EPrints Universitas Amikom YogyakartaANALISIS PERBANDINGAN ALGORITMA SVM, NAIVE BAYES, DAN RANDOM FOREST DALAM KLASIFIKASI PENERIMA VAKSIN INFLUENZADzaky Hamid AlAzizauthorTeknologi dan akses kesehatan yang maju belum sepenuhnya mampu menghentikan penyebaran virus influenza yang masih menjadi ancaman kesehatan masyarakat di Indonesia akibat penyebarannya yang cepat. Meskipun vaksinasi merupakan tindakan pencegahan yang efektif, tingkat penerimaannya masih rendah karena faktor-faktor seperti kurangnya pemahaman, karakteristik individu, budaya, dan keterbatasan akses, yang mengakibatkan perlindungan kesehatan di masyarakat tidak merata. Penelitian ini bertujuan untuk menganalisis dan membandingkan kinerja algoritma Support Vector Machine (SVM), Naïve Bayes, dan Random Forest dalam mengklasifikasikan penerimaan vaksin influenza dengan menggunakan metodologi CRISP-DM (Cross-Industry Standard Process for Data Mining), yang mencakup tahapan dari business understanding hingga evaluation. Dengan menggunakan data sekunder dari Kaggle.com, hasil penelitian menunjukkan bahwa Random Forest mencapai kinerja terbaik dengan akurasi sebesar 85%, disusul oleh SVM sebesar 83% dan Naïve Bayes sebesar 70%. Hal ini membuktikan keunggulan Random Forest dalam menangani data yang kompleks dan tidak seimbang, dan temuan ini diharapkan dapat menjadi referensi ilmiah untuk pengembangan data yang lebih luas serta membantu proses pengambilan keputusan dan edukasi di bidang kesehatan masyarakat.000 Ilmu komputer, informasi dan pekerjaan umum2026-02-10Universitas AMIKOM Yogyakarta;Fakultas Ilmu KomputerThesis

For work being deposited by its own author: In self-archiving this collection of files and associated bibliographic metadata, I grant EPrints Universitas Amikom Yogyakarta the right to store them and to make them permanently available publicly for free on-line. I declare that this material is my own intellectual property and I understand that EPrints Universitas Amikom Yogyakarta does not assume any responsibility if there is any breach of copyright in distributing these files or metadata. (All authors are urged to prominently assert their copyright on the title page of their work.)

For work being deposited by someone other than its author: I hereby declare that the collection of files and associated bibliographic metadata that I am archiving at EPrints Universitas Amikom Yogyakarta) is in the public domain. If this is not the case, I accept full responsibility for any breach of copyright that distributing these files or metadata may entail.

Clicking on the deposit button indicates your agreement to these terms.