<![CDATA[Penelitian ini bertujuan untuk menganalisis peningkatan kinerja algoritma Naive Bayes (NB) dalam menangani independensi fitur menggunakan metode Forward Selection, Information Gain, dan Gain Ratio. Naive Bayes merupakan algoritma klasifikasi yang sering digunakan karena efisiensi komputasinya yang tinggi, namun sering mengalami penurunan performa ketika ada ketergantungan antar fitur. Penelitian ini menggunakan pendekatan eksperimental dengan menerapkan beberapa algoritma, yakni Naive Bayes, Forward Selection Naive Bayes (FSNB), Forward Selection Information Gain Naive Bayes (FSIGNB), dan Forward Selection Information Gain Ratio Naive Bayes (FSIGRNB) pada dataset berdimensi tinggi. Metode validasi yang digunakan adalah 10-fold cross validation untuk mengukur akurasi setiap algoritma. Hasil penelitian menunjukkan bahwa algoritma FSNB dan FSIGNB berhasil meningkatkan akurasi secara signifikan dibandingkan dengan algoritma NB standar. FSNB memiliki akurasi rata-rata tertinggi sebesar 81,124%, diikuti oleh FSIGNB dan FSIGRNB. Implikasi dari penelitian ini adalah bahwa penerapan metode Forward Selection, Information Gain, dan Gain Ratio dapat meningkatkan akurasi klasifikasi Naive Bayes, terutama dalam dataset dengan dimensi fitur yang tinggi, serta memberikan kontribusi penting dalam pengembangan algoritma untuk menangani independensi fitur.]]>
Copyrights © 2025
