Analisis Performa Metode Gaussian Naïve Bayes untuk Klasifikasi Citra Tulisan Tangan Karakter Arab

  • Nurul A'ayunnisa Universitas Muslim Indonesia
  • Yulita Salim Universitas Muslim Indonesoa
  • Huzain Azis Universitas Muslim Indonesoa
Keywords: Gaussian Naive Bayes, Analisis Performa, Akurasi, Presisi, Recall, F-Measure

Abstract

Berdasarkan penelitian yang dilakukan oleh Herman dkk., peneliti mencoba mengangkat kembali metode yang diterapkan dengan menggunakan dataset yang berbeda dan dengan jumlah yang lebih banyak. Penelitian ini bertujuan untuk menghitung performa metode (akurasi, presisi, recall, dan f-measure) Gaussian Naïve Bayes. Dataset yang digunakan adalah citra tulisan tangan karakter arab. Berdasarkan hasil perhitungan performa menunjukkan tingkat akurasi tertinggi sebesar 12%, presisi 10%, recall 12%, dan f-measure 8%.

 

 

 

 

Downloads

Download data is not yet available.

Author Biographies

Yulita Salim, Universitas Muslim Indonesoa

 

 

Huzain Azis, Universitas Muslim Indonesoa

 

 

References

R. Akbar and E. A. Sarwoko, “Studi Analisis Pengenalan Pola Tulisan Tangan Angka Arabic (Indian) Menggunakan Metode K-Nearest Neighbors dan Connected Component Labeling,” vol. 12, no. 2, pp. 45–51, 2016.

A. Zahriyono, A. Suryan, and M. D. Suliiyo, “Implementasi Pembacaan Huruf Hijaiyyah Dan Karakter Angka Arab Dengan Menggunakan Jaringan Syaraf Tiruan LVQ (Learning Vector Quantization),” Universitas Telkom, 2013.

A. El-Sawy, M. Loey, and H. El-Bakry, “Arabic Handwritten Characters Recognition using Convolutional Neural Network,” 2019 10th Int. Conf. Inf. Commun. Syst. ICICS 2019, vol. 5, pp. 147–151, 2017, doi: 10.1109/IACS.2019.8809122.

R. D. Nurfita and G. Ariyanto, “Implementasi Deep Learning Berbasis Tensorflow untuk Pengenalan Sidik Jari,” Emit. J. Tek. Elektro, vol. 18, no. 01, pp. 22–27, 2018, doi: 10.23917/emitor.v18i01.6236.

Herman et al., “Comparison of Artificial Neural Network and Gaussian Naïve Bayes in Recognition of Hand-Writing Number,” Proc. - 2nd East Indones. Conf. Comput. Inf. Technol. Internet Things Ind. EIConCIT 2018, no. 1, pp. 276–279, 2018, doi: 10.1109/EIConCIT.2018.8878651.

H. Kamel, D. Abdulah, and J. M. Al-Tuwaijari, “Cancer Classification Using Gaussian Naive Bayes Algorithm,” Proc. 5th Int. Eng. Conf. IEC 2019, pp. 165–170, 2019, doi: 10.1109/IEC47844.2019.8950650.

Y. Mardi, “Data Mining : Klasifikasi Menggunakan Algoritma C4.5,” J. Edik Inform., vol. 2, no. 2, pp. 213–219, 2017.

R. Yanto and R. Khoiriah, “Implementasi Data Mining dengan Metode Algoritma Apriori dalam Menentukan Pola Pembelian Obat,” Creat. Inf. Technol. J., vol. 2, no. 2, pp. 102–113, 2015, doi: 10.24076/citec.2015v2i2.41.

G. Kesavaraj and S. Sukumaran, “A Study On Classification Techniques in Data Mining,” 2013.

N. A. Haryono, W. Hapsari, A. Angesti, and S. Felixiana, “Penggunaan Momen Invariant, Eccentricity, Dan Compactness Untuk Klasifikasi Motif Batik Dengan K-Nearest Neighbour,” J. Inform., vol. 11, no. 2, pp. 107–115, 2016, doi: 10.21460/inf.2015.112.411.

F. Tempola, M. Muhammad, and A. Khairan, “Perbandingan Klasifikasi Antara KNN dan Naive Bayes pada Penentuan Status Gunung Berapi dengan K-Fold Cross Validation,” J. Teknol. Inf. dan Ilmu Komput., vol. 5, no. 5, p. 577, 2018, doi: 10.25126/jtiik.201855983.

C. A. Sugianto, “Penerapan Teknik Data Mining Untuk Menentukan Hasil Seleksi Masuk SMAN 1 Gibeber Untuk Siswa Baru Menggunakan Decision Tree,” J. TEDC, vol. 9, no. 1, pp. 39–43, 2015, doi: 10.31227/osf.io/vedu7.

Published
2022-12-31