Komparasi Algoritma SVM Dan Naive Bayes Untuk Klasifikasi Kestabilan Jaringan Listrik

Abstrak

Keseimbangan antara pasokan dan permintaan listrik sangat diperlukan untuk mendapatkan jaringan listrik yang stabil, agar dapat diketahui pola data kestabilan jaringan listrik ini maka diperlukan pengelompokkan atau pengklasifikasian terhadap data dengan memanfaatkan teknik data mining guna mengolah informasi. Untuk mencari metode data mining yang bisa menghasilkan akurasi terbaik dalam mengklasifikasikan data Kestabilan jaringan listrik, maka pada penelitian ini dilakukan perbandingan penerapan algoritma klasifikasi SVM dan Naïve Bayes terhadap dataset Electrical Grid Stability Simulated yang yang diambil dari UCI Machine Learning. Dari hasil pengujian klasifikasi kestabilan jaringan listrik yang telah dilakukan menggunakan aplikasi WEKA 3.8.2. Metode Support Vector Machine (SVM) menunjukan tingkat accuracy yang lebih baik yaitu sebesar 98.9%  jika  dibandingkan dengan metode Naive Bayes yang meghasilkan nilai akurasi sebesar 97.64% Hasil akurasi ini akan menunjukan hasil yang berbeda tergantung dengan jenis data, jumlah instance, label class dan Percentage split data yang digunakan.