Article Per Year (5 Year)
p-Index From 2021 - 2026
0
P-Index
This Author published in this journals
All Journal Jurnal Bisnis Digital dan Sistem Informasi
Annisa Tsani Khoiriyah
Unknown Affiliation
Computer Science & IT Economics, Econometrics & Finance Engineering Library & Information Science

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
PENERAPAN TEKNIK BAGGING PADA ALGORITMA NAIVE BAYES DAN ALGORITMA C4.5 UNTUK MENGATASI KETIDAKSEIMBANGAN KELAS Achmad Ridwan; Annisa Tsani Khoiriyah
JURNAL BISNIS DIGITAL DAN SISTEM INFORMASI Vol 1, No 1 (2020): JURNAL BISNIS DIGITAL DAN SISTEM INFORMASI
Publisher : Universitas Muhammadiyah Kudus

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26751/bidisfo.v1i1.914

Abstract

Beberapa dataset yang memiliki dua kelas atau binominal mengalami ketidakseimbangan kelas yang menyebabkan kurangnya akurasi pada klasifikasi. Masalah ketidakseimbangan kelas sangat menghambat kinerja klasifikasi . Oleh karena itu, sejumlah metode seperti  bagging dan boosting, telah diusulkan  untuk memecahkan masalah ini. Masalah ini  menarik banyak perhatian dari para peneliti dari berbagai bidang. Pada penelitian ini diusulkan kombinasi teknik bagging dan algoritma klasifikasi untuk meningkatkan akurasi dari klasifikasi dataset medis. Teknik bagging digunakan untuk menyelesaikan masalah ketidakseimbangan kelas. Metode yang diusulkan diterapkan pada dua algoritma classifier yaitu, algoritma naïve bayes dan algoritma C4.5. Dalam riset ini, data yang digunakan adalah Blogger dataset yang diambil dari UCI repository of machine learning. Pada dataset ini  atributnya terdiri : Pendidikan (degree), tingkah politik(caprice), topik, media local turnover (LMT) dan ruang lokal, politik dan sosial (LPSS). Dari hasil penelitian, dengan menerapkan  teknik bagging untuk klasifikasi berbasis ensemble pada algoritma C4.5 dapat meningkatkan akurasi sebesar 9 %. Dengan akurasi awal 68 %, setelah diterapkan teknik bagging menjadi 77 %. pada algoritma naïve bayes  dapat meningkatkan akurasi sebesar 3,00 %. Dengan akurasi awal 77,00%, setelah diterapkan teknik bagging menjadi 80,00%. 
Co-Authors Achmad Ridwan