penggunaan internet terutama media sosial telah menjadi bagian dari kehidupan bernegara. Hal ini salah satunya karena Anggota Dewan Perwakilan Rakyat Republik Indonesia (DPR RI) banyak yang menyampaikan ide, kebijakan maupun memberikan komentar atas kebijakan pemerintah melalui media sosial. Penelitian ini dilakukan untuk mengukur pendapat atau memisahkan antara sentimen positif dan sentimen negatif terhadap DPR RI. Data yang digunakan dalam penelitian ini didapatkan dengan melakukan crawling pada media sosial twitter. Penelitian dilakukan dengan menggunakan dua Algoritma yaitu Algoritma Support Vector Machine (SVM) dan Naive Bayes (NB). Kedua algoritma tersebut masing-masing dioptimasi menggunakan Particle Swarm Optimization (PSO). Hasil pengujian k-fold cross validation SVM dan NB mendapatkan nilai accuracy 71,04% dan 70,69% dengan nilai Area Under the Curve (AUC) 0,817 dan 0,661. Sedangkan hasil pengujian k-flod cross validation dengan menggunakan PSO, untuk SVM dan NB masing-masing mendapatkan nilai accuracy 75,03% dan 73,49% dengan nilai AUC 0,808 dan 0,719. Penggunaan PSO mampu meningkatkan nilai accuracy algoritma SVM sebesar 3,99% dan 2,8% pada algoritma NB. Hasil dari pengujian kedua algoritma tersebut nilai accuracy tertinggi adalah SVM dengan PSO sebesar 75,03%.

scholarly journals Data Mining Optimization Using Sample Bootstrapping and Particle Swarm Optimization in the Credit Approval Classification

2019 ◽  
Vol 2 (1) ◽  
Author(s):  
Andre Alvi Agustian ◽  
Achmad Bisri
Keyword(s):  
Data Mining ◽  
Particle Swarm Optimization ◽  
Credit Card ◽  
Naive Bayes ◽  
Particle Swarm ◽  
Class Imbalance ◽  
Naïve Bayes ◽  
Swarm Optimization ◽  
The Status ◽  
Auc Value

Credit approval is a process carried out by the bank or credit provider company. Where the process is carried out based on credit requests and credit proposals from the borrower. Credit approval is often difficult for banks or credit providers. Where the number of requests and classifications must be made on various data submitted. This study aims to enable banks or credit card issuing companies to carry out credit approval processes effectively and accurately in determining the status of the submissions that have been made. This research uses data mining techniques. This study uses a Credit Approval dataset from UCI Machine Learning, where there is a class imbalance in the dataset. 14 attributes are used as system inputs. This study uses the C4.5 and Naive Bayes algorithms where optimization is needed using Sample Bootstrapping and Particle Swarm Optimization (PSO) in the algorithm so that the results of the research produce good accuracy and are included in the good classification. After using the optimization, it produces an accuracy rate of C4.5 which is initially 85.99% and the AUC value of 0.904 becomes 94.44% with the AUC value of 0.969 and Naive Bayes which initially has an accuracy value of 83.09% with an AUC value of 0.916 to 90 , 10% with an AUC value of 0.944.

scholarly journals Marketplace Sentiment Analysis Using Naive Bayes And Support Vector Machine

2020 ◽  
Vol 8 (2) ◽  
pp. 91-100
Author(s):  
Muhamad Azhar ◽  
Noor Hafidz ◽  
Biktra Rudianto ◽  
Windu Gata
Keyword(s):  
Support Vector Machine ◽  
Feature Selection ◽  
Particle Swarm Optimization ◽  
Sentiment Analysis ◽  
Cross Validation ◽  
Naive Bayes ◽  
Particle Swarm ◽  
Naïve Bayes ◽  
Support Vector ◽  
Swarm Optimization

Abstract   Technology implementation in the marketplace world has attracted the attention of researchers to analyze the reviews from customers. The Klik Indomaret application page on GooglePlay is one application that can be used to get information on review data collection. However, getting information on consumer’s opinion or review is not an easy task and need a specific method in categorizing or grouping these reviews into certain groups, i.e. positive or negative reviews. The sentiment analysis study of a review application in GooglePlay is still rare. Therefore, this paper analysis the customer’s sentiment from klikindomaret app using Naive Bayes Classifier (NB) algorithm that is compared to Support Vector Machine (SVM) as well as optimizing the Feature Selection (FS) using the Particle Swarm Optimization method. The results for NB without using FS optimization were 69.74% for accuracy and 0.518 for Area Under Curve (AUC) and for SVM without using FS optimization were 81.21% for accuracy and 0.896 for AUC. While the results of cross-validation NB with FS are 75.21% for accuracy and 0.598 for AUC and cross-validation of SVM with FS is 81.84% for accuracy and 0.898 for AUC, while there is an increase when using the Feature Selection (FS) Particle Swarm Optimization and also the modeling algorithm SVM has a higher value compared to NB for the dataset used in this study.   Keywords: Naive Bayes, Particle Swarm Optimization, Support Vector Machine, Feature Selection, Consumer Review.

scholarly journals Implementasi Algoritma Naïve Bayes Berbasis Particle Swarm Optimization Untuk Memprediksi Penyakit Hepatitis

2021 ◽  
Vol 14 (1) ◽  
pp. 36
Author(s):  
Hilda Farida Husniah ◽  
Toni Arifin
Keyword(s):  
Data Mining ◽  
Particle Swarm Optimization ◽  
Hepatitis B ◽  
Naive Bayes ◽  
Confusion Matrix ◽  
Particle Swarm ◽  
Naïve Bayes ◽  
Virus Hepatitis ◽  
Swarm Optimization

Penyakit Hepatitis merupakan penyakit peradangan pada sel-sel hati, yang disebabkan oleh infeksi (virus, bakteri, parasite), obat-obatan (termasuk obat tradisional), mengkonsumsi alkohol, lemak yang berlebihan dan penyakit autoimmune. Penyebab terjadinya Hepatitis adalah sering disebabkan oleh Virus Hepatitis B dan C. Prevalensi Hepatitis di Indonesia pada tahun 2013 sebesar 1,2% meningkat dua kali dibandingkan Riskesdas tahun 2007 yang sebesar 0,6%. Nusa Tenggara Timur merupakan provinsi dengan prevalensi Hepatitis tertinggi pada tahun 2013 yaitu sebesar 4,3%. Para peneliti berusaha membuat terobosan dengan membuat penelitian untuk klasifikasi prediksi pasien Hepatitis dengan teknik data mining. Naïve bayes merupakan metode yang digunakan untuk memprediksi probabilitas dimasa depan berdasarkan pengalaman dimasa lalu dan terbukti memiliki tingkat akurasi tinggi dan kecepatan yang tinggi dalan perhitungannya. Particle Swarm Optimization digunakan untuk meningkatkan akurasi dari metode. Penelitian ini bertujuan untuk mengetahui apakah metode Naïve Bayes berbasis Particle Swarm Optimization dapat meningkatkan akurasi yang baik. Hasil penelitian menggunakan Naïve Bayes berbasis Particle Swarm Optimization memiliki akurasi confusion matrix sebesar 91.90% dan AUC sebesar 0.946 terbukti bahwa memiliki hasil yang bagus dibanding Naïve Bayes memiliki akurasi confusion matrix sebesar 88.52% dan AUC 0.896.

scholarly journals Prediksi Nasabah Yang Berpotensi Membuka Simpanan Deposito Menggunakan Naive Bayes Berbasis Particle Swarm Optimization

Techno Com ◽  
2018 ◽  
Vol 17 (2) ◽  
pp. 208-219
Author(s):  
Alvino Dwi Rachman Prabowo ◽  
Muljono Muljono
Keyword(s):  
Data Mining ◽  
Feature Selection ◽  
Particle Swarm Optimization ◽  
Decision Support ◽  
Decision Support System ◽  
Support System ◽  
Naive Bayes ◽  
Particle Swarm ◽  
Naïve Bayes ◽  
Swarm Optimization

Deposito masih merupakan pilihan utama bagi masyarakat untuk berinvestasi saat ini dan hal itu merupakan kesempatan bagi bank-bank untuk menentukan strategi pemasaran dan promosi yang lebih efisien dengan tidak terlalu banyak menggunakan biaya sehingga masyarakat tertarik untuk berinvestasi pada produk deposito dari bank tersebut. Atas dasar permasalahan tersebut, maka dilakukan penelitian untuk memprediksi nasabah yang berpotensi membuka deposito dengan menggunakan teknik data mining khususnya algoritma Naive Bayes berbasis PSO. PSO pada penelitian ini akan digunakan untuk feature selection yaitu dengan memilih attribut terbaik dengan memilih attribut yang sudah diberikan bobot sehingga dapat meningkatkan hasil akurasi dari prediksi menggunakan algoritma Naive Bayes. Hasil dari prediksi nasabah yang berpotensi membuka deposito dengan menggunakan Naive Baiyes memiliki akurasi sebesar 82,19%. Sedangkan prediksi yang menggunakan Naive Baiyes berbasis PSO memiliki akurasi sebesar 89,70%. Penggunaan algoritma PSO ternyata meningkatkan akurasi sebesar 7,51% dan algoritma Naive Baiyes berbasis PSO tersebut dapat digunakan untuk decision support system nasabah yang berpotensi membuka deposito karena menjadi model algoritma yang terbaik. 

scholarly journals OPTIMASI NAÏVE BAYES MENGGUNAKAN PARTICLE SWARM OPTIMIZATION UNTUK TINGKAT KEBERHASILAN CRYOTHERAPY PADA PENYAKIT KUTIL

2021 ◽  
Vol 3 (2) ◽  
pp. 174-183
Author(s):  
Rahayu Febryani ◽  
Toni Arifin
Keyword(s):  
Data Mining ◽  
Particle Swarm Optimization ◽  
Naive Bayes ◽  
Particle Swarm ◽  
Naïve Bayes ◽  
Swarm Optimization ◽  
Human Papiloma Virus

Penyakit kutil merupakan salah satu penyebab masalah kesehatan kulit yang ditandai dengan timbulnya benjolan kecil pada kulit, penyakit ini disebabkan oleh virus Human Papiloma Virus. Ada berbagai cara dalam penyembuhan penyakit kutil, salah satunya dengan melakukan cryotherapy. Metode cryotherapy adalah teknik pengobatan terapi dengan berendam didalam es atau air yang dingin selama kurang lebih 30 menit, dalam suhu -18 derajat celcius sampai 24 derajat celcius, sehingga sel-sel kanker dalam tubuh pasien membeku dan terbukti dapat memperpanjang umur pasien bahkan ada kemungkinan sembuh. Untuk mengurangi kesalahan deteksi penyakit ini serta menghindari keterlambatan dalam mendiagnosis dengan memanfaatkan teknik data mining. Salah satu metode data mining yang bisa digunakan adalah klasifikasi algoritma Naïve Bayes serrta untuk meningkatkan akurasi menggunakan pembobotan optimasi Particle Swarm Optimization. Pada penelitian ini, algoritma Naïve Bayes berbasis Particle Swarm Optimization meningkatkan nilai akurasi sebesar 97.22% dan nilai AUC sebesar 0.991 yang termasuk kategori Excellent Classification.

Sign in / Sign up

Export Citation Format

Share Document