<![CDATA[AbstrakTujuan penelitian ini untuk memperoleh gambaran hasil pemodelan klasifikasi tanda-tanda vital perokok menggunakan metode klasifikasi Gaussian Naive Bayes dan metode Learning Vector Quantization serta membandingkan kinerja kedua metode berdasarkan nilai akurasinya. Data yang digunakan pada penelitian ini adalah data tanda-tanda vital perokok yang diambil dari situs Kaggle.com dengan banyaknya data yaitu 1000. Data tersebut dilakukan tahap preprocessing untuk mendapatkan pemodelan terbaik kemudian data dibagi menjadi data training dan data testing dengan perbandingan 70:30, 75:25, 80:20, 85:15, 90:10, dan 95:5. Selain itu, digunakan nilai random state 0, 1, 30, dan 42. Pada metode Learning Vector Quantization digunakan nilai learning rate (α), pengurangan learning rate, dan maksimum epoh masing-masing sebesar 0,1; 0,5*α; dan 100. Setelah itu dilakukan pengklasifikasian menggunakan kedua metode kemudian dicari nilai akurasinya untuk dibandingkan. Hasil dari penelitian ini adalah pada kedua metode nilai akurasi terbaik diperoleh saat perbandingan data training dan data testing sebesar 90:10 dan nilai random state 42. Pada metode Gaussian Naïve Bayes diperoleh nilai akurasi sebesar 0,8 dan metode Learning Vector Quantization (LVQ) diperoleh nilai akurasi sebesar 0,809091. Hal tersebut menunjukkan bahwa kedua metode memiliki performa yang hampir sama.Kata kunci: analisis perbandingan akurasi, tanda vital perokok, Gaussian Naïve Bayes, Learning Vector Quantization.]]>
