Smart Tour Route Planning Algorithm Based on Naïve Bayes Interest Data Mining Machine Learning

A smart tour route planning algorithm based on a Naïve Bayes interest data mining machine learning is brought forward in the paper, according to the problems of current tour route planning methods. A machine learning model of Naïve Bayes interest data mining is set up by learning a mass of training data on tourists’ interests and needs. Through the recommended interest tourist site classifications from the machine learning module, the optimal tourist site mining algorithm based on the membership degree searching propagating tree of a tourist’s temporary accommodation is set up, which mines and outputs the optimal tourist sites. The mined optimal tourist sites are taken as seed points to set up a tour route planning algorithm based on the optimal propagating tree of a closed-loop structure. Through the proposed algorithm, an experiment is designed and performed to output optimal tour routes conforming to tourists’ needs and interests, including the propagating tree closed-loop structures, a minimum heap of propagating tree weight function value, and a weight function value complete binary tree. We prove that the proposed algorithm has the features of intelligence and accuracy, and it can learn tourists’ needs and interests to output optimal tourist sites and tour routes and ensure that tourists can get the best motive benefits and travel experience in the tour process, by analyzing the experiment data and results.

Download Full-text

Disease Prediction using Naïve Bayes - Machine Learning Algorithm

International Journal of Science and Healthcare Research ◽

10.52403/ijshr.20211004 ◽

2021 ◽

Vol 6 (4) ◽

pp. 17-22

Author(s):

Chandrasekhar Rao Jetti ◽

Rehamatulla Shaik ◽

Sadhik Shaik

Keyword(s):

Machine Learning ◽

Data Mining ◽

Healthcare System ◽

Naive Bayes ◽

Learning Algorithm ◽

Naïve Bayes ◽

Disease Prediction ◽

Machine Learning Algorithm ◽

Data Mining Techniques ◽

Smart Healthcare

It can occur on many occasions that you or a loved one requires urgent medical assistance, but they are unavailable due to unforeseen circumstances, or that we are unable to locate the appropriate doctor for the care. As a result, we will try to incorporate an online intelligent Smart Healthcare System in this project to solve this issue. It's a web-based programmed that allows patients to get immediate advice about their health problems. The aim of the smart healthcare system is to create a web application that can take a user's symptoms and predict diseases, as well as serve as an online consultant for various diseases. We created an expert system called Smart Health Care System, which is used to make doctors' jobs easier. A machine examines a patient at a basic level and recommends diseases that may be present. It begins by inquiring about the patient's symptoms; if the device is able to determine the relevant condition, it then recommends a doctor in the patient's immediate vicinity. The system will show the result based on the available accumulated data. We're going to use some clever data mining techniques here. We use several intelligent data mining techniques to guess the most accurate illness that could be associated with a patient's symptoms, and we use an algorithm (Naive Bayes) to map the symptoms with potential diseases based on a database of many patients' medical records. This system not only makes doctors' jobs easier, but it also benefits patients by getting them the care they need as soon as possible. Keywords: Disease Prediction, Naïve Bayes, Machine Learning Algorithm, Smart Healthcare System.

Download Full-text

Application of Progressively Statistical Discriminant Models

Applied Mechanics and Materials ◽

10.4028/www.scientific.net/amm.55-57.1922 ◽

2011 ◽

Vol 55-57 ◽

pp. 1922-1925

Author(s):

Bing Chen Fan

Keyword(s):

Machine Learning ◽

Data Mining ◽

Discriminant Analysis ◽

Mining Machine ◽

Multivariate Statistical ◽

Corn Borer ◽

Discriminant Model ◽

Recognition Pattern ◽

Discriminant Models ◽

Set Up

Discriminant analysis is an important multivariate statistical analysis, and plays an important part in pattern classification, data mining, machine learning et al. In this paper, based on principle of progressively statistical discriminant analysis under Fisher rule, a progressively statistical discriminant model is set up. The authors analyzed the data about the occurrence of the second generation of the corn borer in 21 years from 1985 to 2006 (except 1990) at Linyi, Shandong Province, and then set up three graded recognition pattern. The results tested the pest data showed that the fitting rate is 95.24%, 92.31% and 100% respectively, and that accuracy of forecast is satisfactory.

Download Full-text

Machine Learning for Cryptographic Algorithm Identification

Journal of Information Security and Cryptography (Enigma) ◽

10.17648/enig.v3i1.55 ◽

2016 ◽

Vol 3 (1) ◽

pp. 3 ◽

Cited By ~ 2

Author(s):

Flávio Barbosa ◽

Arthur Vidal ◽

Flávio Mello

Keyword(s):

Machine Learning ◽

Data Mining ◽

Multilayer Perceptron ◽

Naive Bayes ◽

Naïve Bayes ◽

Data Mining Techniques ◽

Cryptographic Algorithm ◽

Cryptographic Algorithms ◽

Using Data ◽

Confusion Matrices

This paper aims to study encrypted text files in order to identify their encoding algorithm. Plain texts were encoded with distinct cryptographic algorithms and then some metadata were extracted from these codifications. Afterward, the algorithm identification is obtained by using data mining techniques. Firstly, texts in Portuguese, English and Spanish were encrypted using DES, Blowfish, RSA, and RC4 algorithms. Secondly, the encrypted files were submitted to data mining techniques such as J48, FT, PART, Complement Naive Bayes, and Multilayer Perceptron classifiers. Charts were created using the confusion matrices generated in step two and it was possible to perceive that the percentage of identification for each of the algorithms is greater than a probabilistic bid. There are several scenarios where algorithm identification reaches almost 97, 23% of correctness.

Download Full-text

Analisis Sentimen Masyarakat Berdasarkan Opini dari Sosial Media Menggunakan Metode Naive Bayes Classifier (Study Kasus : Universitas Sjakhyakirti)

Jurnal Ilmiah Informatika Global ◽

10.36982/jig.v11i1.1071 ◽

2020 ◽

Vol 11 (1) ◽

Author(s):

Paisal Paisal

Keyword(s):

Machine Learning ◽

Data Mining ◽

Social Media ◽

Naive Bayes ◽

Naïve Bayes ◽

Naive Bayes Classifier ◽

Bayes Classifier ◽

Naïve Bayes Classifier ◽

Mining Operations ◽

Use Of Social Media

AbstractThe use of social media today is not only to communicate between friends, but also is needed to make facilities to convey the aspirations of certain people in Indonesia about legal issues relating to government and other issues. One of the aspirations conveyed through social media is a hash that is widely seen by one of the Sjakhyakirti University from the use of social media. Then there arises a lot of sentiment from every community, there are those that give positive sentiments and also negative sentiments that can have a good or bad impact on daily life. days in the community. Some reasons for positive and negative sentiments sourced from this social media, will use social media. From this debate the researchers found a solution where this hashtag can provide good results for the general public or vice versa. In analyzing this, the researcher uses the Naïve Bayes Classifier method which is one of the machine learning methods that uses calculations, the classification of automated hashes can help minimize personal misclassification by obtaining positive or negative sentiment information by using data mining that is carried out by using tools that execute the tools that execute data mining operations that have been determined based on the analysis of models of hidden data on big data thus outlining the discovery of knowledge about Sjakhyakirti University.Keywords : Social Media, Sjakhyakirti, Naïve Bayes ClassifieAbstrakPemanfaatan sosial media saat ini tidak hanya untuk berkomunikasi antara teman saja, akan tetapi sering juga dijadikan sebuah sarana untuk menyampaikan suatu aspirasi bagi masyarakat khususnya masyarakat indonesia mengenai masalah hukum ataupun masalah yang berhubungan dengan pemerintahan serta masalah lainnnya. Salah satu aspirasi yang disampaikan melalui sosial media ini adalah sebuah hastag yang banyak dilihat setiap harinya salah satunya mengenai Universitas Sjakhyakirti dari pemanfaaat sosial media ini maka munculah banyak sentimen dari setiap masyarakat, ada yang memberikan sentimen positif dan juga sentimen negatif mengenai tanggapan terhadap hastag tersebut yang dapat berdampak baik atau buruk bagi kehidupan sehari-hari dimasyarakat. Beberapa alasan sentimen positif dan negatif yang bersumber dari sosial media ini, akan memanfaatkan sosial media. Dari permasalahan ini peneliti menghasilkan sebuah solusi dimana hastag tersebut apakah dapat memberikan dampak yang baik bagi masyarakat umumumnya ataupun sebaliknya. Dalam menganalisa ini, peneliti menggunakan metode Naïve Bayes Classifier yang merupakan salah satu metode machine learning yang menggunakan perhitungan probabilitas, pengklasifikasian hastag otomatis ini dapat disesuaikan sehingga meminimalisasi aksi salah pengklasifikasian secara personal dengan memproleh informasi sentimen positif atau negative dengan menggunakan data mining yang dilakukan dengan tool weka yang mengeksekusi operasi data mining yang telah didefinisikan berdasarkan model analisis dari data tersembunyi pada sejumlah data besar sehingga menguraikan penemuan pengetahuan mengenai Universitas Sjakhyakirti.Kata kunci : Sosial Media, Sjakhyakirti, Naïve Bayes Classifie

Download Full-text

Analisa Kepuasan Mahasiswa Terhadap E-Learning Menggunakan Teknik Machine Learning

INFORMATICS FOR EDUCATORS AND PROFESSIONAL : Journal of Informatics ◽

10.51211/itbi.v5i2.1521 ◽

2021 ◽

Vol 5 (2) ◽

pp. 137

Author(s):

Isse Liana Septiani ◽

Abdul Rasyid Faiq Hadinata ◽

Agus Bahtiar ◽

Nana Suarna ◽

Nining R

Keyword(s):

Machine Learning ◽

Data Mining ◽

Naive Bayes ◽

Naïve Bayes ◽

Naive Bayes Classifier ◽

Bayes Classifier ◽

Naïve Bayes Classifier ◽

E Learning

: E-Learning merupakan salah satu media pembelajaan yang didukung oleh teknologi komputer dan jaringan internet yang didalamnya terdapat konten pembelajaran serta dapat diakses kapanpun dan dimanapun tanpa adanya keterbatasan jarak dan waktu. Kepuasan mahasiswa pada pembelajaran machine learning memiliki keterkaitan yang kuat. Semakin berkualitas penerapan pembelajaran di machine learning, maka semakin tinggi pula pencapaian kepuasan mahasiswa. Penelitian ini menggunakan metode algoritma naïve bayes classifier dengan menggunakan aplikasi rapidminer. Menggunakan teknik pengumpulan data kuantitatif dalam mengumpulkan data yang akan dijadikan sebagai sampel. Sumber data yang diperoleh dengan cara wawancara kepada pihak Biro Administrasi Akademik dan Kemahasiswaan (BAAK) STMIK IKMI Cirebon dan menyebarkan link kuesioner kepada responden yaitu mahasiswa kelas reguler sore secara online dengan menggunakan Google Form. Atribut yang digunakan pada data mining sistem pembelajaran mahasiswa kelas reguler sore antara lain: Ketersediaan Indigoes (A1), Penggunaan Indigoes (A2), Pengujian Indigoes (A3), Aktifitas Indigoes (A4), Kemudahan Indigoes (A5). Dari hasil pengolahan akan didapat hasil (Hasil Kepuasan) dan memperoleh klasifikasi tingkat kepuasan mahasiswa terhadap e-learning dimasa pandemic covid-19. Tujuan penelitian ini adalah ingin mengklasifikasikan tingkat kepuasan mahaiswa dengan penerapan data mining menggunakan algoritma naïve bayes classifier dalam mengetahui klasifikasi kepuasan mahaiswa dalam pembelajaran menggunakan e-learning dimasa pandemic covid-19. Pada penelitian ini diperoleh hasil tingkat akurasi sebesar 100%, recall 100% dan precision 100% dan hasil kepuasan mahasiswa terhadap e-learning dikategorikan “PUAS. Hasil penelitian ini diharapkan dapat dimanfaatkan sebagai tolok ukur dalam mengetahui tingkat kepuasan mahasiswa pada pembelajaran melalui e-learning dimasa pandemic yang sangat berpengaruh terhadap sistem pembelajaran mahasiswa.

Download Full-text

ANALISA 4 ALGORITMA DALAM KLASIFIKASI LIVER MENGGUNAKAN RAPIDMINER

Jurnal Informatika Polinema ◽

10.33795/jip.v6i2.274 ◽

2020 ◽

Vol 6 (2) ◽

pp. 1-9

Author(s):

Annisa Putri Ayudhitama ◽

Utomo Pujianto

Keyword(s):

Neural Network ◽

Machine Learning ◽

Data Mining ◽

Decision Tree ◽

Nearest Neighbor ◽

Naive Bayes ◽

Naïve Bayes ◽

World Health ◽

K Nearest Neighbor ◽

Health Organization

Hati merupakan salah satu organ penting dalam tubuh manusia yang berfungsi untuk detoksifikasi racun atau penetral racun dari segala sesuatu yang masuk ke dalam tubuh kita, sehingga tubuh menjadi lebih sehat. Hati dapat terserang suatu penyakit yang mampu mengganggu tugasnya, apabila penyakit hati sudah menyerang maka racun akan tersebar ke seluruh tubuh dan membuat tubuh menjadi tidak sehat. Penyakit liver merupakan penyakit hati yang disebabkan oleh virus, alkohol, pola hidup dan lainnya. Menurut data WHO (World Health Organization) menunjukkan hampir 1,2 juta orang per tahun khususnya di Asia Tenggara dan Afrika mengalami kematian akibat terserang penyakit liver. Seseorang sering tidak menyadari atau terlambat mengetahui penyakit liver sehingga ketika diperiksa penyakit liver sudah parah, akan lebih baik apabila dilakukan penanganan lebih awal dengan mengetahui gejala-gejala yang diderita. Data mining mampu membantu diagnosa penyakit liver dengan lebih mudah terutama untuk membantu para dokter dalam menentukan apakah pasien menderita penyakit liver atau tidak, dengan gejala hampir mendekati penyakit liver. Proses diagnosa penyakit liver dilakukan dengan proses klasifikasi dan hasilnya berupa pasien tersebut menderita liver atau tidak. Penelitian ini menggunakan 4 algoritma data mining yaitu Naïve Bayes, K-Nearest Neighbor (KNN), Decision Tree dan Neural Network. Dataset yang digunakan yaitu Indian Liver Patient Dataset (ILPD) dari website UCI Machine Learning Repository. Keempat algoritma tersebut dibandingkan manakah yang lebih baik akurasinya untuk kasus diagnosa penyakit liver. Hasilnya menunjukkan bahwa algoritma Naïve Bayes memiliki akurasi 55,75%, algoritma K-Nearest Neigbor memiliki akurasi 66,36%, algoritma Decision Tree memiliki akurasi 67,04%, dan algoritma Neural Network memiliki akurasi 70,50%. Akurasi tersebut tergolong rendah karena kelas atau label antara pasien penyakit liver dan pasien tidak memiliki liver tidaklah seimbang, kelas pasien penyakit liver lebih banyak dibandingkan pasien tidak memiliki liver, sehingga banyak data yang diklasifikasikan sebagai pasien penyakit liver. Keywords— Data Mining, Decision Tree, Klasifikasi, KNN, Liver, Naïve Bayes, Neural Network

Download Full-text

PREDIKSI KELANJUTAN STUDI SISWA KE PERGURUAN TINGGI DENGAN NAIVE BAYES

Jurnal Disprotek ◽

10.34001/jdpt.v11i1.1159 ◽

2020 ◽

Vol 11 (1) ◽

pp. 41-46

Author(s):

Gentur Wahyu Nyipto Wibowo

Keyword(s):

Machine Learning ◽

Data Mining ◽

Naive Bayes ◽

Confusion Matrix ◽

Naïve Bayes ◽

Classification Algorithm ◽

Education Services

The need for an analysis of the predictions of continuation of student studies to college is a strong reason for this research. Because by knowing the number of students at a school who continue or not continue studies to universities become a reference to improve education services at the school concerned. Naive Bayes is an effective and efficient classification algorithm for data mining and machine learning. So in the research proposed Naive Bayes for predictions of continuation of student studies to college with k-fold validation and confusion matrix. And results from the algorithm Naive Bayes is 86.53%.

Download Full-text

Personality Prediction from Stack Overflow by using Naïve Bayes Theorem in Data Mining

International Journal of Innovative Technology and Exploring Engineering - Special Issue ◽

10.35940/ijitee.c8601.019320 ◽

2020 ◽

Vol 9 (3) ◽

pp. 1555-1559

Keyword(s):

Data Mining ◽

Web Application ◽

Naive Bayes ◽

Bayes Theorem ◽

Naïve Bayes ◽

Automatic Process ◽

Stack Overflow ◽

Personality Prediction ◽

Set Up ◽

Personal Behavior

This paper presents a system that provides an automatic process which defines how to evaluate designation and predict personality of individuals as wel for any jobl. This system is being set up via a web application, where the system manipulates data from social media sites like Twitter and BlogForums i.e. “Stack Overflow” of individuals. Myers-Briggs personality type is used for predicting the personality behavior of individuals. The technical skills in the form of raw data have been classified by using Gaussian Naive Bayes classification and for personal behavior; data mining & machine learning are used. This system is used to analyze the personality of an individual and hence using this information to build a team for a job.

Download Full-text

Komparasi Algoritma SVM Dan Naive Bayes Untuk Klasifikasi Kestabilan Jaringan Listrik

Elkom : Jurnal Elektronika dan Komputer ◽

10.51903/elkom.v14i1.319 ◽

2021 ◽

Vol 14 (1) ◽

pp. 10-15

Author(s):

Sri Diantika ◽

Windu Gata ◽

Hiya Nalatissifa

Keyword(s):

Machine Learning ◽

Data Mining ◽

Support Vector Machine ◽

Naive Bayes ◽

Naïve Bayes ◽

Support Vector ◽

Electrical Grid

Keseimbangan antara pasokan dan permintaan listrik sangat diperlukan untuk mendapatkan jaringan listrik yang stabil, agar dapat diketahui pola data kestabilan jaringan listrik ini maka diperlukan pengelompokkan atau pengklasifikasian terhadap data dengan memanfaatkan teknik data mining guna mengolah informasi. Untuk mencari metode data mining yang bisa menghasilkan akurasi terbaik dalam mengklasifikasikan data Kestabilan jaringan listrik, maka pada penelitian ini dilakukan perbandingan penerapan algoritma klasifikasi SVM dan Naïve Bayes terhadap dataset Electrical Grid Stability Simulated yang yang diambil dari UCI Machine Learning. Dari hasil pengujian klasifikasi kestabilan jaringan listrik yang telah dilakukan menggunakan aplikasi WEKA 3.8.2. Metode Support Vector Machine (SVM) menunjukan tingkat accuracy yang lebih baik yaitu sebesar 98.9% jika dibandingkan dengan metode Naive Bayes yang meghasilkan nilai akurasi sebesar 97.64% Hasil akurasi ini akan menunjukan hasil yang berbeda tergantung dengan jenis data, jumlah instance, label class dan Percentage split data yang digunakan.

Download Full-text

Model Machine Learning untuk Klasifikasi Keluarga Sejahtera Study Kasus : Kecamatan Kota Palembang

Jurnal Tekno Kompak ◽

10.33365/jtk.v15i2.1156 ◽

2021 ◽

Vol 15 (2) ◽

pp. 37

Author(s):

Ilsa Palingga Ninditama

Keyword(s):

Machine Learning ◽

Data Mining ◽

Data Science ◽

Naive Bayes ◽

Naïve Bayes

Pemerintah Indonesia telah berkomitmen untuk memperkuat program keluarga berencana terintegrasi melalui 4 (empat) pendekatan pilar program, yaitu Program Keluarga Berencana (KB), Keluarga Sejahtera (KS), Kesehatan Reproduksi (KR) dan Pemberdayaan Keluarga (PK) bagi seluruh penduduk Indonesia.. Pada artikel ini penulis membahas pilar Keluarga Sejahtera dan telah mengumpulkan data penduduk di Kota Palembang yang terdaftar sebagai Keluarga Sejahtera. Menggunakan metode Data mining atau data science yang terdiri dari kombinasi statistic, matematika dan kecerdasan buatan dengan k-NN dan Naïve bayes sebagai algorthim untuk mengolah data. Data fokus pada rentang tahun 2015 hingga 2020 dengan 10.187 record, penulis menggunakan Rapidminer sebagai alat untuk menganalisis data dari tahap preprocessing, data pelatihan dan mengklasifikasikan variabel menggunakan k-NN dan Naïve bayes untuk membuat model dan menentukan kriteria yang akan membantu BKKBN dalam menentukan keluarga sejahtera guna mempermudah penyuluh lapangan KB dalam melaksanakan konseling KB. . Dari hasil analisis data didapatkan bahwa penggunaan naïve bayes 93,99% lebih akurat dibandingkan k-NN dengan akurasi 87,28%. Berdasarkan hasil tersebut, dapat disimpulkan bahwa klasifikasi keluarga sejahtera telah mencapai tujuan visi Pemerintah.

Download Full-text