Komparasi algoritma Multilayer Perceptron dan Naïve Bayes untuk memprediksi minat studi calon mahasiswa

Elfathin, Haruna (2024) Komparasi algoritma Multilayer Perceptron dan Naïve Bayes untuk memprediksi minat studi calon mahasiswa. Sarjana thesis, UIN Sunan Gunung Djati Bandung.

Preview	Text (COVER) 1_cover.pdf Download (63kB) | Preview
Preview	Text (ABSTRAK) 2_abstrak.pdf Download (245kB) | Preview
Preview	Text (DAFTAR ISI) 3_daftarisi.pdf Download (155kB) | Preview
Preview	Text (BAB I) 4_bab1.pdf Download (235kB) | Preview
	Text (BAB II) 5_bab2.pdf Restricted to Registered users only Download (376kB) | Request a copy
	Text (BAB III) 6_bab3.pdf Restricted to Registered users only Download (739kB) | Request a copy
	Text (BAB IV) 7_bab4.pdf Restricted to Registered users only Download (708kB) | Request a copy
	Text (BAB V) 8_bab5.pdf Restricted to Registered users only Download (163kB) | Request a copy
	Text (DAFTAR PUSTAKA) 9_daftarpustaka.pdf Restricted to Registered users only Download (180kB) | Request a copy
	Text (LAMPIRAN) 10_lampiran.pdf Restricted to Repository staff only Download (114kB) | Request a copy

Abstract

Perbandingan kinerja algoritma merupakan proses evaluasi untuk menentukan efektivitas berbagai algoritma dalam menjalankan tugas klasifikasi berdasarkan fitur atau atribut data. Penelitian ini bertujuan mengidentifikasi algoritma yang paling tepat dalam memprediksi minat studi calon mahasiswa dengan membandingkan dua algoritma machine learning Multilayer Perceptron (MLP) dan Naïve Bayes. Penelitian ini menggunakan data dari calon mahasiswa yang meliputi preferensi pribadi. Proses analisis dilakukan dengan membagi data menjadi data latih dan data uji dalam beberapa variasi rasio, yaitu 50:50, 60:40, 70:30, 80:20, dan 90:10, untuk melihat pengaruhnya terhadap kinerja masing-masing algoritma. Multilayer Perceptron sebagai jaringan saraf tiruan, memiliki kemampuan untuk memodelkan hubungan non-linear yang kompleks dalam data. Sebaliknya, Naïve Bayes menggunakan pendekatan probabilistik dengan asumsi independensi antar fitur. Kinerja kedua algoritma dievaluasi menggunakan confusion matrix untuk setiap variasi rasio data latih dan uji. MLP mendapat akurasi terbaik 93,8% pada variasi data 90:10, ini menunjukkan bahwa MLP cenderung bekerja lebih baik dengan lebih banyak data karena sifatnya yang lebih kompleks dan membutuhkan lebih banyak data untuk menangkap pola yang mendalam. Sedangkan algoritma Naïve Bayes mencapai akurasi 96,2% pada variasi data 50:50, menandakan keunggulannya dalam memproses data dengan distribusi yang lebih seimbang. Dari segi kecepatan eksekusi, Naïve Bayes secara signifikan lebih cepat dibandingkan dengan MLP, Naïve Bayes mampu memproses data dalam waktu yang jauh lebih singkat karena sifatnya yang sederhana dan tidak memerlukan banyak komputasi.

Actions (login required)

View Item