Perbandingan Performa Algoritma Naive Bayes, Random Forest dan K-Nearest Neighbor pada Prediksi Calon Jemaah Haji Indonesia yang Berpotensi Membatalkan Haji

2025-11-17T15:26:35+07:00

Penelitian ini bertujuan untuk mengidentifikasi model klasifikasi yang paling efektif dalam memprediksi calon jemaah haji yang berpotensi membatalkan pendaftaran hajinya serta menentukan fitur-fitur yang paling berpengaruh terhadap keputusan tersebut. Penelitian ini membandingkan tiga model klasifikasi, yaitu Naïve Bayes, Random Forest, dan K-Nearest Neighbor (k-NN), dengan menggunakan dataset jemaah haji dari Siskohat Kantor Kementerian Agama Kabupaten Pringsewu. Selain itu, penelitian ini juga menerapkan metode seleksi fitur Recursive Feature Elimination Cross Validation (REFCV) untuk mengidentifikasi fitur-fitur yang paling relevan dalam mempengaruhi pembatalan haji. Hasil penelitian menunjukkan bahwa model Random Forest memberikan performa terbaik dengan akurasi, presisi, dan recall yang lebih tinggi dibandingkan model Naïve Bayes dan k-NN, baik sebelum maupun setelah seleksi fitur. Fitur-fitur seperti 'usia', 'pekerjaan', dan 'alamat' ditemukan sebagai atribut yang paling signifikan dalam mempengaruhi pembatalan haji. Penerapan metode REFCV terbukti meningkatkan akurasi model, khususnya pada model Random Forest yang mencapai akurasi 95% setelah seleksi fitur. Penelitian ini menyimpulkan bahwa model Random Forest dengan seleksi fitur REFCV merupakan kombinasi yang paling efektif dalam memprediksi pembatalan pendaftaran haji, serta memberikan rekomendasi bagi pengelola haji dalam meningkatkan akurasi prediksi dan efisiensi pengelolaan data jemaah haji.

Komparasi Kinerja Model Machine learning Berbasis Metadata Produk untuk Prediksi Popularitas Produk Elektronik pada Marketplace Lazada Indonesia

2026-03-20T23:57:52+07:00

This study explores the use of product metadata to predict the popularity of electronic products in the Lazada Indonesia marketplace. By using machine learning models, including Logistic Regression, Random Forest, and XGBoost, this study shows that simple metadata such as product category, brand, price, and rating are sufficiently informative to build predictive models. The results indicate that although Logistic Regression delivers the lowest performance due to its linear nature, both Random Forest and XGBoost provide significant improvement. XGBoost achieves the best results with the highest accuracy and F1-score, making it the most effective model for predicting product popularity. These findings highlight the complexity of e-commerce data, which requires more flexible models to capture non-linear patterns and interactions among product features. This study contributes to e-commerce management by providing insights into the use of machine learning for inventory management, promotional strategies, and product placement in digital marketplaces

JURNAL ILMU KOMPUTER, SISTEM INFORMASI, TEKNIK INFORMATIKA

Perbandingan Performa Algoritma Naive Bayes, Random Forest dan K-Nearest Neighbor pada Prediksi Calon Jemaah Haji Indonesia yang Berpotensi Membatalkan Haji

Komparasi Kinerja Model Machine learning Berbasis Metadata Produk untuk Prediksi Popularitas Produk Elektronik pada Marketplace Lazada Indonesia