ANALISIS PERFORMA ALGORITME WEIGHTED NAIVE BAYES CLASSIFIER

Abstract

Naïve Bayes Classifier merupakan salah satu algoritme klasifikasi dalam data mining. Naïve Bayes Classifier mengadopsi teorema Bayesian untuk memetakan suatu data terhadap kelas dengan memperhitungkan probability dari atribut data tersebut. Dalam beberapa tahun terakhir, banyak penelitian dilakukan untuk mengatasi permasalahan Naïve Bayes Classifier yang hanya bergantung pada distribusi probabilitas. Beberapa algoritme yang telah diusulkan para peneliti terdahulu adalah : Naïve Bayes Classifier with Hybrid-weight (NBCH), Weighted Naïve Bayes on Correlation Coefficient (WNB-CC) dan Correlated Naïve Bayes Classifier (CNBC). Hasil dari penelitian ini adalah informasi perbandingan performa algorime-algoritme yang termasuk dalam Weighted Naïve Bayes Classifier. Performa masing-masing algoritme dinilai dari tingkat akurasi dan kompleksitas proses. Setelah dilakukan pengujian terhadap 30 data set, dapat diketahui bahwa algoritme CNBC menunjukkan performa yang lebih baik yaitu dengan tingkat akurasi 66,36% dan kompleksitas proses O(n2) dibandingkan dengan algoritme NBCH yang memiliki tingkat akurasi 58,9% dan kompleksitas proses O(n3) serta dibandingkan dengan algoritme WNB-CC yang memiliki tingkat akurasi 32,92% dan kompleksitas proses O(n2).