Komparasi Naïve Bayes dan Support Vector Machine dalam Klasifikasi Jenis Citrus
DOI:
https://doi.org/10.33633/tc.v22i2.7777Keywords:
Citrus, Classification, Support Vector Machine, Naïve BayesAbstract
Citrus merupakan pohon berbunga dan tergolong dalam kelompok Rutaceae. Pohon Citrus menghasilkan buah jeruk dengan berbagai jenis buah-buahan. Karena kesamaan spesies sehingga antar jenisnya memiliki kemiripan satu sama lain, dan tidak semua dapat melakukan identifikasi secara jelas setiap jenis buahnya. Cara yang dapat dilakukan untuk melakukan identifikasi dan pengelompokan adalah menggelompokan data sesuai dengan kelas label aslinya menggunakan bantuan data mining. Pendekatan data mining yang dapat diterapkan salah satunya dengan teknik klasifikasi, dengan melakukan pengelompokan berdasarkan kriteria atau kategori tertentu. Pada hal ini, klasifikasi didasarkan pada diameter, dan citra warna Red, Green, Blue atau RGB untuk mendapatkan pengelompokan sesuai dengan kelasnya. Algoritma yang digunakan ada 2 yakni, Support Vector Machine (SVM) dan Naïve Bayes, keduanya akan dilakukan perbandingan dalam melakukan klasifikasi pengelompokan jenis buah citrus. Teknik komparasi dilakukan dengan mengamati hasil akurasi dari setiap algoritma klasifikasi, penelitian ini menyimpulkan bahwa akurasi algoritma Support Vector Machine (SVM) mencapai prosentase sebesar 96,36 % dan algoritma Naïve Bayes memiliki akurasi sebesar 92 %. Algoritma paling optimal dalam penelitian klasifikasi citrus ini adalah algortima Support Vector Machine (SVM).References
V. Kale, Enterprise Performance Intelligence and Decision Patterns. CRC Press, 2018.
P. H. S. Musthofa Galih Pradana, Azriel Christian Nurcahyo, “PENGARUH SENTIMEN DI SOSIAL MEDIA DENGAN HARGA SAHAM PERUSAHAAN,” J. Ilm. Edutic, vol. 6, no. 2, 2020.
P. H. S. Musthofa Galih Pradana, Dhina Puspasari Wijaya, “KOMPARASI METODE SUPPORTVECTORMACHINE DANNAÏVE BAYES DALAMKLASIFIKASI PELUANG PENYAKIT SERANGAN JANTUNG,” Indones. J. Bus. Intell., vol. 5, no. 2, pp. 87–91, 2022.
H. Tuhuteru and A. Iriani, “Analisis Sentimen Perusahaan Listrik Negara Cabang Ambon Menggunakan Metode Support Vector Machine dan Naive Bayes Classifier,” J. Inform. J. Pengemb. IT, vol. 3, no. 3, pp. 394–401, 2018, doi: 10.30591/jpit.v3i3.977.
I. Riadi, R. Umar, and F. D. Aini, “Analisis Perbandingan Detection Traffic Anomaly Dengan Metode Naive Bayes Dan Support Vector Machine (Svm),” Ilk. J. Ilm., vol. 11, no. 1, pp. 17–24, 2019, doi: 10.33096/ilkom.v11i1.361.17-24.
J. Gu and S. Lu, “An effective intrusion detection approach using SVM with naïve Bayes feature embedding,” Comput. Secure., vol. 103, p. 102158, 2021, doi: 10.1016/j.cose.2020.102158.
A. Supriyatna and W. P. Mustika, “Komparasi Algoritma Naive bayes dan SVM Untuk Memprediksi Keberhasilan Imunoterapi Pada Penyakit Kutil,” J-SAKTI (Jurnal Sains Komput. dan Inform., vol. 2, no. 2, p. 152, 2018, doi: 10.30645/j-sakti.v2i2.78.
O. Arifin and T. B. Sasongko, “Analisa perbandingan tingkat performansi metode support vector machine dan naïve bayes classifier,” in Seminar Nasional Teknologi Informasi dan Multimedia 2018, 2018, vol. 6, no. 1, pp. 67–72.
H. T. Sueno, “Multi-class Document Classification using Support Vector Machine (SVM) Based on Improved Naïve Bayes Vectorization Technique,” Int. J. Adv. Trends Comput. Sci. Eng., vol. 9, no. 3, pp. 3937–3944, 2020, doi: 10.30534/ijatcse/2020/216932020.
Y. Narayan, “Comparative analysis of SVM and Naive Bayes classifier for the SEMG signal classification,” Mater. Today Proc., vol. 37, no. Part 2, pp. 3241–3245, 2020, doi: 10.1016/j.matpr.2020.09.093.
F. Fitriana, E. Utami, and H. Al Fatta, “Analisis Sentimen Opini Terhadap Vaksin Covid - 19 pada Media Sosial Twitter Menggunakan Support Vector Machine dan Naive Bayes,” J. Komtika (Komputasi dan Inform., vol. 5, no. 1, pp. 19–25, 2021, doi: 10.31603/komtika.v5i1.5185.
D. A. Kristiyanti, A. H. Umam, M. Wahyudi, R. Amin, and L. Marlinda, “Comparison of SVM Naïve Bayes Algorithm for Sentiment Analysis Toward West Java Governor Candidate Period 2018-2023 Based on Public Opinion on Twitter,” 2018 6th Int. Conf. Cyber IT Serv. Manag. CITSM 2018, no. Citsm 2018, pp. 1–6, 2019, doi: 10.1109/CITSM.2018.8674352.
K. Kaharudin, Musthofa Galih Pradana, “PREDIKSI CUSTOMER CHURN PERUSAHAAN TELEKOMUNIKASI MENGGUNAKAN NAÏVE BAYES DAN K-NEAREST NEIGHBOR,” Inf. Interaktif, vol. 4, no. 3, 2019.
M. G. Pradana and P. H. Saputro, “Komparasi Metode Naïve Bayes Dan C4.5 Dalam Klasifikasi Loyalitas Pelanggan Terhadap Layanan Perusahaan,” Indones. J. Bus. Intell., vol. 3, no. 1, p. 20, 2020, doi: 10.21927/ijubi.v3i1.1205.
S. Dey, S. Wasif, D. S. Tonmoy, S. Sultana, J. Sarkar, and M. Dey, “A Comparative Study of Support Vector Machine and Naive Bayes Classifier for Sentiment Analysis on Amazon Product Reviews,” 2020 Int. Conf. Contemp. Comput. Appl. IC3A 2020, pp. 217–220, 2020, doi: 10.1109/IC3A48958.2020.233300.
Downloads
Published
Issue
Section
License
Pernyataan Lisensi
Artikel yang diterbitkan dalam jurnal Techno.Com dilisensikan di bawah Lisensi Creative Commons Atribusi-NonKomersial 4.0 Internasional (CC BY-NC 4.0).
Anda diperbolehkan untuk menyalin, mendistribusikan, menampilkan, dan melakukan karya dari artikel ini serta membuat karya turunan selama Anda memberikan kredit yang sesuai kepada penulis asli dan tidak menggunakan karya ini untuk tujuan komersial. Untuk melihat salinan lisensi ini, kunjungi [Creative Commons Attribution-NonCommercial 4.0 International](https://creativecommons.org/licenses/by-nc/4.0/).
---
Contoh pengkreditan:
- Penulis: [Nama Penulis]
- Judul Artikel: [Judul Artikel]
- Jurnal: Techno.Com, Vol. [Nomor Volume], No. [Nomor Edisi], Tahun [Tahun Penerbitan]
Jika Anda ingin menggunakan karya ini untuk tujuan komersial, Anda harus mendapatkan izin terlebih dahulu dari penulis atau penerbit.
---
