Optimasi Naïve Bayes Dengan Pemilihan Fitur Dan Pembobotan Gain Ratio
Abstrak: Naïve Bayes merupakan
salah satu metode data mining yang umum digunakan dalam klasifikasi dokumen
berbasis text. Kelebihan dari metode ini adalah algoritma yang sederhanadengan
kompleksitas perhitungan yang rendah. Akan tetapi, pada metode Naïve Bayesterdapat
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%.
Penulis: I. Gusti. A. Socrates
Kode Jurnal: jptkomputerdd160162