Alifta Ainurrochmah, The Compari Perbandingan Klasifikasi Analisis Diskriminan Fisher dan Metode Naive Bayes The Comparison Classification Of Discriminant Analysis And Naive Bayes Method

##plugins.themes.bootstrap3.article.main##

Alifta Ainurrochmah Memi Nor Hayati Andi M. Ade Satriya

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.

##plugins.themes.bootstrap3.article.details##

How to Cite
AINURROCHMAH, Alifta; HAYATI, Memi Nor; SATRIYA, Andi M. Ade. Alifta Ainurrochmah, The Compari Perbandingan Klasifikasi Analisis Diskriminan Fisher dan Metode Naive Bayes. Jurnal Aplikasi Statistika & Komputasi Statistik, [S.l.], v. 11, n. 2, p. 37-48, sep. 2020. ISSN 2615-1367. Available at: <https://jurnal.stis.ac.id/index.php/jurnalasks/article/view/156>. Date accessed: 29 sep. 2020. doi: https://doi.org/10.34123/jurnalasks.v11i2.156.
Section
Komputasi Statistik

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.