Implementasi Naive Bayes Dengan Menggunakan Metode Laplace Smoothing
DOI:
https://doi.org/10.21067/jtst.v6i3.9132Keywords:
Laplace Smoothing,, naive bayes, Klasifikasi, zero frequency, probabilitas nol, analisis sentimen, teks miningAbstract
Algoritma Naïve Bayes memiliki kelebihan karena kesederhanaannya dan tingkat akurasi yang relatif tinggi dibandingkan dengan metode lainnya. Namun, Naïve Bayes juga memiliki kekurangan, seperti asumsi independensi antara atribut yang dapat mengurangi akurasi dan masalah probabilitas nol ("Zero Frequency"). Salah satu cara untuk mengatasi kekurangan metode Naïve Bayes adalah dengan menggunakan metode Laplace Smoothing. Metode ini membantu menghilangkan dampak probabilitas nol dan hasil akurasi dapat ditingkatkan. Dalam penelitian ini, nilai zero frequency dapat dihilangkan sepenuhnya dengan menggunakan Laplace Smoothing dan proses klasifikasi dibagi menjadi tiga skenario dengan perbandingan pengujian yang berbeda, yaitu 95% dan 5%, 80% dan 20%, serta 75% dan 25% data testing dan data uji .Hasil pengujian menunjukkan bahwa metode Naive Bayes mendapatkan nilai akurasi tertinggi sebesar 0,49, sedangkan Naive Bayes dengan metode Laplace Smoothing menghasilkan nilai akurasi tertinggi sebesar 0,69. Dengan demikian, dapat disimpulkan bahwa penggunaan Laplace Smoothing pada Naive Bayes dapat meningkatkan nilai akurasi dalam klasifikasi data.
References
. Listiowarni. 2019. Implementasi Naïve Bayessian dengan Laplacian Smoothing untuk Peminatan danLintas Minat Siswa SMAN 5 Pamekasan. Jurnal Sisfokom (Sistem Informasi dan Komputer), vol. 8,no. 2, pp. 124–129.
Ashyaksa, H. 2019. SENTIMENT ANALYSIS MENGGUNAKAN NAÏVE BAYES.N. Ruhyana. 2019. ANALISIS SENTIMEN TERHADAP PENERAPAN SISTEM PLAT NOMOR GANJIL/GENAP PADA TWITTER DENGAN METODE KLASIFIKASI NAIVE BAYES.
Hinde, C.J., Stone, R., Xhemali, D., CC BY-NC-ND 4.0 REPOSITORY RECORD Naïve Bayes vs. Decision Trees vs. Neural Networks in the Classification of Training Web Pages. IJCSI International Journal of Computer Science Issues, Vol. 4, No. 1.
Listiowarni, I., Setyaningsih, E.R. 2018. Analisis Kinerja Smoothing pada Naive Bayes untuk Pengkategorian Soal Ujian.
FAJAR DARWIS DZIKRIL HAKIMI. 2018. SISTEM ANALISIS SENTIMEN PUBLIK TENTANG OPINI PEMILIHAN KEPALA DAERAH JAWA TIMUR 2018 PADA DOKUMEN TWITTER MENGGUNAKAN NAIVE BAYES CLASSIFIER.
R. Puspita and A. Widodo. 2021. Perbandingan Metode KNN, Decision Tree, dan Naïve Bayes Terhadap Analisis Sentimen Pengguna Layanan BPJS. Jurnal Informatika Universitas Pamulang, vol. 5, no. 4, p.646.
Hakimi Fajar. 2018. SISTEM ANALISIS SENTIMEN PUBLIK TENTANG OPINI PEMILIHAN KEPALA DAERAH JAWA TIMUR 2018 PADA DOKUMEN TWITTER MENGGUNAKAN NAIVE BAYES CLASSIFIER.
Listiowarni. 2019. Analisis Kinerja Smoothing pada Naive Bayes untuk Pengkategorian Soal Ujian Indah
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2024 RAINSTEK: Jurnal Terapan Sains dan Teknologi

This work is licensed under a Creative Commons Attribution 4.0 International License.
Rainstek: Jurnal Terapan Sains dan Teknologi allows readers to read, download, copy, distribute, print, search, or link to the full texts of its articles and allow readers to use them for any other lawful purpose.
This work is licensed under a Creative Commons Attribution 4.0 International License. The Authors submitting a manuscript do so with the understanding that if accepted for publication, copyright of the article shall be assigned to Rainstek: Jurnal Terapan Sains dan Teknologi