Optimasi Naive Bayes Dengan Pemilihan Fitur Dan Pembobotan Gain Ratio

• Main Authors: I Guna Adi Socrates, Afrizal Laksita Akbar, Mohammad Sonhaji Akbar, Agus Zainal Arifin, Darlis Herumurti
• Format: Article
• Language: Indonesian
• Published: Universitas Udayana 2016-03-01
• Series: Lontar Komputer
• Subjects: Data Mining; Naïve Bayes; Weighted Naïve Bayes; Gain Ratio; Pemilihan Fitur
• Online Access: https://ojs.unud.ac.id/index.php/lontar/article/view/19506
• ISSN: 2088-1541; 2541-5832

Naïve Bayes merupakan salah satu metode data mining yang umum digunakan dalam klasifikasi dokumen berbasis text. Kelebihan dari metode ini adalah algoritma yang sederhana dengan  kompleksitas  perhitungan  yang  rendah.  Akan  tetapi,  pada  metode  Naïve  Bayes terdapat kelemahan dimana sifat independensi dari fitur Naïve Bayes tidak dapat selalu diterapkan sehingga akan berpengaruh pada tingkat akurasi perhitungan. Maka dari itu, metode Naïve Bayes perlu dioptimasi dengan cara pemberian bobot mengunakan Gain Ratio. Namun, pemberian bobot pada Naïve Bayes menimbulkan permasalahan pada penghitungan probabilitas setiap    dokumen, dimana fitur  yang tidak  merepresentasikan kelas  yang diuji banyak muncul sehingga terjadi kesalahan klasifikasi. Oleh karena itu, pembobotan Naïve Bayes   masih   belum   optimal.   Paper   ini mengusulkan  optimasi  metode   Naïve   Bayes mengunakan pembobotan Gain Ratio yang ditambahkan dengan metode pemilihan fitur pada kasus klasifikasi teks. Hasil penelitian ini menunjukkan bahwa optimasi metode Naïve Bayes menggunakan pemilihan fitur dan pembobotan menghasilkan akurasi sebesar 94%.