Perbandingan Optimasi Feature Selection pada Naïve Bayes untuk Klasifikasi Kepuasan Airline Passenger

The quality of an airline's services cannot be measured from the company's point of view, but must be seen from the point of view of customer satisfaction. Data mining techniques make it possible to predict airline customer satisfaction with a classification model. The Naïve Bayes algorithm has demonstrated outstanding classification accuracy, but currently independent assumptions are rarely discussed. Some literature suggests the use of attribute weighting to reduce independent assumptions, which can be done using particle swarm optimization (PSO) and genetic algorithm (GA) through feature selection. This study conducted a comparison of PSO and GA optimization on Naïve Bayes for the classification of Airline Passenger Satisfaction data taken from www.kaggle.com. After testing, the best performance is obtained from the model formed, namely the classification of Airline Passenger Satisfaction data using the Naïve Bayes algorithm with PSO optimization, where the accuracy value is 86.13%, the precision value is 87.90%, the recall value is 87.29%, and the value is AUC of 0.923.Kualitas dari pelayanan suatu maskapai tidak dapat diukur dari sudut pandang perusahaan, melainkan harus dilihat dari sudut pandang kepuasan pelanggan. Teknik data mining memungkinkan untuk melakukan prediksi kepuasan pelanggan maskapai penerbangan dengan model klasifikasi. Algoritma Naïve Bayes telah menunjukkan akurasi klasifikasi yang luar biasa, namun saat ini asumsi bebas jarang dibahas. Beberapa literatur menyarankan penggunaan pembobotan atribut untuk mengurangi asumsi bebas, dimana dapat dilakukan menggunakan Particle Swarm Optimization (PSO) dan Genetic Algorithm (GA) melalui Feature Selection. Penelitian ini melakukan perbandingan optimasi PSO dan GA pada Naïve Bayes untuk klasifikasi data Airline Passenger Satisfaction yang diambil dari www.kaggle.com. Setelah dilakukan pengujian, diperoleh performa yang paling bagus dari model yang dibentuk, yaitu klasifikasi data Airline Passenger Satisfaction menggunakan algoritma Naïve Bayes dengan optimasi PSO, dimana diperoleh nilai akurasi sebesar 86.13%, nilai presisi sebesar 87.90%, nilai recall sebesar 87.29%, dan nilai AUC sebesar 0.923