Komparasi Naive Bayes dan Backpropagation Neural Network dalam Klasifikasi Produksi Garam Indonesia

Authors

  • Desi Puji Lestari Universitas Negeri Semarang

DOI:

https://doi.org/10.26555/konvergensi.v9i1.21458

Keywords:

Naive Bayes, Backpropagation, Neural Network, Accurancy, MSE

Abstract

Tujuan penelitian ini adalah untuk memperoleh hasil klasifikasi dan peramalan produksi dua tahun yang akan datang dari daerah penghasil garam tertinggi di Indonesia dengan menggunakan Naive Bayes dan Backpropagation Neural Network. Data yang digunakan dalam penelitian ini adalah data jumlah produksi garam di Indonesia pada tahun 2011 sampai dengan tahun 2019 dengan jumlah data 685 dari 38 daerah kota/kabupaten penghasil garam di Indonesia. Data tersebut akan dikelompokan menjadi data latih dan data uji dengan perbandingan data 65% untuk data latih dan 35% untuk data uji. Hasil yang didapat dari proses klasifikasi Naive Bayes dan peramalan Backpropagation terdapat 10 kota/kabupaten penghasil garam tertinggi di Indonesia yakni Kabupaten Rembang 2020 sebesar 1467ton, Kabupaten Pati 2020 sebesar 306500 ton, Kabupaten Demak 2020 sebesar 128455 ton, Kabupaten Cirebon 2020 sebesar 251144 ton, Kabupaten Indramayu 2020 sebesar 241074 ton, Kabupaten Sampang 2020 sebesar 363450 ton, Kabupaten Pamekasan 2020 sebesar 130925 ton, Kabupaten Sumenep 2020 sebesar 391785 ton, dan Kota Surabaya 2020 sebesar 128549 ton, Kabupaten Bima 2020 sebesar 127173 ton. Dengan menggunakan Naive Bayes didapatkan nilai accurancy sebesar 96,92% untuk peramalan Backpropagation sebesar 80,52% dengan MSE sebesar 8.6975e+09.

Downloads

Published

2022-08-29

Issue

Vol. 9 No. 1 (2022)

Section

Articles

License

Authors who publish with this journal agree to the following terms:

1. Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons  Attribution License that allows others to share the work with an acknowledgment of the work's authorship and initial publication in this journal.

2. Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgment of its initial publication in this journal.

3. Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work.

 

Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 2.0 Generic License.