Analisis Perbandingan Algoritma Decision Tree, kNN, dan Naive Bayes untuk Prediksi Kesuksesan Start-up

Permana, Adhitya Prayoga; Ainiyah, Kurniyatul; Holle, Khadijah Fahmi Hayati

doi:10.14421/jiska.2021.6.3.178-188

Cited by 11 publications

(12 citation statements)

References 11 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Terdapat beberapa penelitian yang sudah dilakukan terkait prediksi kesuksesan startup. Tahun 2021, Permana et al, melakukan penelitian prediksi kesuksesan startup menggunakan Decision Tree, kNN, dan Naïve Bayes dengan nilai akurasi sebesar 79,29%, 66,69% dan 64,21% [4]. Pada penelitian [4] jumlah atribut yang digunakan untuk membangun model prediksi adalah 19 atribut dari total 49 atribut yang ada pada dataset.…”

Section: Pendahuluanunclassified

“…Tahun 2021, Permana et al, melakukan penelitian prediksi kesuksesan startup menggunakan Decision Tree, kNN, dan Naïve Bayes dengan nilai akurasi sebesar 79,29%, 66,69% dan 64,21% [4]. Pada penelitian [4] jumlah atribut yang digunakan untuk membangun model prediksi adalah 19 atribut dari total 49 atribut yang ada pada dataset. Kemudian dilakukan proses pre-processing data untuk mengatasi masalah missing value dengan mengisi setiap nilai atribut yang kosong dengan nilai rata-rata atribut.…”

Section: Pendahuluanunclassified

“…Proses yang dilakukan oleh [5] adalah melakukan pre-processing data untuk mengatasi missing value, data yang duplikasi dan outlier serta menggunakan 32 atribut dari total 49 atribut yang ada pada dataset dan menambahkan 4 atribut tambahan yaitu has_RoundABCD, has_Investor, has_Seed, dan age_startup_year. Kedua penelitian tersebut [4] dan [5] menggunakan dataset yang sama yang akan digunakan pada penelitian ini, sehingga hasil akurasi yang didapatkan dari kedua penelitian sebelumnya [4] dan [5] masih dapat ditingkatkan. Untuk meningkatkan hasil akurasi prediksi kesuksesan startup maka pada penelitian ini digunakan Deep Neural Network (DNN).…”

Section: Pendahuluanunclassified

See 2 more Smart Citations

Prediksi Kesuksesan Startup Menggunakan Deep Neural Network

Lestari¹,

Halim²

2022

J. Sifo Mikrosk.

View full text Add to dashboard Cite

Kesuksesan startup memiliki peran penting dalam pertumbuhan ekonomi dengan ide bisnis yang baru, inovatif dan dapat menciptakan lapangan pekerjaan. Pertumbuhan startup yang eksponensial dalam beberapa tahun terakhir membuat ketidakpastian dan tingkat kegagalan yang tinggi. Sehingga penting bagi investor untuk dapat memprediksi kesuksesan startup dalam menemukan perusahaan yang memiliki potensi kesuksesan yang lebih besar untuk didanai. Untuk membantu para investor, maka tujuan dari penelitian ini adalah membangun model untuk memprediksi apakah startup yang sedang beroperasi akan sukses atau gagal menggunakan Deep Neural Network (DNN). DNN mengkombinasikan keunggulan deep learning dan neural network untuk memecahkan masalah nonlinear. Proses yang dilakukan adalah menggunakan dataset startup success prediction, kemudian dataset tersebut di pre-processing untuk pengecekan missing value, data duplicate, data outlier serta penentuan atribut berdasarkan korelasi antar variabel. Kemudian, dataset yang sudah di pre-processing dibagi menjadi data training dan data testing. Selanjutnya ditentukan parameter DNN apa saja yang akan digunakan untuk membangun model prediksi menggunakan data training agar tidak mengalami overfitting ataupun underfitting. Model yang dibangun kemudian diuji mengunakan data testing. Hasil pengujian menunjukkan bahwa model prediksi yang diusulkan tidak overfitting ataupun underfitting dan memiliki nilai akurasi sebesar 83,93% dan nilai presisi sebesar 86,51% dalam memprediksi kesuksesan startup.

show abstract

Section: Pendahuluanunclassified

See 1 more Smart Citation

Prediksi Kesuksesan Startup Menggunakan Deep Neural Network

Lestari¹,

Halim²

2022

J. Sifo Mikrosk.

View full text Add to dashboard Cite

show abstract

“…Dalam penelitian ini menggunakan metode KNN dan Naive Bayes, dengan studi kasus serta proses perolehan data yang berbeda dengan penelitian terdahulu. Penggunaan dua algoritma ini bertujuan sebagai pembanding antara nilai akurasi yang diperoleh setelah melakukan pengolahan data, sehingga dapat diketahui penggunaan algoritma yang terbaik [8].…”

Section: Diskusiunclassified

COMPARISON OF PREDICTION ANALYSIS OF GOFOOD SERVICE USERS USING THE KNN & NAIVE BAYES ALGORITHM WITH RAPIDMINER SOFTWARE

Yuliarina

Hendry

2022

J. Tek. Inform. (JUTIF)

View full text Add to dashboard Cite

GoFood is a service provider that has a very important role in human life, especially in this growing era. Currently, many service providers are competing to meet the needs of users, including GoFood. However, not all service providers can meet and know the needs needed by users, because they focus on the services offered and only the quality of services provided. Therefore, survey analysis is needed to obtain customer satisfaction data that will be used to satisfy GoFood service users. The classification method uses the KNN and Naive Bayes algorithms, which are good algorithms for testing 1,000 records of GoFood user data that have been obtained previously. The test results using Cross Validation and T-Test show that the KNN algorithm is the best algorithm with 98.80% Accuracy and 100% Recall, while Naive Bayes obtains 94.10% Accuracy and 94.43% Recall.

show abstract

“…Linear Regression, Naive Bayes Classifier, Perceptron, Support Vector Machine, Quadratic Classifiers, Decision Trees, Random Forests, and more algorithms are used in supervised machine learning [15]. Another algorithm for classification is the K-nearest neighbor [16]. The K-nearest neighbor technique and the Support Vector Machine were both used in this study's tests.…”

Section: Introductionmentioning

confidence: 99%

Comparison of Machine Learning Algorithms for Classification of Ultraviolet Index

Syahab

Widiyanto

Anuggilarso

et al. 2023

J. teknol. inf. pendidik.

View full text Add to dashboard Cite

Indonesia is a tropical climate country which has the potential for high intensity of sunlight exposure. Several types of exposure that receives are ultraviolet rays. According to the National Agency for Meteorology, Climatology and Geophysics, it provides information regarding the impact on human activities in an ultraviolet index which has a risk scale. The aim of this research was creating a recommender system based on the ultraviolet index category in providing daily activity advice to users. The methods used the K-nearest Neighbor algorithm and Support Vector Machine with a Collaborative Filtering Model-Based approach that could recommend items based on the results of a model trained to identify input data patterns. The stages carried out in this study included data collection, data pre-processing, data division into test data and train data, dataset testing, analysis of the results of models that had been trained in the accuracy values using the algorithm tested. The results of the confusion matrix calculation produced test evaluations in accuracy values, precision values, and recall values. The comparison of result had the highest performance in K-nearest Neighbor with an accuracy value of 99.69%, a precision value of 99.00%, and a recall value of 96.20%. In research used the Support Vector Machine showed the lowest performance with an accuracy value of 97.91%, a precision value of 93.20%, and a recall value of 86.40%.

show abstract

Analisis Perbandingan Algoritma Decision Tree, kNN, dan Naive Bayes untuk Prediksi Kesuksesan Start-up

Cited by 11 publications

References 11 publications

Prediksi Kesuksesan Startup Menggunakan Deep Neural Network

Prediksi Kesuksesan Startup Menggunakan Deep Neural Network

COMPARISON OF PREDICTION ANALYSIS OF GOFOOD SERVICE USERS USING THE KNN & NAIVE BAYES ALGORITHM WITH RAPIDMINER SOFTWARE

Comparison of Machine Learning Algorithms for Classification of Ultraviolet Index

Contact Info

Product

Resources

About