KOMPARASI KINERJA ALGORITMA KLASIFIKASI DATA MINING
PADA PENGUJIAN DATA KEPENDUDUKAN MASYARAKAT JAWA BARAT
TAHUN 2016-2020
Total View This Week0
Total View This Week0
Institusion
Universitas Siliwangi
Author
Ulum, Bahrul
Subject
TA Engineering (General). Civil engineering (General)
Datestamp
2022-09-22 08:45:51
Abstract :
Abstrak Data mining merupakan suatu proses penambangan informasi penting dari suatu data. Informasi tersebut didapat dari suatu proses yang amat rumit seperti mengidentifikasi dan mengekstraksi informasi yang bermanfaat dari suatu database besar. Selanjutnya, Algoritma Naïve bayes classifiers, Neural network, Decision tree, Random forest, dan Decision stump, berikut merupakan sebagai fitur-fitur system pendukung testing dataset. Hasil penelitian menunjukan bahwa Naïve bayes classifiers lebih unggul dibandingkan dengan Neural network, Decision tree, Random forest,dan Decision stump. NBC (Naïve bayes classifiers) yaitu memperoleh accuracy 100%, classification error 0.00%, recall 100%, precision 100%, relative squad error 0.00. Sedangkan paling minim dari segi testing adalah DS (Decision stump) dengan parameter seperti NB mendapatkan accuracy 7,41%, classification error 92.59%, recall 7,41%, precision 3,85%, relative squad error 0.079. Berikutnya, adalah fitur Neural network lebih sangat minim sekali dibandingkan DS (Decision stump) yaitu hasil parameternya accuracy 3,70%, classification error 96.30%, recall 3,70%, precision 0,14%, dan relative squad error 0.080. Adapun DT(Decision tree) memiliki hasil relevan kelas menengah yaitu accuracy 37.04%, classification error 62,96%, recall 37,04% precision 33,54% dan relative squad error 0.064. Fitur hasil terakhir yaitu Random forest memiliki kesamaan atas (Naïve bayes classifiers) namun memiliki perbedaan parameter yaitu relative squad error beserta hasil 0.030. Kata kunci : Algoritma klasifikasi, Data Mining, Komparasi, Rapidminer,Weka
Abstrak Data mining merupakan suatu proses penambangan informasi penting dari suatu data. Informasi tersebut didapat dari suatu proses yang amat rumit seperti mengidentifikasi dan mengekstraksi informasi yang bermanfaat dari suatu database besar. Selanjutnya, Algoritma Naïve bayes classifiers, Neural network, Decision tree, Random forest, dan Decision stump, berikut merupakan sebagai fitur-fitur system pendukung testing dataset. Hasil penelitian menunjukan bahwa Naïve bayes classifiers lebih unggul dibandingkan dengan Neural network, Decision tree, Random forest,dan Decision stump. NBC (Naïve bayes classifiers) yaitu memperoleh accuracy 100%, classification error 0.00%, recall 100%, precision 100%, relative squad error 0.00. Sedangkan paling minim dari segi testing adalah DS (Decision stump) dengan parameter seperti NB mendapatkan accuracy 7,41%, classification error 92.59%, recall 7,41%, precision 3,85%, relative squad error 0.079. Berikutnya, adalah fitur Neural network lebih sangat minim sekali dibandingkan DS (Decision stump) yaitu hasil parameternya accuracy 3,70%, classification error 96.30%, recall 3,70%, precision 0,14%, dan relative squad error 0.080. Adapun DT(Decision tree) memiliki hasil relevan kelas menengah yaitu accuracy 37.04%, classification error 62,96%, recall 37,04% precision 33,54% dan relative squad error 0.064. Fitur hasil terakhir yaitu Random forest memiliki kesamaan atas (Naïve bayes classifiers) namun memiliki perbedaan parameter yaitu relative squad error beserta hasil 0.030. Kata kunci : Algoritma klasifikasi, Data Mining, Komparasi, Rapidminer,Weka
Download
book
BibTex
Latex, Jabref
cloud_download
Original Resource
url resource Institution
