Nama : Ade Indra Sukma

Kelas : VA

NIM : 11353102997

Dosen : Mustakim, ST

MK : Data Mining

Judul Proposal:
IMPLEMENTASI KLASIFIKASI DECISION TREE DENGAN ALGORITMA C4.5 DALAM
PENGAMBILAN KEPUTUSAN PERMOHONAN KREDIT OLEH DEBITUR (STUDI KASUS:
BANK PASAR DAERAH ISTIMEWA YOGYAKARTA)

Dari paper/jurnal yang saya baca, saya menyimpulkan bahwa:

1. Tujuan
Dari paper/jurnal yang saya baca, tujuan dari jurnal tersebut adalah dimana penulis
mengimplementasikan klasifikasi decision tree(pohon keputusan) dengan algoritma c4.5
untuk pengambilan keputusan permohonan kredit, dimana analisis kredit dapat mengetahui
apakah seorang pemohon layak atau tidak layak mendapatkan kredit tersebut. Hal ini
dilakukan bertujuan untuk mengurangi masalah ataupun kredit macet yang dapat merugikan
perusahaan atau bank.

2. Kelebihan/kekurangan
Kelebihan dari materi topik dari jurnal adalah dimana penulis mampu
mengimplementasikan dengan baik decision tree dengan algoritma c4.5 dengan baik dalam
menangani permasalahan permohonan kredit serta penulis menjelaskan dengan rinci
bagaimana cara mengimplementasikan klasifikasi decision tree dengan algoritma c4.5 dengan
jelas dan detail. Penulis menjelaskan semua aspek terkait jurnal tersebut.
Dari paper/jurnal tersebut saya tidak bisa menemukan letak kekurangan dari jurnal
tersebut.

3. Kesimpulan
Setelah membaca serta memahami jurnal tersebut, saya dapat menarik kesimpulan
bahwa algoritma c4.5 merupakan salah satu metode yang sangat baik untuk menentukan
sebuat keputusan.
Untuk mengimplimentasikan klasifikasi decision tree dengan algoritma c4.5 ini
menggunakan beberapa attribut, yaitu :

Attribut Kategorikal
o Nominal
o Ordinal
Attribut Numerik
o Interval
o Rasio

Berdasarkan jumlah nilai

o Diskrit
o Kontinyu

Didalam implementasi klasifikasi decision tree dengan algoritma c4.5 juga

menggunakan Knowledge Discovery in Database (KDD). KDD adalah keseluruhan proses
non-trivial untuk mencari dan mengidentifikasi pola (pattern) dalam data, dimana pola yang
ditemukan bersifat sah, baru, dapat bermanfaat dan dapat dimengerti.

Transformasi
Data mining
Interpretasi/Evaluasi

Beberapa hal yang perlu diperhatikan dalam membentuk struktur pohon

adalah:
a) Pilih root berdasarkan gain ratio terbesar
b) Pilih internal root /cabang root berdasar gain ration terbesar setelah
menghapus atribut telah terpilih sebagai root
c) Ulangi sampai semua atribut terhitung nilai gain rationya.

Ada dua metode dalam melakukan pemangkasan pohon dalam pohon

keputusan, yaitu:
1. Prepruning yaitu menghentikan pembangunan suatu subtree lebih awal, yaitu
dengan memutuskan untuk tidak lebih jauh mempartisi data training.
2. Postpruning yaitu menyederhanakan pohon dengan cara membuang beberapa
cabang subtree setelah pohon selesai dibangun.