Seleksi Fitur Information Gain untuk Klasifikasi Penyakit Jantung Menggunakan Kombinasi Metode K-Nearest Neighbor dan Naïve Bayes
Teks penuh
Gambar
Dokumen terkait
Dari hasil analisis 20 atribut dilakukan 3 kali percobaan dengan algoritma Naïve Bayes didapat model klasifikasi dengan tingkat akurasi yang terbaik yaitu 76.92 %, tingkat
Dalam penelitian ini, akan dilakukan perbandingan hasil klasifikasi antara algoritma naïve bayes tanpa metode seleksi fitur forward selection, dengan algoritma naïve bayes
Pada penelitian ini menggunakan algoritma naïve bayes disertai information gain sebagai metode seleksi fitur dan metode adaboost sebagai teknik untuk memperbaiki tingkat
Berdasarkan akurasi yang didapat pada pengujian 10-fold cross validation untuk seratus data tugas akhir, metode Naïve Bayes Classifier dapat melakukan klasifikasi
Adapun kesimpulan yang didapatkan dari penelitian adalah bahwa dengan implementasi teknik pemilihan fitur information gain dapat mempengaruhi tingkat akurasi algoritma
Bersumber pada penelitian-penelitian terdahulu tersebut, diketahui bahwa seleksi fitur melalui metode Information Gain dan algoritme K-Nearest Neighbor dapat diterapkan untuk
Berdasarkan pada hasil pengujian pelatihan dan tugas klasifikasi dari data rekam medis nantinya dapat ditarik kesimpulan, apakah algoritma naïve bayes
Penelitian ini mendeskripsikan proses klasifikasi kerentanan penyakit jantung dibangun dengan 7 algoritma machine learning yaitu Naïve Bayes, K-Nearest Neighbor KNN, Decision Tree,
