Analisis Optimasi Algoritma Klasifikasi Naive Bayes menggunakan Genetic Algorithm dan Bagging

Abstract

The increasing demand for credit applications to banks has motivated the banking world to switch to more sophisticated techniques for analyzing the level of credit risk. One technique for analyzing the level of credit risk is the data mining approach. Data mining provides a technique for finding meaningful information from large amounts of data by way of classification. However, bank marketing data is a type of imbalance data so that if the classification is done the results are less than optimal. The classification algorithm that can be used for imbalance data types can use naïve Bayes. Naïve Bayes performs well in terms of classification. However, optimization is needed in order to obtain more optimal classification results. Optimization techniques in handling imbalance data have been developed with several approaches. Bagging and Genetic Algorithms can be used to overcome imbalance data. This study aims to compare the accuracy level of the naïve Bayes algorithm after optimization using the bagging and genetic algorithm. The results showed that the combination of bagging and a genetic algorithm could improve the performance of Naive Bayes by 4.57%.

Perbandingan Metode Ensemble Untuk Meningkatkan Akurasi Algoritm Machine Learning Dalam Memprediksi Penyakit Breast Cancer (Kanker Payudara)

“…10 fold cross validation membagi data menjadi 10 subset dengan ukuran yang sama dengan ketentuan 1 bagian data menjadi data testing dan 9 data menjadi data training. Proses dilakukan berulang sebanyak 10 kali sampai dengan semua record data mendapatkan bagian menjadi data testing [10]. Alur kerja k-fold cross validation dimulai dari seluruh total dataset dibagi menjadi 10 bagian, bagian pertama menjadikan iterasi 1 sebagai data testing dan 9 bagian lainnya menjadi data training, kemudian bagian kedua menjadikan iterasi ke 2 sebagai data testing dan sisanya sebagai data training, proses akan terus berulang sampai mencapai fold ke 10, berikut ilustrasi proses 10-fold cross validation.…”

Penerapan Algoritma Naïve Bayes Dengan Feature Selection Pada Data Penjualan Konstruksi

“…Naïve bayes adalah metode pengklasifikasian sederhana yang digunakan untuk menghitung kemungkinan dengan menjumlahkan frekuensi dan nilai dari data yang digunakan. Itu didasarkan pada teorema Bayes, yang digunakan untuk menghitung kemungkinan untuk setiap kelas dengan mengasumsikan kelas satu dengan kelas lain secara independen (tidak ada keterkaitan) [7]. Ada juga definisi lain dari naïve bayes, yang digunakan untuk memprediksi kemungkinan yang akan datang dengan menggunakan data yang digunakan.…”

Penerapan Metode Oversampling SMOTE Pada Algoritma Random Forest Untuk Prediksi Kebangkrutan Perusahaan

“…Klasifikasi adalah proses penguraian data untuk menemukan model yang menerangkan kelas dalam data tersebut [3][4]. Algoritma klasifikasi bertugas memprediksi label kelas kategori dari suatu data, sehingga data tersebut dapat dikategorikan ke dalam salah satu kelas yang sudah ditentukan [5].…”