TINJAUAN PUSTAKA DAN LANDASAN TEORI KOMBINASI METODE K-NEAREST NEIGHBOR DAN NAÏVE BAYES UNTUK KLASIFIKASI DATA.
Teks penuh
Dokumen terkait
Dari hasil pengklasifikasian pada Tabel 6 dapat disimpulkan bahwa metode K-Nearest Neighbor bekerja lebih baik dibandingkan dengan Naïve Bayes untuk kasus data status kerja
Dari hasil pengklasifikasian pada Tabel 6 dapat disimpulkan bahwa metode K-Nearest Neighbor bekerja lebih baik dibandingkan dengan Naïve Bayes untuk kasus data status kerja
Dari pengujian pada algoritma k-NN dan Naïve Bayes menggunakan dataset penanaman pohon jati yang sudah dilakukan maka diperoleh perbandingan antara algoritma k-NN
Pada penelitian ini menggunakan metode klasifikasi FK-NN yaitu gabungan dari algoritma Fuzzy dan K-NN untuk meningkatkan keakuratan estimasi posisi terhadap suatu
nilai keakuratan algoritma pohon keputusan lebih baik dengan variasi 2.28% - 2.5% dibandingkan algoritma k-NN pada implementasi terhadap 5 data sets penelitian. Kata
K-Nearest Neighbor sering digunakan dalam klasifikasi dengan tujuan dari algoritma ini adalah untuk mengklasifikasi objek baru berdasarkan atribut dan training samples
Secara keseluruhan dapat disimpulkan bahwa dengan memanfaatkan algoritma K-Nearest Neighbor memiliki tingkat akurasi yang lebih tinggi dari pada Algortima Naïve Bayes pada proses
Hasil Perhitungan Algoritma Naïve Bayes Untuk Data Baru No Nama IPS1 IPS2 IPS3 IPS4 IPS5 Kelulusan 1 Leni andini Tinggi Sedang Tinggi Tinggi Tinggi Tepat Waktu 2 Rizky
