Perbandingan Metode Klasifikasi Algoritma Naïve Bayes Tanpa Dan Dengan Kernel Density Estimation (Studi Kasus Data Self Declare BPJPH 2022) = The Comparison of Classification Methods: Naïve Bayes Algorithm without and with Kernel Density Estimation (Case Study: Self-Declared Data BPJPH 2022)

Sertifikasi halal memberikan jaminan kehalalan produk kepada konsumen Muslim di seluruh dunia. Dengan adanya sertifikasi halal, konsumen Muslim dapat dengan percaya diri mengonsumsi produk tersebut. BPJPH sebagai auditor resmi di Indonesia, memiliki cukup banyak kebutuhan dalam upaya proses verifikasi dan validasi data pengajuan sertifikasi halal. Melalui pendeketan Data Science, teknologi kemampuan machine learning diperlukan untuk mengoptimalkan proses verifikasi dan validasi data tersebut. Tujuan dari penelitian ini adalah untuk memberikan solusi dari permasalahan tersebut melalui metode klasifikasi Naïve Bayes. Metode klasifikasi Naïve Bayes perlu diterapkan metode optimasi seperti Kernel Density Estimation (KDE) untuk mendapatkan hasil klasifikasi yang lebih baik. Sehingga, metode klasifikasi Naïve Bayes tanpa optimasi dan dengan optimasi ini perlu dibandingkan untuk memastikan kinerja algoritma Naïve Bayes KDE dapat menjawab kekurangan dari Naïve Bayes dan sejauh mana dapat menangani data kompleks dan tidak berdistribusi normal. Hasil dari penelitian ini adalah mendapatkan nilai persentase performa model klasifikasi Naïve Bayes tanpa optimasi: akurasi 87,6%, recall 85,4%, presisi 88,8%, dan Fmeasure 87,1%. Sementara itu, persentase performa model klasifikasi Naïve Bayes KDE mencapai: akurasi 97,5%, recall 95,9%, presisi 98,9%, dan Fmeasure 97,8%. Sehingga, dapat disimpulkan bahwa algoritma klasifikasi Naïve Bayes KDE menunjukkan peningkatan persentase performa klasifikasi yang cukup baik dibandingkan dengan model Naïve Bayes tanpa optimasi dengan peningkatan sebesar 9,9%.

Keywords : Naïve Bayes, Kernel Density Estimation, Klasifikasi, Sertifikasi Halal, Self Declare