@article{Febriantono_Herasmara_Pangestu_2021, title={Cost Sensitive Tree dan Naïve Bayes pada Klasifikasi Multiclass }, volume={7}, url={http://jip.polinema.ac.id/ojs3/index.php/jip/article/view/533}, DOI={10.33795/jip.v7i2.533}, abstractNote={<p>Data mining merupakan proses pengolahan data untuk mengambil keputusan secara cepat, tepat dan akurat. Data mining pada bidang kesehatan dan manufacturing menjadi hal yang sangat penting dikarenakan suatu kesalahan klasifikasi (<em>misclassification</em>) akan memiliki dampak serius. Masalah utama pada data mining ketika data yang digunakan bersifat <em>imbalanced</em> <em>multiclass</em> karena <em>classifier</em> kesulitan untuk mengklasifikasikan data sehingga menyebabkan terjadinya <em>misclassification</em>. Solusi untuk meminimalkan <em>missclasification</em> dengan menggunakan metode <em>cost sensitive</em> pada <em>classifier decision tree</em> C5.0 dan <em>naïve bayes</em>. Penelitian ini menggunakan dataset <em>glass</em>, <em>lympografi</em>, <em>vehicle</em>, <em>thyroid</em> dan <em>wine</em> yang diperoleh dari UCI <em>Respository</em>. Kelima dataset dilakukan proses seleksi atribut menggunakan <em>particle swarm optimazation</em>. Kemudian dataset diuji menggunakan metode <em>cost sensitive decision tree</em> C5.0 dan <em>cost sensitive naïve bayes</em>. Hasil pengujian menggunakan metode <em>cost sensitive decision tree</em> C5.0 diperoleh nilai <em>accuracy</em> pada dataset <em>glass</em>, <em>lympografi</em>, <em>vehicle</em>, <em>thyroid</em> dan <em>wine</em> berturut-turut sebesar 76.17%, 83.33%, 75.27%, 95.81% dan 95.83%. Sedangkan metode <em>cost sensitive naïve</em> <em>bayes</em> memiliki performa <em>accuracy</em> pada dataset berturut-turut sebesar 32.24%, 82.61%, 25.53%, 97.67% dan 94.94%.</p&gt;}, number={2}, journal={Jurnal Informatika Polinema}, author={Febriantono, M. Aldiki and Herasmara, Ridho and Pangestu, Gusti}, year={2021}, month={Feb.}, pages={57-64} }