ANALISIS AKURASI NAIVE BAYES CLASSIFIER DENGAN SELEKSI ATRIBUT RELIEF-F DAN GAIN RATIO

Abstract

Penelitian ini menganalisis pengaruh seleksi atribut menggunakan Relief-F dan Gain Ratio terhadap akurasi Naïve Bayes Classifier (NBC) pada dua dataset UCI dengan karakteristik berbeda: House Vote (435 data, simbolik) dan Bank Marketing (45.211 data, numerik-kategorikal). Pengujian tiga skenario—NBC baseline, NBC+Relief-F, dan NBC+Gain Ratio dengan K=10—dievaluasi menggunakan 10- fold cross-validation. Hasil menunjukkan Relief-F (K=10) meningkatkan akurasi House Vote dari 90,11% menjadi 93,11%, lebih unggul dibanding Gain Ratio (92,18%). Pada Bank Marketing, Relief-F mencapai akurasi 83,63% (F1-makro 58,62%) versus Gain Ratio 82,58% (F1-makro 57,75%). Secara keseluruhan, Relief-F lebih konsisten meningkatkan performa NBC, dan pemilihan K=10 dijustifikasi berdasarkan prinsip parsimoni serta stabilitas performa pada zona konvergensi