Perbandingan Kinerja Model Klasifikasi Decission Tree , Bayesian Classifier, Instance Base, Linear Function Base, Rule Base pada 4 Dataset Berbeda
Ada banyak metode klasifikasi yang telah dikembangkan namun kinerjanya selalu berbeda dari satu masalah ke masalah lain. Perlu dilakukan suatu upaya untuk memilih model klasifikasi yang relatif optimal, salah satunya dengan membandingkan kinerja beberapa algoritma dari beberapa kelas model berbeda menggunakan beberapa dataset dengan karakteristik yang berbeda pula sehingga dapat memberikan gambaran tentang kelas model mana yang relatif optimal untuk dipilih sebagai tahap awal dalam memilih algoritma yang akan diterapkan. Pada makalah ini dibandingkan kinerja metode klasifikasi dari model Decission Tree, Bayesian Classifier, Instance Base, Linear Function Base dan Rule Base menggunakan 4 dataset yang berbeda karakteristiknya. Dari hasil pengujian diperoleh kesimpulan bahwa model Instance Base dan Decission Tree lebih robust dibanding kelas model lainnya bila diberi dataset yang mengandung noise dan missing value. Accuracy model Bayesian lebih stabil dibanding kelas model lainnya apabila diberi dataset dengan jumlah atribut yang lebih banyak. Semua kelas model mempunyai scalability yang baik dan mampu meningkatkan accuracy bila diberi jumlah record yang lebih besar. Kelas model Linear Function dan Decission Tree membutuhkan waktu training yang relatif lebih lama dibanding model lainnya, namun membutuhkan waktu testing yang relatif lebih cepat dibanding model lainnya. Secara umum kelas model Decission Tree lebih unggul dibanding kelas model lainnya