Analisis Komparatif Algoritma K-Nearest Neighbors dan Naive Bayes untuk Klasifikasi Target Pemasaran pada Media Sosial
Sari
ABSTRAK— Penelitian ini bertujuan untuk membandingkan performa dua algoritma klasifikasi populer, yaitu K-Nearest Neighbors (KNN) dan Naive Bayes, dalam memprediksi keputusan pembelian pengguna berdasarkan data Social Network Ads. Dataset mencakup variabel usia dan estimasi gaji sebagai fitur utama. Metode penelitian meliputi prapemrosesan data dengan StandardScaler, pembagian data latih dan uji sebesar 75:25, serta evaluasi model menggunakan Confusion Matrix dan skor akurasi. Hasil pengujian menunjukkan bahwa algoritma KNN mencapai tingkat akurasi sebesar 93%, mengungguli Naive Bayes yang memperoleh akurasi 90%. Perbedaan performa ini mengindikasikan bahwa pola data pada dataset ini cenderung lebih efektif ditangkap oleh pendekatan berbasis jarak (KNN) dibandingkan pendekatan probabilitas bersyarat (Naive Bayes).
Kata kunci— K-Nearest Neighbors, Naive Bayes, Machine Learning, Social Network Ads, Klasifikasi
Teks Lengkap:
PDFReferensi
I. H. Witten, E. Frank, M. A. Hall, and C. J. Pal, Data Mining: Practical Machine Learning Tools and Techniques. 2016.
J. Ha, M. Kambe, and J. Pe, Data Mining: Concepts and Techniques. 2011. doi: 10.1016/C2009-0-61819-5.
R. Grewal, S. Gupta, and R. Hamilton, “The Journal of Marketing Research Today: Spanning the Domains of Marketing Scholarship,” 2020. doi: 10.1177/0022243720965237.
“Analysis of Social Network Ads Results using Machine Learning,” IMRJR, vol. 2, no. 4, 2025, doi: 10.17148/imrjr.2025.020407.
R. Hierons, “Machine learning. Tom M. Mitchell. Published by McGraw-Hill, Maidenhead, U.K., International Student Edition, 1997. ISBN: 0-07-115467-1, 414 pages. Price: U.K. £22.99, soft cover.,” Software Testing, Verification and Reliability, vol. 9, no. 3, 1999, doi: 10.1002/(sici)1099-1689(199909)9:3<191::aid-stvr184>3.0.co;2-e.
W. Ben Towne, “Advancing technology for humanity,” 2010. doi: 10.1109/MSPEC.2010.5605874.
H. Zhang, “The optimality of Naive Bayes,” in Proceedings of the Seventeenth International Florida Artificial Intelligence Research Society Conference, FLAIRS 2004, 2004.
S. A. Alasadi and W. S. Bhaya, “Review of data preprocessing techniques in data mining,” Journal of Engineering and Applied Sciences, vol. 12, no. 16, 2017, doi: 10.3923/jeasci.2017.4102.4107.
X. Wu et al., “Top 10 algorithms in data mining,” Knowl. Inf. Syst., vol. 14, no. 1, 2008, doi: 10.1007/s10115-007-0114-2.
Scikit-learn, “StandardScaler,” Scikit-learn.
scikit-learn developers, “train_test_split,” https://scikit-learn.org/stable/modules/generated/sklearn.model_selection.train_test_split.html.
Refbacks
- Saat ini tidak ada refbacks.
EJECTS: Jurnal Computer, Technology, and Informations System
Gedung Fakultas Ilmu Komputer, Universitas Darwan Ali, JL. Batu Berlian, No. 10, Sampit, Kabupaten Kotawaringin Timur, Provinsi Kalimantan Tengah, 74322
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.