Perbandingan Peramalan Penerimaan Calon Mahasiswa Baru menggunakan Naïve Bayes dan Support Vector Machine
DOI:
https://doi.org/10.54367/kakifikom.v6i2.4335Keywords:
Support Vector Machine, Naïve Bayes, Data Mining, Peramalan, PerbandinganAbstract
Penelitian ini dilakukan untuk melihat perbandingan peramalan penerimaan calon mahasiswa baru menggunakan Naïve Bayes dan Support Vector Machine. Analisis menunjukkan bahwa model Naïve Bayes menghasilkan akurasi moderat sebesar 50% pada data uji dan memprediksikan jumlah pendaftar tetap berada pada kategori Tinggi dengan estimasi rata-rata sekitar 1542,5. Akurasi yang dihasilkan tergolong cukup rendah, tetapi Naïve Bayes dapat bekerja dengan baik pada prediksi berbasis kategori. Sebaliknya, model SVM yang diterapkan dalam bentuk Support Vector Regression (SVR) juga menunjukkan akurasi 50%, namun memberikan prediksi numerik yang lebih rinci, dengan estimasi jumlah pendaftar tetap sebesar 1883. SVM menunjukkan potensi yang lebih besar dalam menangani data dengan pola tren yang meningkat. Perbandingan antara kedua metode ini menunjukkan bahwa Naïve Bayes lebih cocok untuk prediksi kategori, sedangkan SVM lebih tepat untuk prediksi numerik yang lebih akurat.References
A. Nikolay, G. Anindya, and G. I. Panagiotis, “Deriving the pricing power of product features by mining consumer reviews,” Manage. Sci., vol. 57, no. 8, pp. 1485–1509, 2011, doi: 10.1287/mnsc.1110.1370.
M. L. Ashari and M. Sadikin, “Prediksi Data Transaksi Penjualan Time Series Menggunakan Regresi Lstm,” J. Nas. Pendidik. Tek. Inform., vol. 9, no. 1, p. 1, 2020, doi: 10.23887/janapati.v9i1.19140.
A. Benlahbib and E. H. Nfaoui, “An Unsupervised Approach for Reputation Generation,” in Procedia Computer Science, 2019, vol. 148, pp. 80–86. doi: 10.1016/j.procs.2019.01.011.
W. M. Wang, Z. G. Tian, Z. Li, J. W. Wang, A. Vatankhah Barenji, and M. N. Cheng, “Supporting the construction of affective product taxonomies from online customer reviews: an affective-semantic approach,” J. Eng. Des., vol. 30, no. 10–12, pp. 445–476, 2019, doi: 10.1080/09544828.2019.1642460.
G. A. Ruz, P. A. Henríquez, and A. Mascareño, “Sentiment analysis of Twitter data during critical events through Bayesian networks classifiers,” Futur. Gener. Comput. Syst., vol. 106, pp. 92–104, 2020, doi: 10.1016/j.future.2020.01.005.
R. Alfrjani, T. Osman, and G. Cosma, “A Hybrid Semantic Knowledgebase-Machine Learning Approach for Opinion Mining,” Data Knowl. Eng., vol. 121, pp. 88–108, 2019, doi: 10.1016/j.datak.2019.05.002.
G. W. N. Wibowo and M. A. Manan, “Penerapan Algoritma Naive Bayes Untuk Prediksi Heregistrasi Calon Mahasiswa Baru,” JTINFO J. Tek. …, vol. 1, no. 1, pp. 1–10, 2022, [Online]. Available: https://journal.unisnu.ac.id/JTINFO/article/view/126
B. D. Prasetya, F. S. Pamungkas, and I. Kharisudin, “Pemodelan dan Peramalan Data Saham dengan Analisis Time Series menggunakan Python,” Prism. Pros. Semin. Nas. Mat., vol. 3, pp. 714–718, 2020, [Online]. Available: https://journal.unnes.ac.id/sju/index._php/prisma/article/view/38116
H. Himawan and P. D. P. Silitonga, “Comparison of forecasting accuracy rate of exponential smoothing method on admission of new students,” J. Crit. Rev., vol. 7, no. 2, pp. 268–274, 2020, doi: 10.31838/jcr.07.02.50.
S. J. Taylor and B. Letham, “Business Time Series Forecasting at Scale,” PeerJ Prepr. 5e3190v2, vol. 35, no. 8, pp. 48–90, 2017.
M. S. R. Maulana, “IMPLEMENTASI LITERASI DIGITAL DI SEKOLAH, SEBUAH KENISCAYAAN,” Ekp, 2017. https://disdikkbb.org/news/implementasi-literasi-digital-di-sekolah-sebuah-keniscayaan/ (accessed Aug. 11, 2021).
M. Al-Smadi, O. Qawasmeh, M. Al-Ayyoub, Y. Jararweh, and B. Gupta, “Deep Recurrent neural network vs. support vector machine for aspect-based sentiment analysis of Arabic hotels’ reviews,” J. Comput. Sci., vol. 27, pp. 386–393, 2018, doi: 10.1016/j.jocs.2017.11.006.
J. W. G. Putra, “Pengenalan Konsep Pembelajaran Mesin dan Deep Learning,” Comput. Linguist. Nat. Lang. Process. Lab., vol. 4, pp. 1–235, 2019, [Online]. Available: https://www.researchgate.net/publication/323700644
K. K. Aggarwal, Y. Singh, P. Chandra, and M. Puri, “Bayesian Regularization in a Neural Network Model to Estimate Lines of Code Using Function Points,” J. Comput. Sci., vol. 1, no. 4, pp. 505–509, 2005, doi: 10.3844/jcssp.2005.505.509.
A. Yadav, C. K. Jha, A. Sharan, and V. Vaish, “Sentiment analysis of financial news using unsupervised approach,” Procedia Comput. Sci., vol. 167, no. 2019, pp. 589–598, 2020, doi: 10.1016/j.procs.2020.03.325.
J. Jabbar, I. Urooj, W. Junsheng, and N. Azeem, “Real-time sentiment analysis on E-Commerce application,” in Proceedings of the 2019 IEEE 16th International Conference on Networking, Sensing and Control, ICNSC 2019, 2019, pp. 391–396. doi: 10.1109/ICNSC.2019.8743331.
N. Gali, R. Mariescu-Istodor, D. Hostettler, and P. Fränti, “Framework for syntactic string similarity measures,” Expert Syst. Appl., vol. 129, pp. 169–185, 2019, doi: 10.1016/j.eswa.2019.03.048.
F. Nurhuda, S. Widya Sihwi, and A. Doewes, “Analisis Sentimen Masyarakat terhadap Calon Presiden Indonesia 2014 berdasarkan Opini dari Twitter Menggunakan Metode Naive Bayes Classifier,” J. Teknol. Inf. ITSmart, vol. 2, no. 2, p. 35, 2016, doi: 10.20961/its.v2i2.630.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2024 KAKIFIKOM (Kumpulan Artikel Karya Ilmiah Fakultas Ilmu Komputer)
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
1.png)
