scholarly journals Evaluasi Klasifikasi Penerima Bidikmisi Menggunakan Algoritma Interative Dichotomiser 3 (ID3) (Studi Kasus Institut Agama Islam Negeri Samarinda)

2020 ◽  
Vol 2 (1) ◽  
pp. 1
Author(s):  
Jainuddin Jainuddin ◽  
Islamiyah Islamiyah ◽  
Gubtha Mahendra Putra ◽  
Haviluddin Haviluddin ◽  
Vina Zahrotun Kamila
Keyword(s):  
Data Mining ◽  
Decision Tree ◽  
Error Rate ◽  
Confusion Matrix

Teknik klasifikasi data mining yang cukup populer adalah Decision Tree diantaranya menggunakan algoritma Interative Dichotomiser 3 (ID3).  Klasifikasi didapatkan dari pohon keputusan yang terbentuk melalui algoritma Interative Dichotomiser 3 (ID3) yang akan diukur tingkat akurasi dan error rate algortima dalam menentukan klasifikasi.  Hal ini dapat dilakukan dengan cara membentuk model pohon keputusan pada mesin learning RapidMinner menggunakan data training dan evaluasi membandingkan data nyata dengan data testing klasifikasi untuk mengukur akurasi algoritma. Tujuan dalam penelitian ini adalah untuk menghasilkan informasi klasifikasi kelayakan penerima bidikmisi menggunakan algoritma Interative Dichotomiser 3 (ID3) di Institut Agama Islam Negeri (IAIN) Samarinda dan untuk mengetahui akurasi algoritma yang digunakan. Variabel penelitian terdiri pekerjaan orang tua, jumlah penghasilan orang tua, jumlah anggota keluarga, status kepemilikan rumah, jumlah pengeluaran keluarga, dan status kepemilikan SKTM/KIP. Berdasarkan hasil analisis dengan mengukur kinerja algoritma menggunakan metode confusion matrix, dengan menghasilkan akurasi 98.3% dan error rate 1.7% dalam menentukan klasifikasi kelayakan penerima Bidikmisi di Institut Agama Islam Negeri (IAIN) Samarinda.

scholarly journals Pemodelan Prediksi Status Keberlanjutan Polis Asuransi Kendaraan dengan Teknik Pemilihan Mayoritas Menggunakan Algoritma-Algoritma Klasifikasi Data Mining

2020 ◽  
Vol 5 ◽  
pp. 19-24
Author(s):  
Dyah Retno Utari ◽  
Arief Wibowo
Keyword(s):  
Data Mining ◽  
Support Vector Machine ◽  
Decision Tree ◽  
Naive Bayes ◽  
Confusion Matrix ◽  
Naïve Bayes ◽  
Majority Voting ◽  
Support Vector ◽  
F Measure

Asuransi kendaraan bermotor merupakan jenis usaha pertanggungan terhadap kerugian atau risiko kerusakan yang dapat timbul dari berbagai macam potensi kejadian yang menimpa kendaraan. Persaingan dalam bisnis asuransi khususnya untuk kendaraan bermotor menuntut inovasi dan strategi agar keberlangsungan bisnis tetap terjamin. Salah satu upaya yang dapat dilakukan perusahaan adalah memprediksi status keberlanjutan polis asuransi kendaraan dengan menganalisis data-data profil dan transaksi nasabah. Prediksi terhadap keputusan pemegang polis menjadi sangat penting bagi perusahaan, karena dapat menentukan strategi pemasaran yang mempengaruhi keputusan pelanggan untuk pembaharuan polis asuransi. Penelitian ini telah mengusulkan suatu model prediksi status keberlanjutan polis asuransi kendaraan dengan teknik pemilihan mayoritas dari hasil klasifikasi menggunakan algoritma- algoritma data mining seperti Naive Bayes, Support Vector Machine dan Decision Tree. Hasil pengujian menggunakan confusion matrix menunjukkan nilai akurasi terbaik diperoleh sebesar 93,57%, apapun untuk nilai precision mencapai 97,20%, dan nilai recall sebesar 95,20% serta nilai F-Measure sebesar 95,30%. Nilai evaluasi model terbaik dihasilkan menggunakan pendekatan pemilihan mayoritas (majority voting), mengungguli kinerja model prediksi berbasis pengklasifikasi tunggal.

scholarly journals Sistem Prediksi Penyakit Kanker Serviks Menggunakan CART, Naive Bayes, dan k-NN

2018 ◽  
Vol 4 (2) ◽  
pp. 83
Author(s):  
Tutus Praningki ◽  
Indra Budi
Keyword(s):  
Data Mining ◽  
Decision Tree ◽  
Pap Smear ◽  
Nearest Neighbor ◽  
Naive Bayes ◽  
Confusion Matrix ◽  
Regression Trees ◽  
Naïve Bayes ◽  
K Nearest Neighbor ◽  
Classification And Regression

Tersedianya data histori rekam medis pasien kanker serviks pada institusi pelayanan kesehatan, tidak disertai dengan proses ekstraksi menjadi sebuah pengetahuan atau informasi. Penggunaan teknik data mining sangat berpotensi untuk diimplementasikan kedalam sistem yang dapat melakukan prediksi penyakit kanker serviks. Pada penelitian ini berfokus pada dataset diagnosa medis pasien yang akan melakukan tes Pap Smear. Algoritma yang digunakan untuk melakukan klasifikasi penyakit kanker serviks adalah Classification And Regression Trees (CART), Naive Bayes, dan k-Nearest Neighbor (k-NN). Pengujian yang dilakukan terhadap algoritma CART Decision Tree, Naive Bayes, dan k-NN, menggunakan formula Confusion Matrix, dengan menggunakan teknik pemecahan dataset Holdout. Hasil pengujian terhadap algoritma yang digunakan, menunjukkan algoritma Naive Bayes memiliki akurasi terbaik sebesar 94,44%, sedangkan tingkat akurasi yang dihasilkan algoritma CART dan k-NN adalah 88,89%, 85,04%. Performa yang didapatkan oleh masing-masing algoritma yang digunakan, memungkinkan penggunaan sistem prediksi penyakit kanker serviks untuk mendukung keputusan klinis pada pasien baru. 

scholarly journals PENERAPAN ALGORITMA DECISION TREE C4.5 BERBASIS PARTICLE SWARM OPTIMIZATION (PSO) UNTUK PREDIKSI TINGKAT KEPUASAN PELAYANAN OBAT

2021 ◽  
Vol 12 (2) ◽  
pp. 84
Author(s):  
Erfan Karyadiputra ◽  
Agus Setiawan ◽  
Nadiya Hijriana
Keyword(s):  
Data Mining ◽  
Particle Swarm Optimization ◽  
Decision Tree ◽  
Confusion Matrix ◽  
Particle Swarm ◽  
Swarm Optimization

Pelayanan publik merupakan kegiatan pelayanan dari penyedia layanan publik dengan maksud memenuhi kebutuhan penerima layanan sesuai dengan ketentuan dan aturan yang berlaku. Kepuasan pasien merupakan hal yang sangat penting dalam menilai tingkat pelayanan obat yang diberikan kepada pasien penerima BPJS di Apotek. Tujuan penelitian ini adalah untuk memprediksi tingkat kepuasan pasien terhadap pelayanan obat kepada pasien yang ditinjau dari beberapa aspek seperti ketanggapan petugas, kecepatan pelayan obat, keramahan petugas, kenyamanan ruang tunggu, kemampuan petugas dalam menyampaikan informasi obat, pelayanan konseling, pelayanan informasi obat dan kemampuan dalam mengatasi keluhan pasien. Dari hasil pengujian algoritma melalui teknik data mining yaitu confusion matrix maka didapatkan performance akurasi sebesar 89,29%. Adapun Penerapan particle swarm optimization (PSO) berhasil meningkatkan performance akurasi algoritma C4.5 sebesar 6,42% sehingga menjadi 95,71% dan AUC sebesar 0,750. Keywords : Apotek, C4.5, Data Mining, Pelayanan Obat, PSO

scholarly journals Metadata based Classification Techniques for Knowledge Discovery from Facebook Multimedia Database

2021 ◽  
Vol 13 (4) ◽  
pp. 38-48
Author(s):  
Prashant Bhat ◽  
◽  
Pradnya Malaganve
Keyword(s):  
Data Mining ◽  
Decision Tree ◽  
Knowledge Discovery ◽  
Confusion Matrix ◽  
Data Type ◽  
Kappa Statistics ◽  
Meta Data ◽  
Classification Techniques ◽  
Squared Error ◽  
Tree Classifier

Classification is a parlance of Data Mining to genre data of different kinds in particular classes. As we observe, social media is an immense manifesto that allows billions of people share their thoughts, updates and multimedia information as status, photo, video, link, audio and graphics. Because of this flexibility cloud has enormous data. Most of the times, this data is much complicated to retrieve and to understand. And the data may contain lot of noise and at most the data will be incomplete. To make this complication easier, the data existed on the cloud has to be classified with labels which is viable through data mining Classification techniques. In the present work, we have considered Facebook dataset which holds meta data of cosmetic company’s Facebook page. 19 different Meta Data are used as main attributes. Out of those, Meta Data ‘Type’ is concentrated for Classification. Meta data ‘Type’ is classified into four different classes such as link, status, photo and video. We have used two favored Classifiers of Data Mining that are, Bayes Classifier and Decision Tree Classifier. Data Mining Classifiers contain several classification algorithms. Few algorithms from Bayes and Decision Tree have been chosen for the experiment and explained in detail in the present work. Percentage split method is used to split the dataset as training and testing data which helps in calculating the Accuracy level of Classification and to form confusion matrix. The Accuracy results, kappa statistics, root mean squared error, relative absolute error, root relative squared error and confusion matrix of all the algorithms are compared, studied and analyzed in depth to produce the best Classifier which can label the company’s Facebook data into appropriate classes thus Knowledge Discovery is the ultimate goal of this experiment.

scholarly journals Penerapan Algoritma Cart Decision Tree Pada Penentuan Penerima Program Bantuan Pemerintah Daerah Kabupaten Kutai Kartanegara

2018 ◽  
Vol 2 (1) ◽  
pp. 27
Author(s):  
Herman Santoso Pakpahan ◽  
Fenny Indar ◽  
Masna Wati
Keyword(s):  
Data Mining ◽  
Decision Tree ◽  
Confusion Matrix

Dalam upaya menurunkan persentase angka kemiskinan, Pemerintah Kabupaten Kutai Kartanegara menetapkan sebuah kebijakan/program dalam bentuk perlindungan dan jaminan sosial melalui pemberian santunan kepada warga tidak mampu (SWTM) salah satunya bantuan untuk lansia. Untuk memudahkan pengelompokan calon penerima bantuan dan mengantisipasi serta mencegah kesalahan dalam menyalurkan dana bantuan maka diterapkan metode data mining teknik klasifikasi yaitu menggunakan algoritma CART untuk mengklasifikasi penerima program bantuan berdasarkan variabel yang ada sehingga akan memberikan hasil yang dapat mempermudah penentuan calon penerima bantuan yang benar-benar layak menerima bantuan dan meringankan tugas Dinas Sosial Kabupaten Kutai Kartanegara. Untuk memperoleh hasil yang diinginkan maka dilakukan lima model percobaan sebesar 55%, 65%, 75%, 85% dan 95% dan dipilihlah model 85% dengan akurasi 98,18% untuk kemudian diimplementasikan ke dalam sebuah aplikasi karena memiliki nilai akurasi lebih tinggi berdasarkan perhitungan confusion matrix dari proses mining yang membandingkan 5 skenario model.

scholarly journals PREDIKSI LABA PENJUALAN MENGGUNAKAN METODE ALGORITMA C4.5 PADA PT. BASUNJAYA NASTARI

2020 ◽  
Vol 6 (2) ◽  
Author(s):  
Bei Harira Irawan
Keyword(s):  
Data Mining ◽  
Decision Tree ◽  
Confusion Matrix

Di era komputerasi saat ini membawa dampak dalam banyaknya data penjualan oleh sebab itu dibutuhkan sebuah metode perhitungan laba penjualan yang efisien dan tepat untuk bisa selalu bertahan dalam ketatnya persaingan. Masalah yang dialami PT. Basunjaya Nastari sebagai perusahaan yang bergerak di bidang penyedia jasa dan jual beli bahan kimia adalah mentukan keuntungan penjualan barang untuk customer mana yang memiliki performasi, baik kualitas dan kuantitas, sehingga perusahaan bisa memprioritaskan customer tersebut dalam memenuhi permintaan yang dibutuhkan, metode teknik klasifikasi dan prediksi data mining digunakan dalam memecahkan masalah tersebut yaitu Decision Tree. Teknik ini banyak digunakan karena dapat menyajikan data prediksi penjualan yang lebih cepat. Evaluasi hasil klasifikasi dalam prediksi keuntungan memiliki tingkat akurasi sebesar 81,71% dari data training dan tingkat akurasi sebesar 85,83% dari data testing dengan Confusion Matrix. Jika melihat dengan kurva ROC menggunakan data training dengan akurasi Excellent Classification sebesar 1,000 dan data testing dengan akurasi Excellent Classification sebesar 0,925

scholarly journals PERBANDINGAN TINGKAT AKURASI METODE KNN DAN DECISION TREE DALAM MEMPREDIKSI LAMA STUDI MAHASISWA

2021 ◽  
Vol 3 (1) ◽  
pp. 6-14
Author(s):  
Endang Etriyanti
Keyword(s):  
Data Mining ◽  
Decision Tree ◽  
Cross Validation ◽  
Nearest Neighbor ◽  
Confusion Matrix ◽  
K Nearest Neighbor ◽  
Fold Cross Validation

Kualitas lulusan dari sebuah Perguruan Tinggi salah satunya dapat dilihat dari lama studi mahasiswa. Selain itu lama studi mahasiswa menggambarkan tingkat capaian mahasiswa dalam pendidikannya. Lama studi juga sangat berpengaruh pada kualitas program studi karena lama studi mahasiswa merupakan salah satu kriteria penilaian akreditasi. Seringkali masalah yang dihadapi oleh suatu Perguruan Tinggi adalah banyaknya mahasiswa yang menyelesaikan pendidikannya lebih dari jangka waktu yang ditetapkan. STMIK Bina Nusantara Jaya Lubuklinggau juga mengalami hal tersebut. Untuk mengantisipasi hal tersebut perlu adanya prediksi lama studi mahasiswa karena lama studi mahasiswa menjadi salah satu hal yang penting yang perlu diperhatikan bagian program studi dalam suatu Perguruan Tinggi. Penelitian ini berkontribusi secara teoretis dalam implementasi data mining untuk memprediksi lama studi mahasiswa.Penelitian ini menerapkan preprocessing data untuk memperoleh data dengan kualitas baik sebelum dilakukan proses mining menggunakan metode K-Nearest Neighbor dan Decision Tree pada Tools RapidMiner, kedua metode divalidasi menggunakan K-Fold Cross Validation (dengan 10 kali iterasi/pengulangan) dan Confusion Matrix digunakan untuk memvalidasi nilai akurasi hasil prediksi. Nilai akurasi yang paling tinggi dari hasil penerapan kedua metode akan direkomendasikan untuk menyelesaikan masalah prediksi lama studi mahasiswa. Dari hasil penelitian diperoleh nilai akurasi metode Decision Tree (60,38%) lebih baik jika dibandingkan dengan nilai akurasi metode K-Nearest Neighbor (53,08%).

KLASIFIKASI SMS SPAM MENGGUNAKAN SUPPORT VECTOR MACHINE

2019 ◽  
Vol 15 (2) ◽  
pp. 275-280
Author(s):  
Agus Setiyono ◽  
Hilman F Pardede
Keyword(s):  
Data Mining ◽  
Support Vector Machine ◽  
Decision Tree ◽  
Naive Bayes ◽  
Naïve Bayes ◽  
Support Vector ◽  
Spam Detection ◽  
Support Vector Machine Algorithm ◽  
Data Mining Techniques ◽  
To Receive

It is now common for a cellphone to receive spam messages. Great number of received messages making it difficult for human to classify those messages to Spam or no Spam.  One way to overcome this problem is to use Data Mining for automatic classifications. In this paper, we investigate various data mining techniques, named Support Vector Machine, Multinomial Naïve Bayes and Decision Tree for automatic spam detection. Our experimental results show that Support Vector Machine algorithm is the best algorithm over three evaluated algorithms. Support Vector Machine achieves 98.33%, while Multinomial Naïve Bayes achieves 98.13% and Decision Tree is at 97.10 % accuracy.

PREDIKSI KUALITAS AIR SUNGAI CILIWUNG DENGAN MENGGUNAKAN ALGORITMA POHON KEPUTUSAN

2021 ◽  
Vol 12 (2) ◽  
Author(s):  
Mohammad Haekal ◽  
Henki Bayu Seta ◽  
Mayanda Mega Santoni
Keyword(s):  
Data Mining ◽  
Decision Tree ◽  
Cross Validation ◽  
Online Monitoring ◽  
Training Set ◽  
Microsoft Excel ◽  
Test Set

Untuk memprediksi kualitas air sungai Ciliwung, telah dilakukan pengolahan data-data hasil pemantauan secara Online Monitoring dengan menggunakan Metode Data Mining. Pada metode ini, pertama-tama data-data hasil pemantauan dibuat dalam bentuk tabel Microsoft Excel, kemudian diolah menjadi bentuk Pohon Keputusan yang disebut Algoritma Pohon Keputusan (Decision Tree) mengunakan aplikasi WEKA. Metode Pohon Keputusan dipilih karena lebih sederhana, mudah dipahami dan mempunyai tingkat akurasi yang sangat tinggi. Jumlah data hasil pemantauan kualitas air sungai Ciliwung yang diolah sebanyak 5.476 data. Hasil klarifikasi dengan Pohon Keputusan, dari 5.476 data ini diperoleh jumlah data yang mengindikasikan sungai Ciliwung Tidak Tercemar sebanyak 1.059 data atau sebesar 19,3242%, dan yang mengindikasikan Tercemar sebanyak 4.417 data atau 80,6758%. Selanjutnya data-data hasil pemantauan ini dievaluasi menggunakan 4 Opsi Tes (Test Option) yaitu dengan Use Training Set, Supplied Test Set, Cross-Validation folds 10, dan Percentage Split 66%. Hasil evaluasi dengan 4 opsi tes yang digunakan ini, semuanya menunjukkan tingkat akurasi yang sangat tinggi, yaitu diatas 99%. Dari data-data hasil peneltian ini dapat diprediksi bahwa sungai Ciliwung terindikasi sebagai sungai tercemar bila mereferensi kepada Peraturan Pemerintah Republik Indonesia nomor 82 tahun 2001 dan diketahui pula bahwa penggunaan aplikasi WEKA dengan Algoritma Pohon Keputusan untuk mengolah data-data hasil pemantauan dengan mengambil tiga parameter (pH, DO dan Nitrat) adalah sangat akuran dan tepat. Kata Kunci : Kualitas air sungai, Data Mining, Algoritma Pohon Keputusan, Aplikasi WEKA.

Sign in / Sign up

Export Citation Format

Share Document