TUGAS PERTEMUAN 6

REVIEW JURNAL TERKAIT METODE KLASIFIKASI &

MENJELASKAN SERTA MEMBEDAKAN BEBERAPA ALGORITMA
PADA METODE KLASIFIKASI

Disusun dalam memenuhi tugas mata kuliah Data Mining kelas 7a2

Dosen pengampu:
Rizka Hafsari, S.T., M.Kom

FARHAN AKIRA
210402117

FAKULTAS ILMU KOMPUTER

UNIVERSITAS MUHAMMADIYAH RIAU
2023
 TUGAS 1

Review Jurnal Terkait Metode Klasifikasi Dalam

Data Mining (5 Tahun Terakhir)

NO. 1
JUDUL Penerapan Data Mining Menggunakan Metode Klasifikasi Naïve Bayes untuk
Memprediksi Partisipasi Pemilihan Gubernur
TAHUN 2019
AUTHOR Arif Senja Fitriani
KELEBIHAN • Abstrak yang disajikan dalam artikel cukup lengkap, mencakup latar
belakang penelitian, penggunaan metode penelitian serta hasil penelitian,
sehingga membuat pembaca dapat dengan mudah memahami tentang isi
artikel.
• Landasan teori yang disajikan dalam artikel sangat lengkap, sehingga
membuat pembaca lebih mudah memahami tentang isi artikel.
• Tujuan dan fokus penulisan artikel sangat jelas dicantumkan di bagian
awal artikel.
• Diagram yang disajikan dalam artikel tampak mudah untuk dipahami.
• Teori yang disajikan dalam artikel sangat lengkap, sehingga membuat
pembaca lebih mengerti dan paham mengenai apa yang dibahas.
• Hasil dari penelitian didalam artikel ini menghasilkan informasi yang
berguna bagi sekelompok orang.
KEKURANGAN • Bahasa yang disajikan dalam artikel kurang mudah dipahami bagi
pembaca, sehingga pembaca mengalami sedikit kesulitan dalam
memahami isi artikel.
LINK https://journal.ummat.ac.id/index.php/jtam/article/view/995
REKOMENDASI • Bahasa yang disajikan didalam artikel perlu diperbaiki lagi agar isi artikel
dapat lebih mudah dipahami.

NO. 2
JUDUL Gambaran Umum Metode Klasifikasi Data Mining
TAHUN 2020
AUTHOR Aryo De Wibowo Muhammad Sidik, Ilman Himawan Kusumah, Anang
Suryana, Edwinanto, Marina Artiyasa dan Anggy Pradiftha Junfithran
KELEBIHAN • Teori yang disajikan dalam artikel ini sangat lengkap dan berguna bagi
pembaca.
• Gambar atau visual rumus yang disajikan dalam artikel ini terlihat sangat
jelas, sehingga membuat pembaca mudah memahaminya.
• Tahun terbit jurnal dan artikel tergolong baru, sehingga isi yang ada dalam
artikel dinilai sangat relevan untuk dibaca.
KEKURANGAN • Abstrak yang disajikan dalam artikel ini menggunakan bahasa yang cukup
sulit untuk dimengerti, sehingga membuat pembaca mengalami kesulitan
dalam memahaminya.
• Tujuan dilakukannya penulisan kurang jelas dicantumkan dalam artikel ini.
LINK https://fidelity.nusaputra.ac.id/article/view/111/74
REKOMENDASI • Pada bagian abstrak, penulis perlu memperbaiki lagi dibagian ini, terutama
dalam hal bahasa, agar menggunakan bahasa yang mudah dipahami.
• Penulis perlu menyertakan tujuan dilakukannya penulisan artikel ini, guna
membuat pembaca agar lebih memahami tentang topik penelitian yang
dibahas.

NO. 3
JUDUL Komparasi Metode Klasifikasi Data Mining Untuk Prediksi Kelulusan
Mahasiswa
TAHUN 2019
AUTHOR Abdul Rohman dan Muhammad Rochcham
KELEBIHAN • Tujuan penelitian sangat jelas digambarkan dibagian awal artikel
• Penelitian yang dilakukan pada artikel tersebut terlihat sangat rinci, hal ini
dibuktikan dengan adanya dilakukan pengujian yang menggunakan cross
validation, confusion matrix dan kurva ROC.
• Kajian pustaka yang disajikan dalam artikel ini sangat lengkap, sehingga
membuat pembaca lebih memahami tentang topik yang dibahas.
• Tabel yang disajikan dalam artikel ini terlihat jelas dan mudah untuk
dipahami.
KEKURANGAN • Gambar atau visual yang disajikan pada artikel ini tepat nya pada bagian
hasil dan pembahasan artikel terlihat kurang jelas, sehingga membuat
pembaca kesulitan dalam memahami hasil dari penelitian.
LINK http://jurnal.unpand.ac.id/index.php/NT/article/download/1379/1418
REKOMENDASI • Gambar atau visual yang terdapat pada bagian hasil dan pembahasan
artikel perlu diperbaiki lagi, agar gambar tersebut dapat terlihat lebih jelas,
sehingga pembaca tidak mengalami kesulitan dalam memahami hasil dari
pembahasan.

NO. 4
JUDUL Perbandingan Metode Klasifikasi Data Mining untuk Nasabah Bank
Telemarketing
TAHUN 2020
AUTHOR Pungkas Subarkah, Enggar Pri Pambudi dan Septi Oktaviani Nur Hidayah
KELEBIHAN • Bahasa yang digunakan dalam artikel ini sangat mudah untuk dipahami
bagi pembaca
 • Tujuan dilakukannya penelitian jelas digambarkan di awal artikel,
sehingga membuat pembaca lebih tahu dan paham tentang topik yang
dibahas
• Penelitian menghasilkan informasi yang berguna bagi pembaca
• Gambar tabel dan alur yang disajikan dalam artikel terlihat jelas, sehingga
membuat pembaca mudah dalam memahaminya.
• Proses perhitungan sangat jelas dicantumkan serta digambarkan dalam
artikel, sehingga tidak menyulitkan pembaca dalam memahaminya.
KEKURANGAN • Teori yang ada dalam artikel terlihat singkat, sehingga kurang menjelaskan
bagi pembaca
LINK https://journal.universitasbumigora.ac.id/index.php/matrik/article/view/826/5
69
REKOMENDASI • Teori yang ada dalam artikel perlu ditambah dan dilengkapi lagi, guna
memperjelas bagi pembaca

NO. 5
JUDUL Visualisasi Data Pada Data Mining Menggunakan Metode Klasifikasi Naïve
Bayes
TAHUN 2021
AUTHOR Windi Irmayani
KELEBIHAN • Latar belakang dilakukannya penulisan artikel jelas digambarkan diawal
artikel, sehingga pembaca mudah memahami tentang topik yang akan
dibahas.
• Kata dan bahasa yang disajikan dalam artikel terlihat sederhana dan mudah
dipahami
• Penjelasam teori pada artikel terlihat sangat jelas dan detail, sehingga
pembaca dapat mengetahui tentang teori yang dibahas secara luas.
• Gambar yang disajikan dalam artikel dapat dilihat dengan jelas, sehingga
pembaca dapat memahaminya dengan mudah.
• Pada bagian hasil dan pembahasan artikel, bentuk susunan dan alur
langkah-langkah nya digambarkan dengan sederhana dan menggunakan
bahasa yang mudah dipahami, sehingga dapat memudahkan pembaca.
• Artikel yang dihasilkan dinilai sangat bermanfaat dan direkomendasikan
bagi pembaca, dikarenakan bentuk penyusunan nya yang sederhana dan
jelas.
KEKURANGAN • Langkah-langkah yang disajikan pada bagian hasil dan pembahasan dinilai
kurang mendetail, sehingga membuat pembaca kurang mengerti tentang
langkah-langkah yang dilakukan.
LINK https://ejournal.bsi.ac.id/ejurnal/index.php/khatulistiwa/article/download/959
3/4876
REKOMENDASI • Langkah-langkah yang terdapat dibagian hasil dan pembahasan artikel
sebaiknya perlu untuk diuraikan secara rinci lagi.
TUGAS 2
Menjelaskan 4 algoritma yang ada pada metode Klasifikasi,
serta menemukan perbedaannya (hasil, tahapan dll)

1. Algoritma Naïve Bayes (NB)

Algoritma naïve bayes merupakan sebuah metode dengan teknik prediksi

probabilitas dengan berdasarkan pada penerapan teorema bayes yang diambil dari
nama seorang ahli matematika yang juga menteri Prebysterian Inggris, Thomas
Bayes. Dimana antara suatu suhu dengan fitur lain dalam suatu data tidak saling
keterkaitan. Metode ini merupakan salah satu metode sederhana dalam klasifikasi
dengan persamaan:

Dimana:
y : data kelas yang belum diketahui
x : hipotesis data y
P(x|y) : probabilitas hipotesis x berdasarkan kondisi y
P(x) : probabilitas hipotesis x
P(y|x) : probabilitas y berdasarkan kondisi pada hipotesis x
P(y) : probabilitas dari y

Perbedaan dengan Algoritma lain:

▪ Segi hasil – dari segi hasil, Naïve Bayes menghasilkan nilai prediksi
probabilitas dari keanggotaan suatu kelas.
▪ Segi tahapan – dari segi tahapan, algoritma ini tergolong lebih
sederhana dan efisien serta cepat dibandingkan jenis lainnya.
▪ Segi kegunaan – dari segi kegunaan, algoritma jenis ini bertujuan dalam
memprediksi probabilitas keanggotaan suatu kelas.
2. Algoritma K-Nearest Neighbors (K-NN)
Ketetapan algoritma ini sangat dipengaruhi oleh adanya fitur yang tidak relevan.
Beberapa riset yang menggunakan algoritma ini sebagian besar membahas bagaimana
memilih dan memberi bobot pada fitur supaya performa algoritma menjadi lebih baik
dalam klasifikasi. Metode K-NN bekerja dengan mencari jarak terdekat antara data
yang nantinya dievaluasi dengan K tetangga (neighbor) terdekat dalam data pelatihan.
Sementara itu data training ditampilkan ke ruang yang berdimensi banyak, yang
masing-masing dimensi menjelaskan fitur dari data. Berikut tahap-tahap untuk
menghitung K-NN:

▪ Menghitung nilai K
▪ Menghitung jarak antara dengan persamaan:

Keterangan:
X : sampel data
Y : data uji
D : jarak
▪ Mengurutkan hasil jarak dan menetapkan tetangga terdekat berdasarkan
jarak minimum terhadap -K
▪ Gunakan mayoritas sederhana dari kelas tetangga terdekat sebagai nilai
prediksi data baru sementara untuk mencari nilai prediksi K-NN yang
dihitung dengan persamaan:

Dimana:
Y : Perkiraan
K : jumlah tetangga terdekat
Yi : output tetangga terdekat

Perbedaan dengan Algoritma lain:

▪ Segi hasil – dari segi hasil, algoritma jenis ini menghasilkan klasifikasi
pola dan model regresi yang berguna.
 ▪ Segi tahapan – KNN bekerja berdasarkan prinsip bahwa setiap titik data
yang berdekatan satu sama lain akan berada di kelas yang sama. Dengan
kata lain, KNN mengklasifikasikan titik data baru berdasarkan
kemiripan.
▪ Segi kegunaan – dari segi kegunaan, alogritma K-NN digunakan untuk
menyelesaikan masalah klasifikasi dan regresi

3. Algoritma Support Vector Machine (SVM)

Algoritma ini merupakan model machine learning multifungsi yang digunakan
untuk menyelesaikan permasalahan klasifikasi, regresi, dan pendeteksian outlier. Svm
merupakan metode yang paling populer dalam machine learning. Tujuan dari algoritma
jenis ini yaitu untuk menemukan hyperplane atau bidang terbaik dalam ruang
berdimensi-N (ruang dengan N-jumlah fitur) yang berfungsi sebagai pemisah yang jelas
bagi titik-titik data input.

Gambar di sebelah kiri menunjukkan beberapa kemungkinan bidang

(hyperplane) untuk memisahkan data lingkaran dan data kotak. Algoritma SVM
kemudian mencari hyperplane terbaik yang dapat memisahkan kedua kelas secara
optimal. Seperti tampak pada gambar di sebelah kanan, sebuah hyperplane optimal
berhasil dibuat dan mampu memisahkan kedua kelas sehingga memiliki margin yang
maksimal.
 Perbedaan dengan Algoritma lain:
▪ Segi hasil – dari segi hasil, algoritma jenis SVM ini menghasilkan
temuan bidang atau hyperplane terbaik dalam ruang berdimensi-N.
▪ Segi tahapan – dalam segi tahapan, Menurut Aurelien Geron dalam
buku Hands on Machine Learning, SVM bekerja dengan membuat
decision boundary atau sebuah bidang yang mampu memisahkan dua
buah kelas.
▪ Segi kegunaan – dari segi kegunaan nya, algoritma jenis ini digunakan
untuk masalah klasifikasi dan regresi.

4. Algoritma Neural Networks

Algoritma jenis ini merupakan sekumpulan algoritma machine learning yang
dirancang untuk mengenali pola data dengan meniru cara kerja sel saraf manusia
(neuron). Algoritma jenis ini terinspirasi dari otak manusia dan meniru cara kerja sel
saraf dalam mengirim pesan satu sama lain. Neuron manusia terdiri dari beberapa
bagian, begitu juga dengan neural network yang terdiri dari beberapa lapisan node
(neuron buatan) yaitu lapisan input, satu atau lebih lapisan tersembunyi dan lapisan
output. Hal ini membuat neural network dapat melakukan perhitungan yang jauh lebih
kompleks. Setiap node saling terhubung untuk menerima dan mengirimkan informasi.
Berikut penggambaran cara kerja algoritma jenis Neural Network:
 Perbedaan dengan Algoritma lain:
▪ Segi hasil – dari segi hasil, Neural Network menghasilkan perhitungan
yang jauh lebih kompleks yang dikarenakan oleh metodenya tersebut.
▪ Segi tahapan – dalam segi tahapan, Neural network belajar untuk
melakukan beberapa tugas dengan menganalisis data pelatihan atau
training, biasanya data pelatihan sudah dilabeli terlebih dahulu sesuai
jenisnya seperti gambar, suara, atau teks. Misalnya dalam mengenali
gambar, sistem pengenalan objek di neural network diberi ribuan
gambar seperti mobil, rumah, cangkir, dan lainnya. Lalu neural network
akan menemukan pola yang sama antara gambar-gambar tersebut dan
melabelinya berdasarkan kesamaan pola.
▪ Segi Kegunaan – dirancang untuk mengenali pola data dengan meniru
cara kerja sel saraf manusia (neuron), serta membantu
mengklasifikasikan dan mengelompokkan data yang disimpan dan
dikelola oleh pengguna.

Referensi:
o “Apa Itu Neural Network? Pengertian Dan Contoh 2023.” Revou,
revou.co/kosakata/neural-network. Accessed 12 Dec. 2023.
o W., Dadan Dahman. “Support Vector Machine (SVM).” Medium, Howdy Sysinfo,
12 July 2021, medium.com/sysinfo/support-vector-machine-svm-5d95a7d7a547.
Accessed 12 Dec. 2023.
o Lasulika, M. E. (2019). Komparasi naïve Bayes, support vector machine Dan K-
nearest neighbor Untuk Mengetahui akurasi Tertinggi Pada prediksi Kelancaran
Pembayaran TV kabel. ILKOM Jurnal Ilmiah, 11(1), 11–16.
https://doi.org/10.33096/ilkom.v11i1.408.11-16. Accessed 12 Dec. 2023.
o Suliztia, M. L., & Fauzan, A. (2019). Comparing naive Bayes, k-nearest
neighbor, and neural network classification methods of seat load factor in Lombok
outbound flights. Jurnal Matematika, Statistika Dan Komputasi, 16(2), 187.
https://doi.org/10.20956/jmsk.v16i2.7864. Accessed 12 Dec. 2023.
o adminlp2m. (2023, February 16). Algoritma K-Nearest Neighbors (KNN) -
Pengertian Dan Penerapan. Lembaga Penelitian dan Pengabdian Masyarakat.
https://lp2m.uma.ac.id/2023/02/16/algoritma-k-nearest-neighbors-knn-pengertian-
dan-penerapan/. Accessed 12 Dec. 2023.