Analisis Diskriminan Fisher Populasi Ganda Untuk Klasifikasi Nasabah Kredit
Teks penuh
Dokumen terkait
Oleh karena itu, metode yang lebih tepat dipergunakan dalam data HBAT adalah analisis diskriminan dan NN karena nilai ketepatan klasifikasi yang dihasilkan lebih tinggi
Particle Swarm Optimization pada k-NN bertujuan untuk melakukan klasifikasi data nasabah kredit dengan akuarasi 87,59% setelah digunakan optimization
Salah satu metode yang dapat digunakan untuk menghitung probabilitas kesalahan klasifikasi adalah APER (Apparent Error Rate) yaitu perhitungan kinerja hasil klasifikasi
Berdasarkan latar belakang tersebut penulis tertarik melakukan penelitian dengan judul “ Perbandingan Analisis Diskriminan Fisher dan Naive Bayes untuk Klasifikasi
Pengklasifikasian menggunakan analisis diskriminan kernel dengan fungsi kernel normal dengan bandwidth optimum 0,1 pada data nasabah kredit bank X di Provinsi
Nilai tersebut merupakan ketepatan yang paling tinggi jika dibandingkan dengan ketepatan klasifikasi fungsi diskriminan logistik sebelumnya, dan adalah fungsi yang
Pengklasifikasian menggunakan analisis diskriminan kernel dengan fungsi kernel normal dengan bandwidth optimum 0,1 pada data nasabah kredit bank “X” di Provinsi
Oleh karena itu, metode yang lebih tepat dipergunakan dalam data HBAT adalah analisis diskriminan dan NN karena nilai ketepatan klasifikasi yang dihasilkan lebih tinggi khususnya untuk
