Perbandingan Kinerja Naive Bayes dan Random Forest dengan Variasi Seleksi Fitur dan Penanganan Imbalance Data
Fortunatus, Adhiethera Tuah Putra (2025) Perbandingan Kinerja Naive Bayes dan Random Forest dengan Variasi Seleksi Fitur dan Penanganan Imbalance Data. Skripsi thesis, Universitas Tanjungpura.
|
PDF (Cover-Bab1)
Cover-Bab1_D1041211048.pdf - Published Version Download (647kB) |
|
|
PDF (D1041211048_FORTUNATUS_ADHIETHERA_TUAH_PUTRA)
D1041211048_FORTUNATUS_ADHIETHERA_TUAH_PUTRA.pdf - Accepted Version Restricted to Repository staff only Download (3MB) |
Abstract
Data mining adalah proses penting untuk mengekstraksi informasi berharga dari kumpulan data besar dan kompleks. Salah satu teknik utamanya adalah klasifikasi, yang digunakan untuk memprediksi kategori data berdasarkan fitur tertentu. Penelitian ini membandingkan performa algoritma Naive Bayes dan Random Forest dalam mengatasi klasifikasi pada data tidak seimbang dengan berbagai skenario pemilihan fitur. Dataset yang digunakan adalah Bank Marketing dari UCI Machine Learning Repository yang memiliki karakteristik tidak seimbang, dengan perbandingan signifikan antara data berlabel “yes” dan “no”. Penelitian ini mengevaluasi pengaruh teknik penyeimbangan data (SMOTE, undersampling) dan metode pemilihan fitur (Chi-square, Pearson’s Correlation, Mutual Information), dengan evaluasi berdasarkan akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa Random Forest secara konsisten unggul dibandingkan Naive Bayes, terutama pada kombinasi SMOTE dan seluruh fitur yang menghasilkan akurasi tertinggi 93,08% (peningkatan 5,18% dari baseline). Sebaliknya, kinerja terendah diperoleh Naive Bayes pada kombinasi Mutual Information dan undersampling dengan akurasi 81,9% (penurunan 9,88%). Teknik SMOTE dan undersampling meningkatkan akurasi Random Forest masing-masing sebesar 5,18% dan 1,44%, namun menurunkan akurasi Naive Bayes sebesar 9,25% dan 8,42%. Pemilihan fitur tertentu, seperti Mutual Information dan Pearson’s Correlation, umumnya berdampak positif pada akurasi Random Forest (hingga 4,99%), tetapi efeknya pada Naive Bayes bervariasi. Secara keseluruhan, Random Forest menunjukkan kinerja yang lebih stabil (87,51%–93,08%) dibandingkan Naive Bayes yang cenderung fluktuatif (82,47%–91,78%), membuktikan ketangguhannya dalam menghadapi ketidakseimbangan data dan variasi pemilihan fitur.
| Item Type: | Thesis (Skripsi) | ||||||
|---|---|---|---|---|---|---|---|
| Creators: |
|
||||||
| Subjects: | 000 - Komputer, Informasi dan Referensi Umum > 000 Ilmu komputer, ilmu pengetahuan dan sistem-sistem > 005 Pemrograman komputer, program dan data | ||||||
| Divisions: | Fakultas Teknik > Teknik Informatika S1 | ||||||
| SWORD Depositor: | Rudiarti Rudiarti | ||||||
| Depositing User: | Rudiarti Rudiarti | ||||||
| Date Deposited: | 08 Sep 2026 07:46 | ||||||
| Last Modified: | 08 Sep 2026 07:46 | ||||||
| URI: | https://repository.untan.ac.id/id/eprint/8116 |
Actions (login required)
![]() |
View Item |
