OPTIMASI  NAÏVE BAYES DENGAN PARTICLE SWARM OPTIMIZATION DAN STRATIFIED UNTUK PREDIKSI KREDIT MACET PADA KOPERASI

Dalam bisnis, koperasi memiliki peranan penting dalam meningkatkan perekonomian nasional. Ketidakmampuan anggota untuk membayar angsuran kredit merupakan masalah utama yang terjadi pada koperasi. Akibatnya, terjadi kredit macet. Koperasi dapat menghindari kredit macet dengan membuat prediksi dari anggota koperasi yang berpotensi terlambat membayar kredit. Dalam beberapa penelitian telah menggunakan Naive Bayes untuk masalah klasifikasi karena perhitungan yang efisien, dan akurasi tinggi. Tetapi Naive Bayes mengasumsikan bahwa semua atribut kelas tidak tergantung pada atribut lainnya. Naive Bayes sesuai untuk masalah klasifikasi dengan atribut besar. Namun, asumsi ini sering tidak dapat dipertahankan dalam masalah klasifikasi nyata. Dalam beberapa dokumen, kinerja Naive Bayes tidak sempurna. Tujuan dari penelitian ini adalah untuk mengoptimalkan metode Naive Bayes menggunakan Particle Swarm Optimization (PSO) dan untuk meningkatkan akurasi dalam memprediksi kredit macet di koperasi. Penelitian ini menggunakan data dari Pusat Data Koperasi (PUSKOPDIT) DKI Jakarta. Data set kredit yang diperoleh sebanyak 565 record dengan 15 prediktor atribut dan 1 atribut kelas. Hasil pengujian dengan confusion matrix dan kurva ROC diperoleh dari nilai akurasi sebesar 86% dan nilai sebesar 0,867 dengan diagnosis klasifikasi baik. Penelitian ini menunjukkan bahwa penggunaan PSO pada NBC untuk memprediksi kredit macet meningkatkan akurasi 21,03% dan AUC sebesar 0,069. Hasil uji T-Test dan Anova menunjukkan bahwa pada dua metode klasifikasi yang diuji memiliki perbedaan yang nyata (signifikan) dalam nilai AUC.

Download Full-text

Analisis Penerapan Optimasi Perbandingan Kinerja Algoritma C4.5 Dan Naïve Bayes Berbasis Particle Swarm Optimization (Pso) Untuk

Jurnal Bangkit Indonesia ◽

10.52771/bangkitindonesia.v7i2.48 ◽

2018 ◽

Vol 7 (2) ◽

pp. 1

Author(s):

Taghfirul Azhima Yoga Siswa

Keyword(s):

Data Mining ◽

Particle Swarm Optimization ◽

Cell Size ◽

Naive Bayes ◽

Confusion Matrix ◽

Particle Swarm ◽

Naïve Bayes ◽

T Test ◽

Swarm Optimization ◽

Code Number

Perlu dilakukan upaya pencegahan untuk meningkatkan kesadaran masyarakat dalam mengenali gejala dan risiko penyakit kanker payudara sehingga dapat menentukan langkah-langkah pencegahan dan deteksi dini yang tepat. Sejalan dengan hal itu data mining merupakan salah satu pemanfaatan teknologi informasi dalam bidang kesehatan yang banyak digunakan sebagai sistem pendukung keputusan klinis dalam memprediksi dan mendiagnosa berbagai penyakit dengan akurasi data yang sangat baik. Penelitian ini bertujuan mengevaluasi perbandingan penerapan optimasi kinerja terbaik metode klasifikasi data mining algoritma C4.5 dan Naïve Bayes berbasis Particle Swarm Optimization (PSO) untuk mendeteksi kanker payudara menggunakan pengukuran confusion matrix, AUC dan T-Test. Dataset kanker payudara yang digunakan berjumlah 699 record dengan 11 parameter indikator yang terdiri dari Code Number, Clump Thickness, Uniformity of Cell Size, Uniformity of Cell Shape, Marginal Adhesion, Single Epithelial Cell Size, Bare Nuclei, Bland Chromatin, Normal Nucleoli, Mitoses, dan Class yang diolah menggunakan software RapidMiner Versi 9. Hasil penelitian ini didapatkan bahwa optimasi Particle Swarm Optimization (PSO) dapat meningkatkan kinerja akurasi C4.5 dari 90,19% menjadi 94,29% dan Naïve Bayes 97,65% menjadi 97,96%. Hasil kinerja terbaik yang diuji menggunakan T-Test adalah algoritma Naïve Bayes (PSO) memiliki nilai tertinggi sebesar 0,980. Dengan demikian algoritma Naïve Bayes berbasis Particle Swarm Optimization (PSO) dapat memberikan solusi terbaik terhadap akurasi pendeteksian penyakit kanker payudara.

Download Full-text

Implementasi Particle Swarm Optimization (PSO) pada Analysis Sentiment Review Aplikasi Trafi menggunakan Algoritma Naive Bayes (NB)

Jurnal Teknik Komputer ◽

10.31294/jtk.v7i1.9078 ◽

2021 ◽

Vol 7 (1) ◽

pp. 25-29

Author(s):

Eka Rini Yulia ◽

Kusmayanti - Solecha

Keyword(s):

Particle Swarm Optimization ◽

Text Mining ◽

Naive Bayes ◽

Particle Swarm ◽

Naïve Bayes ◽

Data Set ◽

Swarm Optimization ◽

Transportation Mode ◽

The Many ◽

Transportation Applications

Abstract - The development of transportation applications is now getting bigger so that many vendors compete for business in creating transportation mode applications, starting from the quality and quantity so that it is often questioned. With this, the researcher held a transportation application called Trafi to get opinions or comments on applications from people who had used the application and poured it into online media. Of the many comments reviewed to obtain a set of positive and negative forms of data from the text that the researcher will process. For classification data using Naïve Bayes (NB), NB is one of the most popular algorithms for pattern recognition. Apart from simplicity, the Naive Bayes classifier is a popular machine learning technique for text classification, Particle Swarm Optimization (PSO) which combines with the Naive Bayes classification to improve performance. Before use, optimization with PSO in the data set accuracy obtained was 69.50% and after the combination of Naive Bayes and PSO accuracy was 72.34%. Use PSO and Naïve Bayes according to the concept of text mining which aims to find patterns that exist in text, the activity carried out by text mining here is text classification.Abstract - The development of transportation applications is now getting bigger so that many vendors compete for business in creating transportation mode applications, starting from the quality and quantity so that it is often questioned. With this, the researcher held a transportation application called Trafi to get opinions or comments on applications from people who had used the application and poured it into online media. Of the many comments reviewed to obtain a set of positive and negative forms of data from the text that the researcher will process. For classification data using Naïve Bayes (NB), NB is one of the most popular algorithms for pattern recognition. Apart from simplicity, the Naive Bayes classifier is a popular machine learning technique for text classification, Particle Swarm Optimization (PSO) which combines with the Naive Bayes classification to improve performance. Before use, optimization with PSO in the data set accuracy obtained was 69.50% and after the combination of Naive Bayes and PSO accuracy was 72.34%. Use PSO and Naïve Bayes according to the concept of text mining which aims to find patterns that exist in text, the activity carried out by text mining here is text classification.Keywords: Sentiment Analysis, Android Appstore Product Review, Naive Bayes Algorithm

Download Full-text

Sentiment Analysis Using Naive Bayes Algorithm with Feature Selection Particle Swarm Optimization (PSO) and Genetic Algorithm

International Journal of Advances in Data and Information Systems ◽

10.25008/ijadis.v2i2.1224 ◽

2021 ◽

Vol 2 (2) ◽

Author(s):

Abi Rafdi ◽

Herman Mawengkang Herman ◽

Syahril Efendi

Keyword(s):

Genetic Algorithm ◽

Feature Selection ◽

Particle Swarm Optimization ◽

Sentiment Analysis ◽

Naive Bayes ◽

Confusion Matrix ◽

Particle Swarm ◽

Naïve Bayes ◽

Swarm Optimization ◽

Bayes Algorithm

This study analyzes Sentiment to see opinions, points of view, judgments, attitudes, and emotions towards creatures and aspects expressed through texts. One of Social Media is like Twitter is one of the most widely used means of communication as a research topic. The main problem with sentiment analysis is voting and using the best feature options for maximum results. Either, the most widely known classification method is Naive Bayes. However, Naive Bayes is very sensitive to significant features. That way, in this test, a comparison of feature selection is carried out using Particle Swarm Optimization and Genetic Algorithm to improve the accuracy performance of the Naive Bayes algorithm. Analyses are performed by comparing before and after testing using feature selection. Validation uses a cross-validation technique, while the confusion matrix ??is appealed to measure accuracy. The results showed the highest increase for Naïve Bayes algorithm accuracy when using the feature selection of the Particle Swarm Optimization Algorithm from 60.26% to 77.50%, while the genetic algorithm from 60.26% to 70.71%. Therefore, the choice of the best characteristics is Particle Swarm Optimization which is superior with an increase in accuracy of 17.24%.

Download Full-text

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

Jurnal Ilmu Komputer ◽

10.24843/jik.2021.v14.i01.p05 ◽

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.

Download Full-text

PREDIKSI PENYAKIT GINJAL KRONIS MENGGUNAKAN ALGORITMA NAIVE BAYES CLASSIFIER BERBASIS PARTICLE SWARM OPTIMIZATION

Jurnal Tekno Insentif ◽

10.36787/jti.v13i1.97 ◽

2019 ◽

Vol 13 (1) ◽

pp. 26-30

Author(s):

Toni Arifin ◽

Daniel Ariesta

Keyword(s):

Particle Swarm Optimization ◽

Naive Bayes ◽

Confusion Matrix ◽

Particle Swarm ◽

Naïve Bayes ◽

Naive Bayes Classifier ◽

Bayes Classifier ◽

Naïve Bayes Classifier ◽

Swarm Optimization ◽

Missing Value

Penyakit ginjal kronis (PGK) merupakan masalah kesehatan masyarakat global dengan prevalens dan insidens gagal ginjal yang meningkat, prognosis yang buruk dan biaya yang tinggi. nilai prevalensi di seluruh Indonesia untuk penyakit gagal ginjal memiliki nilai rata - rata berkisar kurang lebih 0.2 persen. Langkah pertama dalam pengelolaan penyakit ginjal adalah penetapan diagnosis yang tepat. Maka dibutuhkan sebuah metode untuk memprediksi penyakit ginjalkronis. Naïve Bayes memiliki beberapa kelebihan, yaitu cepat dalam perhitungan, algoritma yang sederhana dan berakurasi tinggi. Naïve Bayes Classifier lebih tepat diterapkan pada data yang besar dan dapat menangani data yang tidak lengkap (missing value) serta kuat terhadap atribut yang tidak relevan dan noise pada data. Untuk meningkatkan akurasi maka digunakan Particle Swarm Optimization untuk pembobotan atribut. Dari hasil penelitian Naive Bayes Classification berbasis Particle Swarm Optimization memiliki akurasi confusion matrix sebesar 98,75% dan AUC sebesar 99%. sedangkan Naive Bayes memiliki akurasi confusion matrix 97.00% dan AUC sebesar 99.8%.

Download Full-text

Implementasi Particle Swarm Optimization (PSO) Pada Analysis Sentiment Review Aplikasi Halodoc Menggunakan Algoritma Naïve Bayes

Jurnal Teknologi Informasi ◽

10.52643/jti.v7i1.1330 ◽

2021 ◽

Vol 7 (1) ◽

pp. 17-23

Author(s):

Nuzuliarini Nuris ◽

Eka Rini Yulia ◽

Kusmayanti Solecha

Keyword(s):

Particle Swarm Optimization ◽

Naive Bayes ◽

Confusion Matrix ◽

Particle Swarm ◽

Roc Curves ◽

Naïve Bayes ◽

Swarm Optimization ◽

Classification Evaluation ◽

Bayes Algorithm ◽

Increase In Accuracy

Health is very important for humans, if you experience symptoms or feel pain, it is appropriate for us to have a health check and go to a hospital or clinic, but if it is not possible to leave the house, an online health consultation application is considered to be helpful. But before you can use and take advantage of these applications, it is necessary to know reviews from consumers based on positive opinions and negative opinions. This study applies the Naive Bayes algorithm to perform text classification and selects the particle swarm optimazation selection feature to support the increased accuracy obtained. Classification evaluation and validation are performed using confusion matrix and ROC curves. The results showed an increase in accuracy previously 88.50% and AUC 0.535, increased to 90.50% and AUC 0.525. It can be concluded that the selection of the particle swarm optimazation feature has succeeded in increasing the accuracy.Keywords: selection features, naïve bayes, particle swarm optimization.

Download Full-text

Analysis of Feature Reduction Techniques for Online News Popularity Prediction

SMART MOVES JOURNAL IJOSCIENCE ◽

10.24113/ijo-science.v4i10.165 ◽

2018 ◽

Vol 4 (10) ◽

pp. 6

Author(s):

Shivangi Bhargava ◽

Dr. Shivnath Ghosh

Keyword(s):

Neural Network ◽

Support Vector Machine ◽

Particle Swarm Optimization ◽

Naive Bayes ◽

Particle Swarm ◽

Naïve Bayes ◽

Online News ◽

Feature Reduction ◽

Support Vector ◽

Swarm Optimization

News popularity is the maximum growth of attention given for particular news article. The popularity of online news depends on various factors such as the number of social media, the number of visitor comments, the number of Likes, etc. It is therefore necessary to build an automatic decision support system to predict the popularity of the news as it will help in business intelligence too. The work presented in this study aims to find the best model to predict the popularity of online news using machine learning methods. In this work, the result analysis is performed by applying Co-relation algorithm, particle swarm optimization and principal component analysis. For performance evaluation support vector machine, naïve bayes, k-nearest neighbor and neural network classifiers are used to classify the popular and unpopular data. From the experimental results, it is observed that support vector machine and naïve bayes outperforms better with co-relation algorithm as well as k-NN and neural network outperforms better with particle swarm optimization.

Download Full-text