skip to main content

PERBANDINGAN KINERJA ALGORITME NAÏVE BAYES DAN K-NEAREST NEIGHBOR (KNN) UNTUK PREDIKSI HARGA RUMAH

*Vania Ariyani Prilia Putri orcid  -  Program Studi Teknik Komputer, Fakultas Teknik, Universitas Diponegoro, Indonesia
Agung Budi Prasetijo  -  Program Studi Teknik Komputer, Fakultas Teknik, Universitas Diponegoro, Indonesia
Dania Eridani  -  Program Studi Teknik Komputer, Fakultas Teknik, Universitas Diponegoro, Indonesia
Dikirim: 23 Jun 2022; Diterbitkan: 27 Des 2022.
Akses Terbuka Copyright (c) 2022 Transmisi: Jurnal Ilmiah Teknik Elektro under http://creativecommons.org/licenses/by-sa/4.0.

Citation Format:
Sari

Rumah adalah bangunan yang berfungsi sebagai tempat tinggal/hunian dan sarana pembinaan keluarga, sehingga rumah merupakan salah satu kebutuhan dasar manusia. Seiring dengan berjalannya waktu, terjadi banyak perubahan yang berpengaruh terhadap kebutuhan akan rumah. Nilai–nilai dari setiap rumah pun beragam, seperti luas tanah, lokasi rumah, jumlah kamar, jumlah kamar mandi, luas ruang tamu, fasilitas yang ada di linkungan rumah, dan lain sebagainya. Dikarenakan adanya beragam nilai dari setiap rumah, hal tersebutlah yang membuat harga - harga rumah  semakin bervariasi. Dengan machine learning, pembeli dapat memprediksi harga rumah dengan data rumah yang diberikan. Dalam pembuatan machine learning tersebut, dibutuhkan pembangunan model, dan selama proses pelatihan, diperlukan adanya suatu algoritma untuk membangun model yang disebut sebagai algoritma pelatihan (learning algorithm). Berdasarkan cara pelatihan, algoritma klasifikasi dibagi menjadi dua macam yaitu eager learner dan lazy learner. Namun, Dalam hal ini, peneliti termotivasi untuk melakukan analisis untuk membandingkan kinerja dari eager learning dan lazy learning dalam memprediksi harga rumah dikarenakan  studi yang telah mengevaluasi dan membahas secara komprehensif kedua jenis pembelajaran tersebut masih sedikit.. Dalam penelitian ini, prediksi harga rumah dengan machine learning menggunakan algoritma Naïve Bayes sebagai perwakilan metode pembelajaran eager learning dan K-Nearest Neighbor mewakili metode pembelajaran lazy learning. Berdasarkan hasil penelitian yang dilakukan, model pembelajaran lazy learning memiliki kinerja yang lebih unggul dalam nilai accuracy score serta kecepatan waktu dalam proses training data dibandingkan model pembelajaran eager learning. Serta berdasarkan penelitian ini, kedua algoritma yang digunakan pada penelitian ini dapat dikatakan bahwa algoritma yang digunakan kurang bisa memprediksi harga rumah dengan baik, dikarenakan nilai mean absolute error percentage (MAPE) termasuk kategori “cukup”, bukan “sangat baik”.

Fulltext View|Download
Kata Kunci: Machine Learning, K-Nearest Neighbor, Naive Bayes, House Price, Eager Learning, Lazy Learning

Article Metrics:

  1. . Phan, T. D. (2019). Housing price prediction using machine learning algorithms: The case of Melbourne city, Australia. Proceedings - International Conference on Machine Learning and Data Engineering, ICMLDE 2018, 8–13
  2. . Praningki, T., & Budi, I. (2018). Sistem Prediksi Penyakit Kanker Serviks Menggunakan CART, Naïve Bayes, dan k-NN. Creative Information Technology Journal, 4(2), 83
  3. . Wahyono, T. (2018). Fundamental of Python for Machine Learning: Dasar-Dasar Pemrograman Python untuk Machine Learning dan Kecerdasan Buatan. Gava Media, September 2018, 49
  4. . Varma, A., Sarma, A., Doshi, S., & Nair, R. (2018). House Price Prediction Using Machine Learning and Neural Networks. Proceedings of the International Conference on Inventive Communication and Computational Technologies, ICICCT 2018, 1936–1939
  5. . Ardyanti, Hesti; Goejantoro, Rito; Amijaya, F. D. T. (2019). View of Perbandingan Metode Klasifikasi Naïve Bayes Dan Jaringan Saraf Tiruan.pdf. Universitas Mulawarman. https://j-ptiik.ub.ac.id/index.php/j-ptiik/article/view/5871/2799
  6. . Saputro, D. D., & Yulita, I. N. (2012). ANALISIS DAN IMPLEMENTASI ALGORITMA HYBRID ( EAGER LEARNING DAN LAZY LEARNING) PADA INTRUSION DETECTION SYSTEM. Telkom University
  7. . Virkhansa, Chelsa Farah; Setiawan, Budi Darma; Dewi, C. (2019). Tampilan Klasifikasi Status Gunung Berapi dengan Metode Learning Vector Quantization (LVQ).pdf. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
  8. . Hudiyanti, C. V., Bachtiar, F. A., & Setiawan, B. D. (2019). Perbandingan Double Moving Average dan Double Exponential Smoothing untuk Peramalan Jumlah Kedatangan Wisatawan Mancanegara di Bandara Ngurah Rai. 3(3), 2667–2672
  9. . Masykur, H. N. (2010). APLIKASI DATA MINING UNTUK MENAMPILKAN INFORMASI TINGKAT KELULUSAN MAHASISWA (Studi Kasus di Fakultas MIPA Universitas Diponegoro). Universitas Diponegoro
  10. . Ambesange, S., Nadagoudar, R., Uppin, R., Patil, V., Patil, S., & Patil, S. (2020). Liver Diseases Prediction using KNN with Hyper Parameter Tuning Techniques. Proceedings of B-HTC 2020 - 1st IEEE Bangalore Humanitarian Technology Conference, 1–6
  11. . Setiawan, Q. S., Rustam, Z., Hartini, S., Laeli, A. R., & Wirasati, I. (2020). Comparison of Naive Bayes and Decision Tree for Classifying Hepatocellular Carcinoma (HCC). 2020 International Conference on Innovation and Intelligence for Informatics, Computing and Technologies, 3ICT 2020, 1–5. https://doi.org/10.1109/3ICT51146.2020.9312022
  12. . Towfek El-Kenawy, E.-S. M. (2019). A Machine Learning Model for Hemoglobin Estimation and Anemia Classification Related papers Spam Det ect ion for Mobile Short Messaging Service Using Dat a Mining Classifiers A Machine Learning Model for Hemoglobin Estimation and Anemia Classification
  13. . Provost, F. (2000). Machine learning from imbalanced data sets 101. Proceedings of the AAAI’2000 Workshop on …, 3. https://www.aaai.org/Papers/Workshops/2000/WS-00-05/WS00-05-001.pdf%5Cnpapers://1c40c143-2a6e-4e94-8c17-c5bc9ae73d7e/Paper/p11435
  14. . Wei, C. C. (2015). Comparing lazy and eager learning models for water level forecasting in river-reservoir basins of inundation regions. Environmental Modelling and Software, 63, 137–155
  15. . Virkhansa, Chelsa Farah; Setiawan, Budi Darma; Dewi, C. (2019). Tampilan Klasifikasi Status Gunung Berapi dengan Metode Learning Vector Quantization (LVQ).pdf. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer

Last update:

No citation recorded.

Last update: 2024-03-26 20:27:51

No citation recorded.