Perbandingan Tingkat Kadar Minuman Beralkohol di Dunia Menggunakan Algoritma Naïve Bayes dan K-Nearest Neighbor
Comparison of Levels of Alcoholic Drinks in the World Using the Naïve Bayes Algorithm and K-Nearest Neighbor
Keywords:
Alkohol, KNN, Naïve bayes, Rapid MinerAbstract
Alkohol merupakan zat yang terkandung dalam minuman keras yang banyak di konsumsi oleh kebanyakan negara beriklim dingin tetapi tidak menutup kemungkinan juga untuk negara-negara yang beriklim tropis. Ada banyak peminum alkohol dari seluruh dunia, tingkat kandungan alkohol bervariasi dari satu negara ke negara lain. Ada beberapa jenis minuman berakohol yang umum diminum dan beredar di dunia, salah satunya adalah bir, spirit, dan wine. Dalam hal tingkat kadar alkohol jenis minuman tersebut terdapat batasan tingkat kadar yang dapat dikonsumsi oleh setiap orang untuk meminimalisir dampak buruk dalam mengkonsumsi alkohol secara berlebihan. Penelitian ini bertujuan untuk menghasilkan sebuah informasi tentang perbandingan kadar jenis minuman beralkohol yang tinggi disetiap negara. Penelitian ini memperoleh sebuah informasi perbandingan tingkat kadar alkohol untuk meminimalisir konsumsi minuman beralkohol secara berlebihan pada negara tersebut. Oleh karna itu, maka dilakukanlah sebuah studi banding yang menggunakan 2 algoritma untuk mendapat sebuah informasi yang memiliki tingkat keakuratan yang maksimal. Pada studi banding, algoritma yang di angkat yaitu menggunakan algoritma Naive Bayes dan K-NN dengan pemodelan menggunakan aplikasi rapid miner. Dengan menggunakan 2 algoritma ini akan menghasilkan perbandingan jenis minuman beralkohol yang banyak dikonsumsi di seluruh dunia berdasarkan tingkat kadar alkohol yang terkandung dalam setiap minuman. Data yang dipakai terhadap penelitian ini yaitu 192 data yang terdiri dari 30 data uji dan 172 data latih. Hasil akurasi yang diperoleh dari metode Naive Bayes adalah 97,44% dan 100% dari metode KNN
References
R. N. Devita, H. W. Herwanto, and A. P. Wibawa, “Perbandingan kinerja metode naive bayes dan k-nearest neighbor untuk klasifikasi artikel berbahasa indonesia,” JTIIK (Jurnal Teknol. Inf. dan Ilmu Komputer, Vol, 5, 2018.
R. Rahmaddeni, M. K. Anam, Y. Irawan, S. Susanti, and M. Jamaris, “Comparison of Support Vector Machine and XGBSVM in Analyzing Public Opinion on Covid-19 Vaccination,” Ilk. J. Ilm., vol. 14, no. 1, 2022.
E. Elvina, “Pengaruh Pendapatan Dan Konsumsi Terhadap Perilaku Konsumen Di Kabupaten Labuhanbatu,” ECOBISMA (Jurnal Ekon. Bisnis dan Manajemen), vol. 5, no. 2, pp. 120–129, 2018.
A. P. Natasuwarna, “Seminar Pendekatan Data Mining Memprediksi Profil Sosial Masyarakat Menggunakan Aplikasi RapidMiner,” in SNPMas: Seminar Nasional Pengabdian pada Masyarakat, 2019, pp. 38–44.
R. Nofitri and N. Irawati, “Integrasi Metode Neive Bayes Dan Software Rapidminer Dalam Analisis Hasil Usaha Perusahaan Dagang,” JURTEKSI (Jurnal Teknol. dan Sist. Informasi), vol. 6, no. 1, pp. 35–42, 2019.
M. Nanja and P. Purwanto, “Metode k-nearest neighbor berbasis forward selection untuk prediksi harga komoditi lada,” Pseudocode, vol. 2, no. 1, pp. 53–64, 2015.
D. Efriadi, R. Rahmaddeni, A. Agustin, and J. Junadhi, “Prediksi Penambahan Piutang Iuran Jaminan Sosial Ketenagakerjaan menggunakan Algoritma K-Nearest Neighbor,” Edumatic J. Pendidik. Inform., vol. 6, no. 1, pp. 49–57, 2022.
