Alifta Ainurrochmah, Perbandinga

Abstract

Classification is a technique to form a model of data that is already known to its classification group. The model was formed will be used to classify new objects. Fisher discriminant analysis is multivariate technique to separate objects in different groups. Naive Bayes is a classification technique based on probability and Bayes theorem with assumption of independence. This research has a goal to compare the level of classification accuracy between Fisher's discriminant analysis and Naive Bayes method on the insurance premium payment status customer. The data used four independent variables that is income, age, premium payment period and premium payment amount. The results of misclassification using the APER (Apparent Rate Error) indicate that the naive Bayes method has a higher level of accuracy is 15,38% than Fisher’s discriminant analysis is 46,15% on the insurance premium payment status customer.

Analisis Klasifikasi Artist Music Menggunakan Model Regresi Logistik Biner Dan Analisis Diskriminan

“…Tahapan analisis data yang dilakukan pada penelitian ini sebagai berikut: a. Melakukan identifikasi data awal dengan menampilkan statistika deskriptif untuk masing-masing variabel, baik variabel respon (Y) dan variabel prediktor (X). Apparent Error Rate (APER) menyatakan proporsi obyek yang salah diklasifikasikan oleh fungsi klasifikasi, sehingga untuk melihat proporsi obyek yang tepat diklasifikasikan dapat menggunakan: jumlah objek yang salah klasifikasi 100% jumlah klasifikasi yang dilakukan APER = 1 Accuracy APER =− Model klasifikasi yang baik dapat dilihat dari nilai Accuracy yang mendekati 1, yang berarti proporsi obyek yang salah diklasifikasikan bisa sekecil mungkin (Ainurrochmah et al, 2019).…”