Komparasi Adaboost dan Bagging Dengan Naïve Bayes Pada Dataset Bank Direct Marketing
Abstract
Kampanye pemasaran produk bank secara langsung memiliki kegunaan bagi marketer untuk menawarkan produk baru kepada calon pelanggan yang ditargetkan. Dengan menggunakan data yang sudah ada yang bersumber dari pengalaman melakukan pemasaran dapat digunakan sebagai data yang akan diolah untuk membuat keputusan dimasa depan. Dengan menggunakan algoritma klasifikasi naïve bayes yang digabungkan dengan ensemble adaboost dan baaging, dilakukan percobaan untuk mendapatkan hasil komparasi akurasi dan presisi terbaik. Penelitian ini dilakukan dengan melakukan 4 kali percobaan dengan skema hanya dengna algoritma naïve bayes, naïve bayes dengan adaboost, naïve bayes dengan bagging, dan naïve bayes dengan adaboost dan bagging. Hasil penelitian menunjukkan bahwa penggunaan algoritma naïve bayes dengan adaboost dan bagging menghasilkan nilai akurasi terbaik sebesar 90,29%. Sedangkan pada presisi, diketahui bahwa nilai presisi terbaik pada percobaan algoritma naïve bayes saja dan naïve bayes dengna bagging dengan nilai presisi yang sama sebesar 94,99%.
Kata Kunci : adaboost, bagging, naïve bayes, imbalance class
Full Text:
PDFReferences
Abbas, S. (2015). Deposit subscribe Prediction using Data Mining Techniques based Real Marketing Dataset. International Journal of Computer Applications, 110(3), 1–7. https://doi.org/10.5120/19293-0725
Anam, C., & Santoso, H. B. (2018). Perbandingan Kinerja Algoritma C4 . 5 dan Naive Bayes untuk Klasifikasi Penerima Beasiswa. Jurnal Ilmiah Ilmu-Ilmu Teknik, 8(1), 13–19.
Aridas, C. K., Karlos, S., Kanas, V. G., Fazakis, N., & Kotsiantis, S. B. (2020). Uncertainty Based Under-Sampling for Learning Naive Bayes Classifiers under Imbalanced Data Sets. IEEE Access, 8, 2122–2133. https://doi.org/10.1109/ACCESS.2019.2961784
Fitriyani, & Wahono, R. S. (2015). Integrasi Bagging dan Greedy Forward Selection pada Prediksi Cacat Software dengan Menggunakan Naive Bayes. IlmuKomputer.Com Journal of Software Engineering, 1(2), 101–108.
Kurniawan, D., & Supriyanto, D. C. (2013). Optimasi Algoritma Support Vector Machine (Svm) Menggunakan Adaboost Untuk Penilaian Risiko Kredit. Jurnal Teknologi Informasi, 9(1), 1414–9999.
Kurniawan, Y. I. (2018). Perbandingan Algoritma Naive Bayes dan C.45 dalam Klasifikasi Data Mining. Jurnal Teknologi Informasi Dan Ilmu Komputer, 5(4), 455. https://doi.org/10.25126/jtiik.201854803
Moro, S., Laureano, R. M. S., & Cortez, P. (2011). Using Data Mining for Bank Direct Marketing: An application of the CRISP-DM methodology. 25th European Simulation and Modelling Conference- ESM’2011, Figure 1, 117–121.
Nurzahputra, A., & Muslim, M. A. (2017). Peningkatan Akurasi Pada Algoritma C4.5 Menggunakan Adaboost Untuk Meminimalkan Resiko Kredit. Prosiding SNATIF Ke-4, 1, 243–247.
Zulhanif. (2018). Algoritma Bagging. Biastatistics, 1(1), 68–72.
DOI: https://doi.org/10.31294/bi.v9i1.9890
DOI (PDF): https://doi.org/10.31294/bi.v9i1.9890.g4731
ISSN: 2338-9761
