Perbandingan Metode Klasifikasi Supervised Learning pada Data Bank Customers Menggunakan Python

Main Article Content

Fajar Sodik Pamungkas
Bayu Dwi Prasetya
Iqbal Kharisudin

Abstract

Makalah ini bertujuan untuk menganalisis dan membandingkan metode–metode pendekatan supervised learning dengan menggunakan studi kasus data churn modelling dari kaggle. Penelitian ini menggunakan program jupyter notebook berbahasa python. Langkah yang dilakukan adalah persiapan yaitu untuk menyiapkan modul yang digunakan untuk analisis supervised learning. kemudian pre-processing data yaitu melabeli data yang memiliki tipe data kategorik, setelah itu membagi data untuk data training dan tesing dengan perbandingan 9:1. Lalu dibuat model dan confussion matriknya untuk setiap metode. Metode yang digunakan adalah regresi logistik, K-nearest neighboor, naive bayes, super vector machine, dan random forest. Berdasarkan hasil perhitungan akurasi metode supervised learning diperoleh nilai: 0,82 untuk metode regresi logistik, 0,839 untuk metode K-nearest Neighboor, 0,8 untuk metode super vector machine, 0,836 untuk metode naive bayes, 0,791 untuk metode decision tree, 0,862 untuk metode random forest. Jadi dilihat dari akurasinya maka metode random forest adalah metode terbaik untuk menganalisis data bank-customer dengan nilai akurasi 0,862.

Article Details

How to Cite
Pamungkas, F., Prasetya, B., & Kharisudin, I. (2020). Perbandingan Metode Klasifikasi Supervised Learning pada Data Bank Customers Menggunakan Python. PRISMA, Prosiding Seminar Nasional Matematika, 3, 692-697. Retrieved from https://journal.unnes.ac.id/sju/prisma/article/view/37875
Section
Articles

References

Breiman L. (2001). Random Forests. Machine Learning 45:5-32.
Breiman, L., & Cutler, A. (2003). Random forests manual v4. In Technical report. UC Berkel.
Fractal. (2003) Comparative Analysis of Classification Techniques, A Fractal White Paper.
McKinney Wes. (2012). Python for data analysis, O'Relly
Suyanto. (2018). Machine learning tingkat dasar dan lanjut, bandung, informatika
Hair, J. F., Black, W. C., Babin, B. J., Anderson, R. E., & Tatham, R. L. (1998). Multivariate data analysis (Vol. 5, No. 3, pp. 207-219). Upper Saddle River, NJ: Prentice hall.