Oleh :
D11145010 Arif Fathurrohman
TI131027
TI131013
Nur Iskandar
DAFTAR ISI
DAFTAR ISI i
DAFTAR GAMBAR ii
DAFTAR TABEL
iii
BAB I PENDAHULUAN
3
4
2.1. Data 4
2.2. Algoritma yang digunakan
10
18
DAFTAR GAMBAR
Gambar 3. Repository 10
Gambar 4. Operator 11
Gambar 5. Impor Data
11
12
Gambar 7. Validation 12
Gambar 8. Main Proses
13
Gambar 9. Akurasi
13
14
14
15
15
16
16
17
17
18
DAFTAR TABEL
BAB I
PENDAHULUAN
1.1
Latar Belakang
Penilaian merupakan rangkaian kegiatan untuk memperoleh, menganalisis,
dan menafsirkan hasil belajar peserta didik yang dilakukan secara sistematis dan
berkesinambungan,
sehingga
menjadi
informasi
yang
bermakna
dalam
datang. Nilai inflasi sekarang, merupakan hasil dari kebijakan yang lalu,
mungkin hanya memberikan informasi yang samar-samar. Bagi pemerintah,
peramalan inflasi merupakan jembatan penghubung untuk mengetahui nilai
inflasi yang akan datang. Penelitian ini merupakan pengembangan
peramalan inflasi di Indonesia yang dapat memberikan input bagi Bank
Indonesia sebagai pertimbangan pengambilan kebijakan.
Pada penelitian ini menggunakan perbandingan algoritma Decision
Tree (C4.5) dan algoritma Naive Baiyes untuk memprediksi tingkat inflasi
bulanan di masa yang akan datang. Data yang penulis gunakan adalah data
tingkat inflasi bulanan di indonesia yang dikeluarkan oleh Badan Pusat
Statistik.
Penulis memilih algoritma Decision Tree (C4.5) dikarenakan metode
ini menghindari munculnya permasalahan ini dengan menggunakan kriteria
yang jumlahnya lebih sedikit pada setiap node internal tanpa banyak
mengurangi kualitas keputusan yang dihasilkan dan bersifat fleksibel.
(Yuliastri, 2015).
1.2
Rumusan Masalah
Berdasarkan penjelasan uraian diatas dapat dirumuskan permasalahan
Batasan Masalah
Permasalahan pada penelitian ini dibatasi yaitu :
1. Data diambil dari SMK Bina Insan Bangsa
2. Data yang diambil merupakan data nilai raport kelas X TKJ-3
3. Data yang diambil merupakan data nilai raport semester 1 tahun 2016
1.4
1.4.1
Tujuan
Manfaat
BAB II
PEMBAHASAN
2.1
Data
Berikut adalah data set yang akan digunakan dalam proses rapid miner.
Dikarenakan data yang digunakan memiliki jumlah yang banyak, jadi hanya
ditampilkan sedikit saja untuk data yang digunakan dalam proses rapid miner.
Untuk lebih lengkapnya bisa dilihat pada Tabel 1.
Tabel 1. DataSet Nilai Raport
Data tersebut merupakan data yang diambil langsung dari SMK Bina Insan
Bangsa dan merupakan data nilai raport untuk kelas X TKJ-3.
2.2
2.2.1
konsep Decision
Tree adalah
salah
satu
dari
teknik
decision analysis. Tree sendiri pertama kali diperkenalkan pada tahun 1960-an
oleh Fredkin. tree berasal dari kata retrival (pengambilan kembali) sesuai
dengan fungsinya. Secara etimologi kata ini diucapkan sebagai tree. (Yudha,
2015)
Secara singkat bahwa Decision Tree
ini
menghindari
munculnya
permasalahan
ini
dengan
1. Terjadi overlap, hal ini sering saya temui ketika menggunakan kelas-kelas
dan kriteria yang digunakan dalam jumlah besar. Hal tersebut juga dapat
menyebabkan meningkatnya waktu pengambilan keputusan dan jumlah
memori yang diperlukan.
2. Pengakumulasian jumlah eror dari setiap tingkat dalam sebuah pohon
keputusan yang besar.
3. Kesulitan dalam mendesain pohon keputusan yang optimal.
4. Hasil kualitas keputusan yang didapatkan dari metode pohon keputusan
sangat tergantung pada bagaimana pohon tersebut didesain.
2.2.2
10
Gambar 3. Repository
Gambar 4. Operator
11
4.
12
13
Gambar 9. Akurasi
14
KNN
Berikut adalah proses yang akan dilakukan dalam melakukan proses rapid
15
16
BAB III
PENUTUP
3.1
Kesimpulan
Dari analisis yang telah dilakukan dapat dilihat hasil dari algoritma
decision tree memiliki akurasi 82,50%, dan Kappa 0,714. Untuk algoritma KNN
memiliki akurasi 69,17%, dan Kappa 0,541. Untuk hasil perbandingan antara
algoritma decision tree dan KNN yang dilakukan maka dapat disimpulkan
algoritma decision tree lebih baik daripada KNN dalam melakukan klasifikasi
nilai raport pada SMK Bina Insan Bangsa.
3.2
Saran
Saran yang bisa diberikan dari penelitian yang telah dilakukan adalah para
peniliti lain bisa mencoba beberapa algoritma lain untuk proses data mining agar
hasil yang didapat lebih baik.
20
DAFTAR PUSTAKA
Yudha, manik kartika. (2015). Pembahasan Decision Tree. Retrieved December
20, 2016, from http://dokumen.tips/documents/pembahasan-decisiontree.html
Yuliastri, I. (2015). Konsep Pohon Keputusan [Decision Tree] Data Mining.
Retrieved December 15, 2016, from http://tutorcollection.com/konseppohon-keputusan-decision-tree-data-mining/
21