View of Analysis of applications in Playstore based on Rating and Type using Naive Bayes and Logistic Regression

(1)

174 Jurnal Teknik Informatika dan Sistem Informasi ISSN 2407-4322 Vol. 10, No. 2, Juni 2023, Hal. 174-184 E-ISSN 2503-2933

st th

Analisis Aplikasi Di Playstore Berdasarkan Rating Dan Type Menggunakan Naive Bayes Dan Logistik Regresi

Atmaja Jalu Narendra Kisma*¹, Chyntia Raras Ajeng Widiawati², Suliswaningsih³

1,2,3

Universitas Amikom Purwokerto, Jl. Letjend Pol. Soemarto No.127, telp: (0281) 623321

1,3Jurusan Teknik Informatika, FIK Universitas Amikom Purwokerto, Purwokerto

2Jurusan Teknologi Informasi, FIK Universitas Amikom Purwokerto, Purwokerto e-mail: *¹[email protected], ²[email protected],

3[email protected]

Abstrak

Penggunaan aplikasi mobile semakin penting dalam kehidupan sehari-hari pada era digital. Namun, banyaknya pilihan aplikasi di Play Store membuat pengguna kesulitan memilih aplikasi yang tepat sesuai dengan kebutuhan mereka. Tidak hanya itu, para pengembang aplikasi juga kesulitan untuk mencari rating yang paling banyak disukai oleh pengguna dan jenis aplikasi yang banyak diunduh. Penelitian ini bertujuan untuk mencari solusi dari permasalahan tersebut dengan membandingkan kinerja algoritma Naive Bayes dan Logistik regresi dalam mengklasifikasi data aplikasi Google Play Store berdasarkan rating dan jenis aplikasi yang paling banyak diunduh oleh pengguna. Hasil penelitian menunjukkan bahwa Naive Bayes memiliki tingkat akurasi yang lebih tinggi dibandingkan dengan Logistik regresi.

Naive Bayes memperoleh tingkat akurasi sebesar 92,63% sementara Logistik regresi memperoleh tingkat akurasi sebesar 92,60%. Penelitian ini memberikan panduan bagi pengguna untuk memilih algoritma yang tepat dalam mengklasifikasi data aplikasi Google Play Store. Namun, hasil ini didasarkan pada data yang digunakan dalam penelitian tertentu, sehingga tidak dapat digeneralisasikan ke semua situasi dan dataset. Selain itu, penelitian ini juga menunjukkan bahwa jenis aplikasi yang paling banyak diunduh oleh pengguna di Google Play Store adalah aplikasi yang gratis. Hal ini dapat menjadi masukan bagi pengembang untuk mengembangkan jenis aplikasi yang disukai oleh pengguna.

Kata kunci—Algoritma Logistik regresi, Algoritma Naive Bayes, Analisa, Pembelajaran Mesin, Playstore

Abstract

The use of mobile applications is becoming increasingly important in daily life during the digital era. However, the vast number of applications available in the Play Store makes it difficult for users to choose the right one that meets their needs. Additionally, application developers also face challenges in finding the most liked ratings by users and the type of applications that are most downloaded. This study aims to find solutions to these problems by comparing the performance of Naive Bayes and Logistic regression algorithms in classifying Google Play Store application data based on user ratings and the type of application that is most downloaded. The research results show that Naive Bayes has a higher accuracy rate compared to Logistic regression. Naive Bayes achieved an accuracy rate of 92.63%, while Logistic regression obtained an accuracy rate of 92.60%. This study provides a guide for users to choose the right algorithm for classifying Google Play Store application data. However, these results are based on the data used in a specific study, and therefore cannot be generalized to all situations and datasets. Additionally, this research also shows that the type of application

(2)

Jatisi ISSN 2407-4322

Vol. 10, No. 2, Juni 2023, Hal. 174-184 E- ISSN 2503-2933 175

Atmaja, et., al [Analisis Aplikasi di Playstore Berdasarkan Rating dan Type Menggunakan Naive Bayes dan Logistik Regresi]

that is most downloaded by users on the Google Play Store is free applications. This can provide input for developers to develop the types of applications that are preferred by users.

Keywords— Logistic regresi algorithm, Naive Bayes algorithm, Analysis, Machine Learning, Playstore.

1. PENDAHULUAN

alam era digital, penggunaan aplikasi mobile merupakan bagian penting dari kehidupan sehari-hari. Penggunaan aplikasi mobile mulai marak pada tahun 2007 ketika masyarakat beralih dari ponsel seluler ke sistem operasi android. Sistem operasi Android menyediakan platform bernama Play Store yang berisi berbagai aplikasi yang dikembangkan oleh para pengembang dan dapat digunakan oleh pengguna sebagaimana mestinya [1].

Walaupun tersedia berbagai aplikasi di Play Store dengan fungsi dan manfaat yang berbeda- beda bagi pengguna, namun banyaknya pilihan tersebut membuat pengguna kesulitan memilih aplikasi yang tepat sesuai dengan kebutuhan para pengguna. Oleh karena itu, analisis aplikasi di Playstore berdasarkan rating dan type dapat membantu para pengguna dalam memilih aplikasi yang sesuai dengan tingkat keramaian pada suatu waktu [2]. Selain itu, analisis ini dapat pengembang aplikasi dalam meningkatkan kualitas dan popularitas aplikasi mereka [3].

Data yang akan dianalisis ini akan dimasukan kedalam konsep machine learning dengan dibantu oleh tools Google Collaboratory. Machine learning akan melakukan pra- pemrosesan data, pemrosesan data, penerapan algoritma Naive Bayes dan Logistik regresi untuk menghasilkan keputusan [4]. Hasil keputusan tersebut akan dianalisis untuk mengetahui keakuratan kedua algoritma dalam memproses data google Play Store tersebut.

Naive Bayes dipilih karena algoritma ini memiliki efek dari nilai atribut pada kelas yang diberikan tidak dipengaruhi oleh atribut atau kelas lain yang didasari dari teori bayes, sehingga algoritma naive bayes ini memiliki asumsi yang kuat [5]. Selain itu, Naive bayes dipilih dikarenakan algoritma ini sangat sederhana, dan akurasinya yang tinggi [6]. Teori Bayes adalah tentang klasifikasi statistik yang memprediksi probabilitas atribut kelas anggota berdasarkan data yang ada, baik data berukuran besar ataupun kecil untuk diproses secara maksimal [7]. Dalam penelitian ini, algoritma naive bayes berguna untuk memproses data yang berukuran besar secara maksimal dan mempunyai tingkat keakuratan yang tinggi.

Logistik regresi dipilih karena algoritma ini dapat menganalisa 2 sampai 3 variabel dalam kategori yang berbeda [8]. Dalam penelitian ini, algoritma logistik regresi akan memproses 2 variabel yang berbeda yaitu rating dan type.

Tujuan dari penelitian ini adalah untuk menganalisis aplikasi di Playstore berdasarkan rating dan type dengan menggunakan algoritma Naive Bayes dan Regresi Logistik. Penelitian ini bertujuan untuk membantu pengguna dalam memilih aplikasi yang tepat sesuai dengan kebutuhan mereka, serta membantu pengembang dalam meningkatkan kualitas dan popularitas aplikasi mereka. Selain itu, penelitian ini juga bertujuan untuk membandingkan keakuratan kedua algoritma dalam memproses data Google Play Store [9]. Diharapkan hasil dari penelitian ini dapat memberikan kontribusi dalam pengembangan teknologi dan aplikasi di masa depan.

D

(3)

176 Jatisi ISSN 2407-4322 Vol. 10, No. 2, Juni 2023, Hal. 174-184 E-ISSN 2503-2933

2. METODE PENELITIAN

2.1 Metode Penelitian

Metode penelitian yang digunakan adalah Study Literature. Study Literature digunakan untuk menambah pemahaman yang lebih luas tentang topik yang relevan dengan penelitian [10]. Dapat dilihat alur metodologi penelitian pada gambar 1 sebagai berikut:

Gambar 1. Alur Metode Penelitian

Pada gambar 1 adalah alur dari metode penelitian yang digunakan. Adapun uraian dari gambar diatas adalah sebagai berikut:

a. Study Keperpustakaan

Dalam melakukan penelitian, kita perlu mempersiapkan bekal yang cukup dan terpercaya seperti referensi dari buku, jurnal, dan sumber informasi lainnya yang relevan dengan topik penelitian yang akan dilakukan [10]. Referensi ini sangat penting karena akan mempermudah dalam menuliskan jurnal serta menjadikan hasil penelitian lebih valid dan akurat. Selain itu, dengan memiliki referensi yang cukup, peneliti juga dapat memperkaya pengetahuan dan wawasan dalam bidang yang diteliti.

b. Pengambilan data

Pengambilan dataset google Play Store didapat dari situs bernama Kaggle (www.kaggle.com). Dataset google Play Store ini berbentuk file format csv(Comma Separated Value) yang berisi dari 10841 baris dan 13 kolom [11]. Dataset bisa kita lihat pada gambar 2.

(4)

Jatisi ISSN 2407-4322

Vol. 10, No. 2, Juni 2023, Hal. 174-184 E- ISSN 2503-2933 177

Gambar 2. Dataset

c. Pre-processing

Dari dataset mentah yang berjumlah 10841 baris dan 13 kolom akan diolah untuk menormalisasi data tersebut agar menjadi data yang siap untuk diproses[12]. Dalam pra- processing ini melibatkan beberapa pengolahan data yaitu Sorting data, Menghapus data duplicated, dan menghapus data.

Gambar 3. Sorting Data

(5)

178 Jatisi ISSN 2407-4322 Vol. 10, No. 2, Juni 2023, Hal. 174-184 E-ISSN 2503-2933

Pada gambar 3. Kita bisa melihat data mentah yang urutannya acak, akan terlihat urut dengan mengambil kolom rating dan diurutkan dari ukuran yang terkecil ke terbesar.

Gambar 4. Hapus Duplicated Data

Pada gambar 4. Kita mengecek data yang bersifat double atau duplicated, lalu langkah selanjutnya adalah menghapus data yang bersifat double tersebut. Data duplicated yang awalnya berjumlah 483 setelah kita hapus maka hasilnya jadi 0.

Gambar 5. Hapus data NAN

Data yang terindikasi NAN (Not A Number) terlihat dihapus untuk membuat data jadi normal.

d. Algoritma Naive Bayes

Naive Bayes merupakan suatu metode klasifikasi yang dapat dipakai untuk memperkirakan probabilitas keanggotaan suatu kelas tertentu, dengan dasar pada teorema Bayes.

Penggunaan klasifikasi ini pada database dengan dataset yang besar mampu memberikan akurasi dan kecepatan yang tinggi[13]. Oleh karena itu, Naive bayes dipilih dikarenakan

(6)

Jatisi ISSN 2407-4322

Vol. 10, No. 2, Juni 2023, Hal. 174-184 E- ISSN 2503-2933 179

algoritma ini memiliki kemampuan yang sangat bagus untuk memproses 10841 data dengan cepat dan akurat [14].

e. Algoritma Logistik regresi

Regresi merupakan salah satu teknik statistik yang sering digunakan untuk menggambarkan hubungan antar variabel. Regresi Logistik Dikotomus (biner) adalah salah satu model regresi yang dapat digunakan untuk menjelaskan hubungan antara variabel respon yang terdiri dari dua kategori dengan variabel prediktor yang dapat berupa variabel kontinu, diskrit, atau campuran keduanya [8]. Model Regresi Logistik Dikotomus memiliki keunggulan karena mampu memberikan prediksi yang akurat dan interpretasi yang mudah, serta dapat digunakan untuk mengidentifikasi faktor-faktor yang mempengaruhi variabel respon [15].

Sebab itu, Logistik regresi dipilih untuk mengukur 2 variabel yang dipilih yaitu rating dan type. Selain itu, algoritma ini cukup akurat untuk menghitung beberapa data.

f. Analisa

Analisa perbandingan antara Naive Bayes dan Regresi Logistik dapat dilakukan untuk menentukan mana yang lebih unggul dalam memprediksi klasifikasi. Kedua algoritma ini mempunyai kemampuan untuk memproses dataset secara akurat. Oleh karena itu, analisa perbandingan antara kedua metode ini sangat penting untuk memilih metode yang paling sesuai dengan tujuan penelitian.

g. Kesimpulan

Kesimpulan didapatkan ketika kita sudah memperoleh hasil dari analisa yang didapat.

Kesimpulan berisikan jawaban dari masalah penelitian, tujuan penelitian hingga dapat memberikan saran kepada pembaca atau dampak dari hasil dari penelitian .

3. HASIL DAN PEMBAHASAN

Berdasarkan hasil penelitian tentang tingkat akurasi dari dua algoritma, yaitu Naive Bayes dan Logistik regresi dalam mengklasifikasi data aplikasi Google Play Store berdasarkan rating dan type aplikasi menghasilkan confusion matrix yang sama. Confusion matrix algoritma Naive Bayes dapat dilihat pada tabel 1 dibawah ini.

Tabel 1. Confusion Matrix Algoritma Naive Bayes

Pred 0 Pred 1

True 0 1647 0

True 1 131 0

Sedangkan untuk confusion matrix algoritma Logistik Regresi dapat dilihat pada tabel 2 dibawah ini.

Tabel 2. Confusion Matrix Algoritma Logistik Regresi

Pred 0 Pred 1

True 0 1647 0

True 1 131 0

Tabel 1 dan 2 diatas menunjukkan hasil dari confusion matrix kedua algoritma naive bayes dan algoritma logistik regresi dari data yang di uji. Kolom Pred 0 dan Pred 1 menunjukkan jumlah data yang diprediksi oleh model sebagai kelas 0 atau kelas 1, sedangkan baris True 0 dan True 1 menunjukkan jumlah data yang benar-benar termasuk ke dalam kelas 0

(7)

180 Jatisi ISSN 2407-4322 Vol. 10, No. 2, Juni 2023, Hal. 174-184 E-ISSN 2503-2933

atau kelas 1. Dalam tabel tersebut, terdapat 1647 data yang diprediksi benar sebagai kelas 0 (true negative), 0 data yang diprediksi benar sebagai kelas 1 (true positive), 0 data yang salah diprediksi sebagai kelas 1 (false positive), dan 131 data yang salah diprediksi sebagai kelas 0 (false negative).

Setelah mengetahui confusion matrix antara dua algoritma naive bayes dan logistik regresi, langkah selanjutnya adalah menerapkan model dari tiap algoritma ke data yang diuji sesuai dengan confusion matrix antara algoritma naive bayes dan logistik regresi. Hasil akurasi dari kedua algoritma akan dibandingkan sehingga kita dapat mengetahui tingkat akurasi yang dihasilkan dan membuat keputusan yang tepat. Hasil penerapan model tiap algoritma akan menghasilkan akurasi yang dapat dilihat pada tabel 2.

Tabel 3. Hasil Perbandingan

No Algoritma Hasil Akurasi

1 Naive Bayes 92,63%

2 Logistik regresi 92,60%

Tabel 3 di atas menunjukkan hasil penelitian bahwa kedua algoritma memiliki tingkat akurasi yang tinggi dalam memproses data aplikasi Google Play Store berdasarkan rating dan type aplikasi. Namun, Naive Bayes memiliki tingkat akurasi lebih tinggi dari pada Logistik regresi dalam mengklasifikasi rating dan type dari aplikasi yang paling banyak diunduh oleh pengguna di google Play Store.

Pada tabel 2 menunjukan bahwa perbandingan akurasi algoritma Naive Bayes menghasilkan 92,63% dan Algoritma Logistik regresi mendapatkan akurasi 92,60%. Selisih dari perbandingan dua algoritma ini sebesar 0,03% yang menunjukan bahwa algoritma naive bayes menghasilkan tingkat akurasi yang lebih besar dari pada algoritma logistik regresi.

Perlu diperhatikan bahwa hasil ini didasarkan pada data yang digunakan dalam penelitian tertentu, sehingga tidak dapat digeneralisasikan ke semua situasi dan dataset. Selain itu, faktor-faktor lain seperti kualitas data dan pemilihan fitur yang tepat juga dapat mempengaruhi kinerja algoritma.

Namun demikian, hasil ini dapat menjadi panduan bagi pengguna untuk memilih algoritma yang tepat untuk mengklasifikasi data aplikasi Google Play Store berdasarkan rating dan jenis aplikasi. Jika kinerja yang lebih tinggi diperlukan, maka Naive Bayes dapat menjadi pilihan yang lebih baik daripada Logistik regresi.

Tak hanya itu type yang banyak diunduh pada google Play Store adalah type aplikasi yang tidak berbayar(gratis). Kita bisa melihat hasil penelitian pada gambar 8 berikut.

(8)

Jatisi ISSN 2407-4322

Vol. 10, No. 2, Juni 2023, Hal. 174-184 E- ISSN 2503-2933 181

Gambar 6. Type Aplikasi

Pada gambar 8 menunjukan bahwa type jenis aplikasi yang banyak diunduh oleh pengguna adalah type tak berbayar dengan hasil unduhan sebesar 8275. Hal ini dapat menjadi masukan kepada pengembang untuk mengembangkan type atau jenis dari aplikasi yang dapat dipilih dan disukai oleh pengguna. Tak hanya itu hasil dari rating aplikasi juga ditujukan untuk menjadi masukan kepada pengembang aplikasi tentang aplikasi yang memiliki rating paling besar daripada aplikasi lain.

Gambar 7. Rating Aplikasi

(9)

182 Jatisi ISSN 2407-4322 Vol. 10, No. 2, Juni 2023, Hal. 174-184 E-ISSN 2503-2933

Dari hasil rating aplikasi yang didapat dari sorting data aplikasi Google Play Store menunjukan bahwa Aplikasi bernama Life Made WI-FI Touchscreen Photo Frame dengan kategori editing foto mendapatkan rating yang sangat tinggi daripada aplikasi lain. Hasil ini dapat menjadi masukan atau referensi bagi pengembang aplikasi untuk membuat sebuah aplikasi.

4. KESIMPULAN

Penelitian ini bertujuan untuk membandingkan kinerja algoritma Naive Bayes dan Logistik regresi dalam mengklasifikasi data aplikasi Google Play Store berdasarkan rating dan jenis aplikasi. Hasil penelitian menunjukkan bahwa kedua algoritma memiliki tingkat akurasi yang tinggi, namun Naive Bayes memiliki tingkat akurasi yang lebih tinggi dibandingkan dengan Logistik regresi. Meskipun demikian, hasil ini hanya berdasarkan pada data yang digunakan dalam penelitian tertentu dan faktor-faktor lain seperti kualitas data dan pemilihan fitur juga dapat mempengaruhi kinerja algoritma.

Hasil penelitian juga menunjukkan bahwa jenis aplikasi yang paling banyak diunduh oleh pengguna di Google Play Store adalah aplikasi gratis. Selain itu, rating aplikasi juga menjadi faktor penting dalam menentukan popularitas aplikasi.

Kesimpulannya, hasil penelitian ini dapat menjadi panduan bagi pengguna untuk memilih algoritma yang tepat dalam mengklasifikasi data aplikasi Google Play Store berdasarkan rating dan jenis aplikasi. Selain itu, hasil penelitian tentang jenis aplikasi yang paling banyak diunduh dan rating aplikasi tertinggi dapat memberikan masukan bagi pengembang aplikasi untuk mengembangkan jenis aplikasi yang lebih disukai oleh pengguna.

Namun, perlu diperhatikan bahwa hasil ini hanya berdasarkan pada data yang digunakan dalam penelitian tertentu dan faktor-faktor lain seperti kualitas data dan pemilihan fitur juga dapat mempengaruhi kinerja algoritma. Oleh karena itu, penelitian selanjutnya dapat mengembangkan penggunaan algoritma lain atau mempertimbangkan faktor-faktor tambahan untuk meningkatkan kinerja algoritma dalam mengklasifikasi data aplikasi Google Play Store.

5. SARAN

Saran yang dapat diberikan berdasarkan hasil penelitian ini adalah untuk mengembangkan fitur dan metode yang lebih baik dalam mengklasifikasi data aplikasi Google Play Store. Selain itu, untuk memperoleh hasil yang lebih baik, perlu dilakukan pemilihan fitur yang tepat dan pengolahan data yang berkualitas. Selain itu, dapat pula dilakukan penelitian lebih lanjut dengan menggunakan dataset yang lebih besar dan beragam untuk memperoleh hasil yang lebih representatif dan dapat digeneralisasikan ke berbagai situasi dan dataset.

UCAPAN TERIMA KASIH

Penulis ingin menyampaikan terima kasih yang sebesar-besarnya kepada semua pihak yang telah membantu dalam penelitian ini. Terima kasih kepada kedua Orang Tua, Ida Nur Laela, Dosen Pendamping dan Forum Asisten yang telah memberikan bantuan dan dukungan selama penelitian berlangsung. Terima kasih juga kepada para reviewer yang telah memberikan saran dan kritik yang sangat berharga dalam memperbaiki artikel ini. Semua kontribusi yang

(10)

Jatisi ISSN 2407-4322

Vol. 10, No. 2, Juni 2023, Hal. 174-184 E- ISSN 2503-2933 183

diberikan sangat membantu dalam menyelesaikan penelitian ini dan menulis artikel ini. Sekali lagi, terima kasih banyak.

DAFTAR PUSTAKA

[1] A. Y. K. Erna Susilawati, “Aplikasi Pembelajaran Tenses Dalam Bahasa Inggris Berbasis Android di Smkn 9 Bandung,” J. Manaj. Inform., Vol. 6, pp. 27–31, 2016.

[2] M. Permana, S. Widiastuti, and S. Saepudin, “Analisis Sentimen Penggunaan Aplikasi Video Conference pada Ulasan Google Play Store Menggunakan Metode Nbc (Naive Bayes Classifier),” JURSISTEKNI (Jurnal Sist. Inf. dan Teknol. Informasi), Vol. 5, No.

1, pp. 178–191, 2023.

[3] A. Erfina, E. S. Basryah, A. Saepulrohman, and D. Lestari, “Analisis Sentimen Aplikasi Pembelajaran Online di Play Store pada Masa Pandemi Covid-19 Menggunakan Algoritma Support Vector Machine (Svm),” Semin. Nas. Inform., Vol. 1, No. 1, pp. 145–

152, 2020, [Online]. Available:

http://jurnal.upnyk.ac.id/index.php/semnasif/article/view/4094

[4] Ernianti Hasibuan and Elmo Allistair Heriyanto, “Analisis Sentimen pada Ulasan Aplikasi Amazon Shopping di Google Play Store Menggunakan Naive Bayes Classifier,”

J. Tek. dan Sci., Vol. 1, No. 3, pp. 13–24, 2022, doi: 10.56127/jts.v1i3.434.

[5] N. Herlinawati, Y. Yuliani, S. Faizah, W. Gata, and S. Samudi, “Analisis Sentimen Zoom Cloud Meetings di Play Store Menggunakan Naïve Bayes dan Support Vector Machine,”

CESS (Journal Comput. Eng. Syst. Sci., Vol. 5, No. 2, p. 293, 2020, doi:

10.24114/cess.v5i2.18186.

[6] E. Indrayuni, “Komparasi Algoritma Naive Bayes dan Support Vector Machine Untuk Analisa Sentimen Review Film,” J. Pilar Nusa Mandiri, Vol. 14, No. 2, p. 175, 2018, doi: 10.33480/pilar.v14i2.918.

[7] I. Loelianto, M. S. S. Thayf, and H. Angriani, “Implementasi Teori Naive Bayes Dalam Klasifikasi Calon Mahasiswa Baru STMIK Kharisma Makassar,” SINTECH (Science Inf. Technol. J., Vol. 3, No. 2, pp. 110–117, 2020, doi:

10.31598/sintechjournal.v3i2.651.

[8] N. Paputungan, Y. Langi, and J. Prang, “Analisis Regresi Logistik Ordinal pada Tingkat Kepuasaan Pengguna Jasa Terhadap Pelayanan di Bandara Internasional Sam Ratulangi Manado,” d’CARTESIAN, Vol. 5, No. 2, p. 72, 2016, doi:

10.35799/dc.5.2.2016.14016.

[9] A. Perbandingan et al., “581-File Utama Naskah-2793-1-10-20221226,” Vol. 8, No. 2, pp. 121–126, 2022.

[10] A. S. Putra, “Analisa dan Perancangan Sistem Tata Kelola Parkir Cerdas di Kota Pintar Jakarta,” J. IKRA-ITH Inform., Vol. 4, No. 3, pp. 13–21, 2020.

(11)

184 Jatisi ISSN 2407-4322 Vol. 10, No. 2, Juni 2023, Hal. 174-184 E-ISSN 2503-2933

[11] J. P. J. F. A.Vincent, “Komparasi Tingkat Akurasi Random Forest dan Knn Untuk Mendiagnosis Penyakit Kanker Payudara,” Univ. Pelita Harapan PSDKU Medan Jur.

Sist. Inf., Vol. 7, No. 1, pp. 49–61, 2022.

[12] A. H. Yusufi, A. Kharisma, A. D. Adinata, D. F. Ramzy, and M. M. Santoni, “Prediksi Resiko Kematian pada Penderita Penyakit Kadiovaskular Menggunakan Metode Ensemble Learning,” Semin. Nas. Mhs. Ilmu Komput. dan Apl., Vol. 3, No. 2, pp. 531–

541, 2022.

[13] R. Adyatma Subagja, Y. Widiastiwi, and N. Chamidah, “Klasifikasi Ulasan Aplikasi Jenius pada Google Play Store Menggunakan Algoritma Naive Bayes,” Inform. J. Ilmu Komput., Vol. 17, No. 3, p. 197, 2021, doi: 10.52958/iftk.v17i3.3652.

[14] O. Arifin and T. B. Sasongko, “Analisa Perbandingan Tingkat Performansi Metode Support Vector Machine dan Naïve Bayes Classifier,” Semin. Nas. Teknol. Inf. dan Multimed. 2018, Vol. 6, No. 1, pp. 67–72, 2018.

[15] F. Mandaku, “Pemodelan Terhadap Kelulusan Siswa Masuk Kelas Akselerasi Menggunakan Analisis Regresi Logistik dan Multivariate Adaptive Regresi Spline ( Mars),” Vol. 04, No. 2, 2014.