OPTIMALISASI PREPROCESSING DALAM MENINGKATKAN NILAI AKURASI, PRECISION, RECALL, DAN F-MEASURE PADA ALGORITMA K-NEAREST NEIGHBOR DAN NAÏVE BAYES

 By : Robby Sulistyawan B, Tri Ginanjar Laksana, Rima Dias Ramadhani 

Permasalahan pada penelitian ini berdasarkan keberlanjutan dari penelitian sebelumnya oleh Putri Rizqiyah yang dari saran penelitiannya dikatakan bahwa memiliki kelemahan, yaitu belum optimalnya tahapan preprocessing pada dataset #CitraDPR dan belum diketahuinya hasil akurasi, precision, recall, dan f-measure antara K-Nearest Neighbor dan Naïve Bayes setelah dataset dioptimalkan di tahap preprocessing. Dengan adanya permasalahan tersebut sehingga dibuat penelitian ini yang bertujuan untuk optimalisasi tahap preprocessing pada dataset #CitraDPR dan untuk mengetahui hasil akurasi, precision, recall, dan f-measure antara K-Nearest Neighbor dan Naïve Bayes setelah dataset dioptimalkan di tahap preprocessing. Dari hasil penelitian ini setelah dataset dioptimalkan di tahap preprocessing mendapatkan hasil hasil akurasi sebesar 89,30% pada k=7 untuk K-Nearest Neighbor dan sebesar 87,5% pada k=2 untuk Naïve Bayes. Untuk precision yang didapatkan sebesar 84% dan 97% pada k=7 untuk K-Nearest Neighbor, 89% pada k=9 dan 93% pada k=7 untuk Naïve Bayes, selanjutnya recall yang didapatkan sebesar 97% dan 81% pada k=7 untuk K-Nearest Neighbor, 94% pada k=7 dan 90% pada k=1 untuk Naïve Bayes. Sedangkan f-measure yang didapatkan sebesar 90% dan 88% pada k=7 untuk K-Nearest Neighbor, serta 89% pada k=9 dan 87% pada k=2 untuk Naïve Bayes.

Kata Kunci: Akurasi, F-Measure, K-Nearest Neighbor, Optimalisasi, Naïve Bayes, Precision, Preprocessing, Recall

Kesimpulan

Pada penelitian ini dapat disimpulkan beberapa hal diantaranya adalah sebagai berikut:

1.        Pengoptimalan yang telah dilakukan pada tahap preprocessing dalam penelitian ini berpengaruh terhadap hasil akurasi, precision, recall, dan f-measure dimana pembuktian tersebut berdasarkan perbandingan hasil antara dataset sebelum dioptimalkan dengan dataset setelah dioptimalkan.

2.        Hasil yang diprediksi oleh K-NN dan Naïve Bayes telah mencapai lebih dari 80%, hal tersebut terbukti berdasarkan akurasi yang didapatkan pada penelitian ini diketahui mendapatkan akurasi sebesar 89,30% pada k=7 untuk K-NN dan sebesar 87,5% pada k=2 untuk Naïve Bayes. Untuk precision yang didapatkan sebesar 84% dan 97% pada k=7 untuk K-NN, 89% pada k=9 dan 93% pada k=7 untuk Naïve Bayes, selanjutnya recall yang didapatkan sebesar 97% dan 81% pada k=7 untuk K-NN, 94% pada k=7 dan 90% pada k=2 untuk Naïve Bayes. Sedangkan f-measure yang didapatkan sebesar 90% dan 88% pada k=7 untuk K-NN, sedangkan 89% pada k=9 dan 87% pada k=2 untuk Naïve Bayes.

Saran

Berdasarkan hasil penelitian ini terdapat beberapa saran yang diberikan untuk penelitian selanjutnya adalah sebagai berikut:

1.      Diharapkan bisa melakukan penelitian selanjutnya menggunakan bahasa pemrograman JAVA dan bandingkan dengan penelitian ini yang menggunakan bahasa pemrograman Python untuk mengetahui apakah hasilnya berbeda atau sama.

2.      Melakukan penelitian klasifikasi dengan menggunakan algoritma klasifikasi yang lainnya seperti Neural Network atau Support Vector Machine.