Analisis Optimasi Algoritma Klasifikasi Naive Bayes menggunakan Genetic Algorithm dan Bagging

The increasing demand for credit applications to banks has motivated the banking world to switch to more sophisticated techniques for analyzing the level of credit risk. One technique for analyzing the level of credit risk is the data mining approach. Data mining provides a technique for finding meaningful information from large amounts of data by way of classification. However, bank marketing data is a type of imbalance data so that if the classification is done the results are less than optimal. The classification algorithm that can be used for imbalance data types can use naïve Bayes. Naïve Bayes performs well in terms of classification. However, optimization is needed in order to obtain more optimal classification results. Optimization techniques in handling imbalance data have been developed with several approaches. Bagging and Genetic Algorithms can be used to overcome imbalance data. This study aims to compare the accuracy level of the naïve Bayes algorithm after optimization using the bagging and genetic algorithm. The results showed that the combination of bagging and a genetic algorithm could improve the performance of Naive Bayes by 4.57%.
Peningkatan permintaan pengajuan kredit pada perbankan telah memotifasi dunia perbankan untuk beralih pada teknik yang lebih canggih untuk menganalisa tingkat resiko kredit. Salah satu teknik untuk menganalisa tingkat resiko kredit adalah dengan pendekatan data mining. Data mining menyediakan teknik untuk menemukan informasi yang bermakna dari sejumlah data besar dengan cara klasifikasi. Data bank marketing termasuk jenis data imbalance sehingga apabila dilakukan klasifikasi hasilnya kurang optimal. Algoritma klasifikasi yang dapat digunakan untuk jenis data imbalance dapat menggunakan naïve bayes. Naïve bayes memiliki kinerja baik dalam hal klasifikasi, namun demikian diperlukan optimasi agar mendapatkan hasil klasifikasi yang lebih optimal. Teknik optimasi dalam menangani data imbalance telah banyak dikembangkan dengan beberapa pendekatan. Bagging dan Genetic Algorithm dapat digunakan dalam mengatasi data imbalance. Penelitian ini bertujuan untuk membandingkan tingkat akurasi algoritma naïve bayes setelah dilakukan optimasi dengan menggunakan bagging dan genetic algorithm. Hasil penelitan menunjukkan bahwa kombinasi bagging dengan genetic algorithm dapat meningkatkan performa naive bayes sebesar 4,57%.&nbsp