ANALISIS KINERJA NAÏVE BAYES CLASSIFIER BERDASARKAN SELEKSI FITUR BERBASIS INFORMATION GAIN DENGAN SELEKSI FITUR BERBASIS MULTIKOLINEARITAS (PADA STUDI KASUS STUNTING BALITA DI PUSKESMAS KINTAMANI)

Noviana, Luh Putu Risma (2023) ANALISIS KINERJA NAÏVE BAYES CLASSIFIER BERDASARKAN SELEKSI FITUR BERBASIS INFORMATION GAIN DENGAN SELEKSI FITUR BERBASIS MULTIKOLINEARITAS (PADA STUDI KASUS STUNTING BALITA DI PUSKESMAS KINTAMANI). Masters thesis, Universitas Pendidikan Ganesha.

[img] Text (2129101017-COVER)
2129101017-Cover.pdf
Download (938kB)
[img] Text (2129101017-ABSTRAK)
2129101017-Abstrak.pdf
Download (240kB)
[img] Text (2129101017-BAB 1 PENDAHULUAN)
2129101017-Bab 1 Pendahuluan.pdf
Download (365kB)
[img] Text (2129101017-BAB 2 KAJIAN TEORI)
2129101017-Bab 2 Kajian Teori.pdf
Restricted to Repository staff only
Download (628kB) | Request a copy
[img] Text (2129101017-BAB 3 METODELOGI PENELITIAN)
2129101017-Bab 3 Metodelogi Penelitian.pdf
Restricted to Repository staff only
Download (445kB) | Request a copy
[img] Text (2129101017-BAB 4 HASIL DAN PEMBAHASAN)
2129101017-Bab 4 Hasil dan Pembahasan.pdf
Restricted to Repository staff only
Download (1MB) | Request a copy
[img] Text (2129101017-BAB 5 PENUTUP)
2129101017-Bab 5 Penutup.pdf
Restricted to Repository staff only
Download (241kB) | Request a copy
[img] Text (2129101017-DAFTAR PUSTAKA)
2129101017-Daftar Pustaka.pdf
Download (346kB)
[img] Text (2129101017-LAMPIRAN)
2129101017-Lampiran.pdf
Download (839kB)

Abstract

Penelitian ini bertujuan untuk mengetahui kinerja Naïve Bayes Classifier dengan membandingkan beberapa seleksi fitur. Pertama digunakan metode seleksi fitur berbasis Information Gain, kedua digunakan metode seleksi fitur berbasis Multikolinearitas, serta ketiga metode seleksi fitur yang merupakan kombinasi Information Gain dan Multikolinearitas. Dataset yang digunakan merupakan data kasus stunting balita di Puskesmas Kintamani I dan VI sebanyak 337 data. Dalam pengujian digunakan 4 skenario pengujian: (1) Skenario pengujian pertama, pada dataset langsung diimplementasikan algoritma Naïve Bayes Classifier dengan data training sebanyak 70% dan testing 30%, selanjutnya ditentukan nilai akurasi dan persisinya. (2) Skenario pengujian kedua, pada dataset langsung diimplementasikan algoritma Naïve Bayes Classifier dengan seleksi fitur Information Gain dengan data training sebanyak 70% dan testing 30%, selanjutnya ditentukan nilai akurasi dan persisinya. (3) Skenario pengujian ketiga, pada dataset dataset langsung diimplementasikan algoritma Naïve Bayes Classifier seleksi fitur Multikolinearitas dengan data training sebanyak 70% dan testing 30%, selanjutnya ditentukan nilai akurasi dan persisinya. (4) Skenario pengujian keempat, pada dataset langsung diimplementasikan algoritma Naïve Bayes Classifier dengan seleksi fitur Information Gain dan fitur Multikolinearitas dengan data training sebanyak 70% dan testing 30%, selanjutnya ditentukan nilai akurasi dan persisinya. Sebagai tambahan juga dilakukan uji koefisien determinasi (R Square) untuk mengetahui pengaruh yang diberikan variabel bebas atau variabel Independent terhadap variabel terikat atau variabel dependent untuk memprediksi dan melihat seberapa besar kontribusi pengaruh yang diberikan terhadap variabel bebas secara simultan terhadap variabel terikat. Tahap pengujian yang digunakan dari 4 skenario yaitu confussion matrix. Sehingga diperoleh hasil akurasi dari masing-masing metode digunakan yaitu: Naïve Bayes Classifier sebesar 90,10%, Naïve Bayes Classifier dengan fitur Information Gain sebesar 95,05%, Naïve Bayes Classifier dengan fitur Multikolinearitas sebesar 93,07% dan Naïve Bayes Classifier dengan fitur Information Gain dan Multikolinearitas sebesar 96,04%. Maka dari 4 skenario yang digunakan metode Naïve Bayes Classifier dengan fitur Information Gain dan Multikolinearitas mendapatkan hasil akurasi paling tinggi. Sehingga dilakukan uji koefisien determinasi (R Square) terhadap fitur Information Gain dan Multikolinearitas dengan menggunakan tools SPSS sebesar 0,577, hal ini berarti 57,7% semua fitur berpengaruh terhadap klasifikasi stunting. Dengan fitur variabel independent seperti umur, BPJS, imunisasi, merokok, riwayat ibu hamil, sementara sisanya sebesar 42,3% dipengaruhi faktor lainnya yang tidak dibahas dalam penelitian ini.

Item Type: Thesis (Masters)
Uncontrolled Keywords: Stunting, Naïve Bayes Classifier, Information Gain, Multikonliearitas, Confussion Matrix, Uji Koefisien Determinasi (R Square)
Subjects: L Education > L Education (General)
Divisions: Pascasarjana > Program Studi Ilmu Komputer (S2)
Depositing User: Luh Putu Risma Noviana
Date Deposited: 16 Feb 2023 12:32
Last Modified: 16 Feb 2023 12:32
URI: http://repo.undiksha.ac.id/id/eprint/14035

Actions (login required)

View Item View Item