IMPLEMANTASI DESTINASI WISATA DI PULAU JAWA MENGGUNAKAN ALGORITMA NAIVE BAYES DAN DECISON TREE

SABILLLA, ILHAM PUTRA (2025) IMPLEMANTASI DESTINASI WISATA DI PULAU JAWA MENGGUNAKAN ALGORITMA NAIVE BAYES DAN DECISON TREE. S1 thesis, UNIVERISTAS MERCU BUANA - BUNCIT.

[img]
Preview
Text (COVER)
4159010142-ILHAM PUTRA SABILLA-01 COVER .pdf

Download (451kB) | Preview
[img] Text (BAB 1)
4159010142-ILHAM PUTRA SABILLA-02 BAB 1 .pdf
Restricted to Registered users only

Download (34kB)
[img] Text (BAB 2)
4159010142-ILHAM PUTRA SABILLA-03 BAB 2 .pdf
Restricted to Registered users only

Download (100kB)
[img] Text (BAB 3)
41519010142-ILHAM PUTRA SABILLA-04 BAB 3 .pdf
Restricted to Registered users only

Download (51kB)
[img] Text (BAB 4)
41519010142-ILHAM PUTRA SABILA-05 BAB 4 .pdf
Restricted to Registered users only

Download (406kB)
[img] Text (BAB 5)
41519010142-ILHAM PUTRA SABILLA-06 BAB 5.pdf
Restricted to Registered users only

Download (25kB)
[img] Text (DAFTAR PUSTAKA)
41519010142-ILHAM PUTRA SABILLA-07 DAFTAR PUSTAKA.pdf
Restricted to Registered users only

Download (97kB)
[img] Text (LAMAPIRAN)
41519010142-ILHAM PUTRA SABILLA-08 LAMPIRAN.pdf
Restricted to Registered users only

Download (1MB)

Abstract

Pariwisata di Pulau Jawa memiliki keragaman yang luas, mencakup destinasi alam, budaya, dan hiburan yang menarik bagi berbagai segmen wisatawan. Dalam era digital, analisis data menjadi esensial untuk memahami preferensi wisatawan dan mengoptimalkan strategi promosi. Penelitian ini membandingkan kinerja algoritma Naïve Bayes dan Decision Tree dalam mengklasifikasikan data wisata di Pulau Jawa berdasarkan berbagai parameter, seperti jenis destinasi, kepadatan pengunjung, dan ulasan pengguna. Metodologi yang digunakan melibatkan pengolahan dataset pariwisata dengan teknik preprocessing, ekstraksi fitur, dan pembagian data ke dalam set pelatihan dan pengujian. Confusion matrix digunakan untuk mengevaluasi performa kedua algoritma dalam hal akurasi, presisi, dan recall. Dari hasil analisis yang divisualisasikan dalam bentuk heatmap, terlihat bahwa Decision Tree memiliki tingkat prediksi yang lebih akurat dibandingkan dengan Naïve Bayes. Hal ini tercermin dari jumlah prediksi benar yang lebih tinggi pada Decision Tree, terutama pada kategori dengan jumlah data yang besar. Naïve Bayes, meskipun cepat dalam proses klasifikasi, menunjukkan kelemahan dalam menangani distribusi data yang kompleks, mengakibatkan kesalahan klasifikasi yang lebih banyak dibandingkan Decision Tree. Metode Decision Tree mendapatkan hasil dengan tingkat akurasi 96.11%, dan perhitungan menggunakan Metode Naive Bayes mendapatkan tingkat akurasi sebesar 94.04%.

Item Type: Thesis (S1)
NIM/NIDN Creators: 41519010142
Uncontrolled Keywords: Decision Tree, Machine Learning, Naïve Bayes,Pariwisata, Pulau Jawa
Subjects: 000 Computer Science, Information and General Works/Ilmu Komputer, Informasi, dan Karya Umum > 000. Computer Science, Information and General Works/Ilmu Komputer, Informasi, dan Karya Umum > 004 Data Processing, Computer Science/Pemrosesan Data, Ilmu Komputer, Teknik Informatika
000 Computer Science, Information and General Works/Ilmu Komputer, Informasi, dan Karya Umum > 000. Computer Science, Information and General Works/Ilmu Komputer, Informasi, dan Karya Umum > 005 Computer Programmming, Programs, Data/Pemprograman Komputer, Program, Data
600 Technology/Teknologi > 600. Technology/Teknologi
Divisions: Fakultas Ilmu Komputer > Informatika
Depositing User: Rifky
Date Deposited: 13 Mar 2025 03:12
Last Modified: 13 Mar 2025 03:12
URI: http://repository.mercubuana.ac.id/id/eprint/94844

Actions (login required)

View Item View Item