KOMPARASI KINERJA ALGORITMA KLASIFIKASI DATA MINING PADA PENGUJIAN DATA KEPENDUDUKAN MASYARAKAT JAWA BARAT TAHUN 2016-2020

Ulum, Bahrul (2021) KOMPARASI KINERJA ALGORITMA KLASIFIKASI DATA MINING PADA PENGUJIAN DATA KEPENDUDUKAN MASYARAKAT JAWA BARAT TAHUN 2016-2020. Sarjana thesis, Universitas Siliwangi.

Text DRAFT LAPORAN TUGAS AKHIR - 167006093 - Bahrul Ulum-converted.pdf Restricted to Repository staff only Download (1MB)

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

Actions (login required)

View Item