Perbandingan Klasifikasi Analisis Diskriminan Fisher dan Metode Naive Bayes

Authors

  • Alifta Ainurrochmah Program Studi Statistika, Jurusan Matematika, FMIPA, Universitas Mulawarman.
  • Memi Nor Hayati
  • Andi M. Ade Satriya

DOI:

https://doi.org/10.34123/jurnalasks.v11i2.156

Keywords:

Klasifikasi, Analisis Diskriminan Fisher, Metode Naive Bayes, Asuransi

Abstract

Klasifikasi adalah suatu teknik pembentukan model dari data yang telah diketahui kelompok klasifikasinya. Model tersebut digunakan untuk mengklasifikasikan obyek baru. Analisis diskriminan Fisher merupakan teknik multivariat untuk memisahkan obyek-obyek dalam kelompok yang berbeda. Naive Bayes merupakan pengklasifikasian berdasarkan probabilitas dan teorema Bayes dengan asumsi independensi yang kuat. Penelitian ini bertujuan melakukan perbandingan tingkat akurasi klasifikasi dengan analisis diskriminan Fisher dan metode naive Bayes pada status pembayaran premi nasabah asuransi. Data yang digunakan memiliki 4 variabel bebas yaitu pendapatan, usia, masa pembayaran premi dan besar pembayaran premi. Hasil kesalahan akurasi dengan menggunakan nilai APER (Apparent Rate Error) menunjukkan bahwa metode naive Bayes memiliki tingkat akurasi yang lebih tinggi sebesar 15,38% daripada analisis diskriminan Fisher sebesar 46,15% dalam menganalisis status pembayaran premi nasabah asuransi.

Downloads

Download data is not yet available.

Author Biography

Andi M. Ade Satriya

Klasifikasi adalah suatu teknik pembentukan model dari data yang telah diketahui kelompok klasifikasinya. Model tersebut digunakan untuk mengklasifikasikan obyek baru. Analisis diskriminan Fisher merupakan teknik multivariat untuk memisahkan obyek-obyek dalam kelompok yang berbeda. Naive Bayes merupakan pengklasifikasian berdasarkan probabilitas dan teorema Bayes dengan asumsi independensi yang kuat. Penelitian ini bertujuan melakukan perbandingan tingkat akurasi klasifikasi dengan analisis diskriminan Fisher dan metode naive Bayes pada status pembayaran premi nasabah asuransi. Data yang digunakan memiliki 4 variabel bebas yaitu pendapatan, usia, masa pembayaran premi dan besar pembayaran premi. Hasil kesalahan akurasi dengan menggunakan nilai APER (Apparent Rate Error) menunjukkan bahwa metode naive Bayes memiliki tingkat akurasi yang lebih tinggi sebesar 15,38% daripada analisis diskriminan Fisher sebesar 46,15% dalam menganalisis status pembayaran premi nasabah asuransi.

References

Artha, C. A. 2016. Perbandingan Hasil Klasifikasi Menggunakan Regresi Logistik dan Analisis Diskriminan Kuadratik Pada Kasus Pengklasifikasian Jurusan Di SMA Negeri 8 Samarinda Tahun Ajaran 2014/2015. Jurnal Eksponensial, Vol. 7(2), 179-186. Johnson, R. A., dan D. W Winchern. 2002. Applied Multivariate Statistical Analysis. New Jersey: Prentice Hall. Prakoso, D. 1994. Asuransi Indonesia. Semarang: Dahara Prize. Prasetyo, E. 2014. Data Mining: Konsep dan Aplikasi Menggunakan Matlab. Yogjakarta: Andi Offset. Santosa, B. 2000. Data Mining: Teknik Pemanfaatan Data untuk Keperluan Bisnis. Yogjakarta: Graha Ilmu. Supranto, J. 2004. Analisis Multivariat Arti dan Interprestasi. Jakarta: PT. Rineka Cipta. Towa, H. dan Tairas, J. N. B. (2002). Pengantar Klasifikasi Persepuluhan Dewey. Jakarta: BPK Gunung Mulya. Triandaru, S. dan Budisantoso, T. (2008). Bank dan Lembaga Keuangan Lainnya. Jakarta: Salemba Empat. Widarjono, A. 2015. Analisis Multivariat Terapan dengan Program SPSS, AMOS, dan SMARTPLS Edisi Kedua. Yogjakarta: UPM STIM YKPN. Witten, dkk. 2011. Data Mining: Pratical Machine Learning Tools and Techniques, Third Edition. Burlington: Morgan Kaufmann Publishers.

Downloads

Published

2020-09-08

How to Cite

Ainurrochmah, A., Hayati, M. N., & Satriya, A. M. A. (2020). Perbandingan Klasifikasi Analisis Diskriminan Fisher dan Metode Naive Bayes. Jurnal Aplikasi Statistika & Komputasi Statistik, 11(2), 37–48. https://doi.org/10.34123/jurnalasks.v11i2.156

Issue

Vol. 11 No. 2 (2019): Journal of Statistical Application and Computational Statistics

Section

Komputasi Statistik