Pendekatan Metode Feature Extraction Dengan Algoritma Naïve Bayes

Pendekatan Metode Feature Extraction Dengan Algoritma Naïve Bayes

• By Annisa, Riski;
• Seminar Nasional
• 83
• 21-26

Feature adalah alat ukur proses yang sedang diamati. Menggunakan seperangkat feature, setiap algoritma pembelajaran dapat melakukan proses klasifikasi. Penelitian ini akan melakukan pendekatan metode feature extraction. Dengan metode principal componen analysis (PCA), independent component analysis (ICA), dan self organizing map (SOM) dengan algoritma klasifikasi Naïve Bayes. Pendekatan feature extraction yang diusulkan bertujuan untuk mengatasi masalah yang timbul dari klasifikasi Naïve Bayes dengan mengukur kinerja pengurangan dimensi algoritma klasifikasi Naïve Bayes menggunakan dataset heart disease for male. Untuk validasi menggunakan 10-fold cross validation. Hasil pengukuran algoritma dengan membandingkan accuracy dan tingkat error dari ketiga metode yang digabung dengan algoritma Naïve Bayes. Metode feature extraction dan Naïve Bayes tersebut dimanfaatkan sebagai pendekatan klasifikasi dan perbandingan yang dibuat diukur dengan membandingkan accuracy dari ketiganya. Hasil penelitian didapatkan dari Confusion Matrix untuk mendapatkan nilai accuracy, sensitivity/recall, specitifity, FP rate, precision, F measure, dan G-mean. Hasilnya didapatlah nilai accuracy dan tingkat error yang menunjukkan metode feature extraction ICA lebih baik kinerja pengurangan dimensinya diimplementasikan menggunakan Naïve Bayes dibandingkan PCA dan SOM yaitu sebesar 69.84%. 

• Katakunci Feature Extraction, Naïve Bayes, PCA, ICA, SOM
• URL http://seminar.bsi.ac.id/knist/index.php/knist-2017/article/view/8
• Penerbit ,

REFERENSI

Bonev, B., Escolano, F., & Cazorla, M. rate (2008). Feature selection, mutual information, and the classification of high-dimensional patterns: Applications to image classification and microarray data analysis. Pattern Analysis and Applications, 11(3–4), 309–319.https://doi.org/10.1007/s10044-0080107-0

Brown, M. S. (2014). (For Dummies) Meta S. Brown-Data Mining For Dummies-Wiley Publishing Inc. (2014).pdf. Retrieved from www.wiley.com Cai, L., Tian, X., & Chen, S. (2014). A process monitoring method based on noisy independent component analysis.

Neurocomputing, 127, 231–246. https://doi.org/10.1016/j.neucom.2013.0029 Chandrashekar, G., & Sahin, F. (2014). A survey on feature selection methods. Computers and Electrical Engineering, (1), 16–28.https://doi.org/10.1016/j.compeleceng.2013.11.024

De la Hoz, E., De La Hoz, E., Ortiz, A., Ortega, J., & Prieto, B. (2015).PCA filtering and probabilistic SOM for network intrusion detection.Neurocomputing, 164, 71–81.https://doi.org/10.1016/j.neucom.2014.09.083

Fan, L., Poh, K. L., & Zhou, P. (2009). A sequential feature extraction approach for na??ve bayes classification of microarray data. Expert Systems with Applications, 36(6), 9919–9923. https://doi.org/10.1016/j.eswa.2009.01.0

Jing, C., & Hou, J. (2015). SVM and PCA based fault classification approaches for complicated industrial process. Neurocomputing, 167, 636–642. https://doi.org/10.1016/j.neucom.2015.0082

Li, L., Wu, Y., & Ye, M. (2015). Experimental comparisons of multi-class classifiers.Informatica (Slovenia), 39(1), 71–85.

Park, M. S., & Choi, J. Y. (2009). Theoretical analysis on feature extraction capability of class-augmented PCA. Pattern Recognition, 42(11), 2353–2362.https://doi.org/10.1016/j.patcog.2009.04.011

Wang, S., & Wei, J. (2016). Feature selection based on measurement of ability to classify subproblems. Neurocomputing,(March), 0–1. https://doi.org/10.1016/j.neucom.2016.10.062