scholarly journals KLASIFIKASI KELANCARAN PEMBAYARAN PINJAMAN KOPERASI DENGAN METODE DECISION TREE

2021 ◽  
Vol 5 (1) ◽  
pp. 19-23
Author(s):  
Raka Kandayu ◽  
Malik Maulana ◽  
Wilfrida Silaban ◽  
Elvis Sastra Ompusunggu
Keyword(s):  
Decision Tree ◽  
Gain Ratio

Salah isatu ipenyebab ikredit ibermasalah iadalah ikurang itelitinya ipihak ikoperasi idalam isurvei idan ianalisis ipemberian ipeminjaman. iOleh ikarena iitu, ianalisis ikredit idengan iteknik idata imining iperlu idilakukan isehingga idapat imeminimalisir inasabah iterlambat imembayar ipinjaman iserta imempersingkat iwaktu ianalisis ipemberian ipinjaman. iPenelitian iini ibertujuan iuntuk membuat sistem decision tree yang dapat digunakan sebagai klasifikasi nasabah peminjaman berdasarkan nilai kelancaran pembayaran pinjamannya. Pada penelitian ini atribut yang yang digunakan sebagai acuan untuk menganalisis kelacancaran pembayaran pinjaman koperasi adalah status keanggotaan, status pernikahan, pekerjaan, pendapatan, pengeluaran, jaminan, keperluan, jumlah pinjaman dan lama pinjman. Algotitma C4.5 digunakan untuk membentu decision tree dengan cara mencari nilai entropy, gain info, split info, dan gain ratio pada setiap atribut untuk menentukan atribut akar dan cabangnya.

An Improved SPRINT Algorithm

2012 ◽  
Vol 532-533 ◽  
pp. 1685-1690 ◽  
Author(s):  
Zhi Kang Luo ◽  
Huai Ying Sun ◽  
De Wang
Keyword(s):  
Machine Learning ◽  
Data Mining ◽  
Decision Tree ◽  
Learning Communities ◽  
Information Gain ◽  
Decision Tree Algorithm ◽  
Tree Algorithm ◽  
Gain Ratio ◽  
Information Gain Ratio ◽  
Improved Algorithm

This paper presents an improved SPRINT algorithm. The original SPRINT algorithm is a scalable and parallelizable decision tree algorithm, which is a popular algorithm in data mining and machine learning communities. To improve the algorithm's efficiency, we propose an improved algorithm. Firstly, we select the splitting attributes and obtain the best splitting attribute from them by computing the information gain ratio of each attribute. After that, we calculate the best splitting point of the best splitting attribute. Since it avoids a lot of calculations of other attributes, the improved algorithm can effectively reduce the computation.

Decision-tree instance-space decomposition with grouped gain-ratio

2007 ◽  
Vol 177 (17) ◽  
pp. 3592-3612 ◽  
Author(s):  
Shahar Cohen ◽  
Lior Rokach ◽  
Oded Maimon
Keyword(s):  
Decision Tree ◽  
Gain Ratio ◽  
Space Decomposition ◽  
Instance Space

scholarly journals Gain Ratio and Decision Tree Classifier for Intrusion Detection

2015 ◽  
Vol 126 (1) ◽  
pp. 56-59 ◽  
Author(s):  
Mabayoje Modinat ◽  
Akintola Abimbola ◽  
Balogun Abdullateef ◽  
Ayilara Opeyemi
Keyword(s):  
Intrusion Detection ◽  
Decision Tree ◽  
Decision Tree Classifier ◽  
Gain Ratio ◽  
Tree Classifier

scholarly journals Classification Algorithm in Data Mining Based on Maximum Exponential Class Counts Technique

2020 ◽  
Vol 9 (8) ◽  
pp. 124-130
Keyword(s):  
Decision Tree ◽  
Gain Ratio ◽  
Node Splitting ◽  
Tree Models ◽  
Categorical Attributes ◽  
Tree Creation ◽  
Attribute Measure ◽  
Normalized Gain ◽  
Splitting Measures

A new split attribute measure for decision tree node split during decision tree creation is proposed. The new split measure consists of the sum of class counts of distinct values of categorical attributes in the dataset. Larger counts induce larger partitions and smaller trees there by favors to the determination of the best spit attribute. The new split attribute measure is termed as maximum exponential class counts (MECC). Experiment results obtained over several UCI machine learning categorical datasets predominantly indicate that the decision tree models created based on the proposed MECC node split attribute technique provides better classification accuracy results and smaller trees in size than the decision trees created using popular gain ratio, normalized gain ratio and gini-index measures. The experimental results are mainly focused on performing and analyzing the results from the node splitting measures alone.

scholarly journals PREDIKSI CALON MAHASISWA BARU MENGUNAKAN METODE KLASIFIKASI DECISION TREE

2015 ◽  
Vol 7 (1) ◽  
pp. 48
Author(s):  
Mambang Mambang ◽  
Finki Dona Marleny
Keyword(s):  
Decision Tree ◽  
Information Gain ◽  
Internal Node ◽  
Terminal Node ◽  
Gain Ratio ◽  
Root Node ◽  
Information Gain Ratio

<p>Sebelum penyelengaraan pendidikan tenaga kesehatan memulai tahun ajaran baru, maka langkah awal akan dilaksanakan seleksi penerimaan mahasiswa baru yang berasal dari lulusan pendidikan menengah umum maupun kejuruan yang sederajat. Seleksi penerimaan mahasiswa baru ini bertujuan untuk menyaring calon mahasiswa dari berbagai latar belakang yang di sesuaikan dengan standar yang telah di tentukan oleh lembaga. Dalam penelitian ini bagaimana akurasi algoritma C4.5 untuk memprediksi kelulusan calon mahasiswa baru. Model decision tree merupakan metode prediksi klasifikasi untuk membuat sebuah tree yang terdiri dari root node, internal node dan terminal node. Berdasarkan hasil eksperimen dan evaluasi yang dilakukan maka dapat disimpulkan bahwa Algoritma C4.5 dengan Uncertainty didapatkan Akurasi 80,39%, Precision 94,44%, Recall 75,00% sedangkan dengan Algoritma C4.5 dengan Information Gain Ratio Akurasi 88,24%, Precision 98,28%, Recall 83,82%. </p>

Sign in / Sign up

Export Citation Format

Share Document