Nama : Nabila Nurfadhilah

NIM : 190402058

Tugas Pertemuan 10

1. C 4.5

Algoritma C4.5 merupakan teknik Data Mining yang dapat melakukan prediksi dengan
mengolah variabel Semester, IPK, Nilai, Keadaan Ekonomi dan Status. Algoritma C4.5 dengan
metode pohon keputusan dapat memberikan informasi rule prediksi untuk menggambarkan
proses yang terkait dengan prediksi mahasiswa yang mengulang.

PENGEMBANGAN APLIKASI DATA MINING DENGAN ALGORITMA C4.5 DAN

APRIORI DI FAKULTAS TEKNOLOGI INFORMATIKA UNIVERSITAS RESPATI
INDONESIA

Sumber : https://jurnal.umj.ac.id/index.php/jurtek/article/view/992/967

2. Support Vector Machine (SVM)

Support Vector Machine (SVM) adalah algoritme supervised yang berupa klasifikasi dengan
cara membagi data menjadi dua kelas menggunakan garis vektor yang disebut hyperplane
(Octaviani, et al., 2014). Pada permasalahan yang kompleks atau permasalahan dengan
parameter yang banyak, metode ini sangat baik untuk digunakan.

ANALISIS DAN PENERAPAN ALGORITMA SUPPORT VECTOR MACHINE (SVM)

DALAM DATA MINING UNTUK MENUNJANG STRATEGI PROMOSI (ANALYSIS AND
APPLICATION OF ALGORITHM SUPPORT VECTOR MACHINE (SVM) IN DATA
MINING TO SUPPORT PROMOTIONAL STRATEGIES)

Sumber : http://jurnalnasional.ump.ac.id/index.php/JUITA/article/view/4378/2817

3. K-Means

K-Means Clustering adalah suatu metode penganalisaan data atau metode Data Mining yang
melakukan proses pemodelan tanpa supervisi (unsupervised) dan merupakan salah satu metode
yang melakukan pengelompokan data dengan sistem partisi.
DATA MINING MENGGUNAKAN ALGORITMA K-MEANS PENGELOMPOKAN
PENYEBARAN DIARE DI KOTA MAKASSAR

Sumber : https://ejurnal.dipanegara.ac.id

4. Apriori

Algoritma Apriori salah satu algoritma data mining dalam pembentukan asosiasi rule mining.
Algoritma apriori adalah proses ekstraksi informasi dari suatu database, dilanjutkan dengan
melakukan frequent item/itemset dan candidate generation dalam pembentukan asosiasi rule
mining guna mendapatkan hasil nilai minimum support dan hasil nilai minimum confidence.
Pada database yang cukup besar, algoritma apriori banyak menghasilkan pattern frequent
item/itemset (pola sering muncul suatu item/itemset) yang banyak, karena harus melakukan
candidate generation serta merekam database secara berulang-ulang. Dengan ini penulis
berkeinginan mengembangkan algoritma apriori dengan melakukan penelitian tentang
bagaimana meminimalkan frequent item/itemset pada apriori, tanpa melakukan candidate
generation sehingga mempercepat tahapan penyelesaian pencarian asosiasi rule mining. Untuk
solusi meminimalkan frequent item/itemset pada algoritma apriori, maka penulis menggunakan
metode FP-Growth,dari hasil penelitian yang dilakukan dengan menggunakan dataset 1000
records pada TransactionID-Sales , pada apriori mulai dari k2, dihasil sebanyak 101 frequent
item/itemset, sementara pada FP-Growth k2 sebanyak 40 frequent item/itemset. Dari jumlah
hasil frequent item/itemset dapat disimpulkan bahwa dengan metode FP-Growth mampu
meminimalkan jumlah frequent item/itemset pada algoritma apriori dan lebih efesien dari segi
waktu, juga tahap penyelesaian lebih cepat, lebih terperinci dalam memaparkan hasil frequent
item/itemset karena hasil frequent yang bernilai 1 masih diperhitungkan.

PENGEMBANGAN ALGORTIMA APRIORI UNTUK PENGAMBILAN KEPUTUSAN

Sumber : https://jurnal.kominfo.go.id/index.php/jtik/article

5. Expectation Maximisation Algorithm

PENERAPAN ALGORITMA EXPECTATION-MAXIMIZATION (EM) DALAM

MENGELOMPOKKAN POPULARITAS OBJEK WISATA DI MALANG RAYA
BERDASARKAN INDIKATOR BANYAK PENGUNJUNG

Sumber : http://journal2.um.ac.id/index.php/jkma/article/view/22173
6. PageRank

Implementasi algoritma PageRank untuk menentukan peringkat web umumnya hanya berisi
halaman statis dan dinamis, dengan pengguna url cepat diperlukan algoritma untuk menghitung
peringkat web. Dalam menentukan rangking sebuah web, link masuk dan keluar juga merupakan
model sulfer acak merupakan salah satu faktor penentu dalam menentukan rangking sebuah web.
Implementasi pagerank [ada MATLAB terbentuk pada sebuah program di m-file.

IMPLEMENTATION OF PAGERANK ALGORITHM IN MATLAB

Sumber : http://jurnal.uinsu.ac.id/index.php/zero/article/view/1458

7. k-Nearest Neighbors

Berdasarkan permasalahan tersebut maka dilakukan perancangan dan pembuatan aplikasi yang
dapat digunakan untuk memprediksi harga jual tanah dengan pendekatan algoritma K-Nearest
Neighbour (KNN). Dengan aplikasi ini diharapkan dapat memberikan Informasi yang lebih
akurat dan efisien tentang harga jual tanah serta membantu para calon pembeli atau penjual tanah
untuk memprediksi nilai tanah sesuai dengan kriteria yang ditentukan. Data yang dikumpulkan
berupa data sekunder. Metode yang digunakan adalah gabungan antara tahapan data mining yang
dikenal dengan istilah Cross-Industry Standard Process for Data Mining (CRISP-DM) dan
metode pengembangan perangkat lunak Waterfall Model. Secara keseluruhan aplikasi ini mampu
untuk memprediksi nilai tanah dengan pemrosesan yang cukup lama karena algoritma KNN
prinsipnya adalah membandingkan data testing (data baru) dengan data training (data lama)
secara satu persatu. Hasil akurasi dari prediksi data testing adalah sebesar 80%

ALGORITMA K-NEAREST NEIGHBOUR UNTUK MEMPREDIKSI HARGA JUAL

TANAH

Sumber : file:///C:/Users/HP/Downloads/3399-Article%20Text-6761-1-10-20180201%20(1).pdf

8. Naıve Bayes

Penelitian ini di latar belakangi oleh kemajuan perkembangan teknologi komunikasi dan
informasi yang sangat pesat dan semakin murah sehingga membuat masyarakat untuk pulsa
telepon selular menjadi kebutuhan yang wajib pada masa kini. Dari bermacam produk pulsa yang
ada pada konter RA Cell Pulsa Telkomsel, Pulsa XL, Pulsa Indosat, dan Pulsa 3 peneliti
mengklasifikasi menjadi Laris dan Tidak Laris. Tujuannya dapat mengetahui penerapan data
mining dengan menggunakan algoritma Naive Bayes dalam menentukan klasifikasi produk
terlaris dan hasil akurasi data terhadap stok penjualan pulsa. Dengan mengumpulkan data
sebanyak 600 data menjadi 480 data training dan 120 data testing. Data mining merupakan
bentuk penggalian data dalam mengklasifikasi pada sebuah data yang jumlahnya banyak,
menggunakan tool RapidMiner dan algoritma Naive Bayes merupakan metode klasifikasi yang
banyak digunakan karena sederhana dan akurasi yang tinggi dalam mengklasifikasi data.
Berdasarkan hasil penelitian yang telah dilakukan, jenis produk terlaris pada penjualan pulsa
menurut nama produk adalah Pulsa Telkomsel. Tingkat akurasi klasifikasi dengan metode Naive
Bayes menghasilkan nilai Accuracy sebesar 97,50%, nilai Precision 100%, dan nilai Recall
93,48% sehingga metode Naive Bayes merupakan metode yang cukup baik dalam penelitian ini.

PENERAPAN ALGORITMA NAIVE BAYES UNTUK MENENTUKAN KLASIFIKASI

PRODUK TERLARIS PADA PENJUALAN PULSA

Sumber : https://www.jurnal.pelitabangsa.ac.id/index.php/sigma/article/view/581

9. Classification and Regression Trees

Organisasi kemahasiswaan adalah fasilitas yang disediakan oleh perguruan tinggi sebagai wadah
untuk mengembangkan kemampuan non akademis, minat dan bakat mahasiswa. Namun, dalam
kenyataannya banyak mahasiswa yang mengikuti organisasi mengalami penurunan prestasi
hingga tidak dapat lulus tepat waktu. Di Universitas Negeri Jakarta belum adanya sistem yang
dapat mengklasifikasikan lama masa studi mahasiswa yang mengikuti organisasi. Sebelum
membangun sistem pengambilan keputusan, diperlukan penelitian mengenai akurasi suatu
algoritma agar sistem keputusan yang dibuat memiliki tingkat akurasi yang tinggi. Penelitian ini
menggunakan algoritma data mining yaitu algoritma Classification and Regression Tree
(CART). CART merupakan metode pohon keputusan biner. CART dikembangkan untuk
melakukan analisis klasifikasi pada peubah respon baik yang nominal, ordinal, maupun kontinu.
Metode klasifikasi CART terdiri dari dua metode yaitu metode pohon regresi dan pohon
klasifikasi. Data mahasiswa yang mengikuti organisasi yang lulus tepat waktu dan tidak lulus
tepat waktu akan diolah menggunakan algoritma CART. Setelah diklasifikasikan data tersebut
akan dihitung hasil akurasinya menggunakan K-fold Cross Validation dengan nilai K = 5, k = 10,
dan K = 20. Berdasarkan hasil contoh data mahasiswa yang mengikuti organisasi menunjukan
bahwa hasil perhitungan akurasi algoritma CART terbaik diperoleh ketika nilai K = 20.
Algoritma CART telah mampu mengklasifikasikan lama masa studi mahasiswa yang mengikuti
organisasi di Universitas Negeri Jakarta. Algoritma CART menghasilkan rata-rata akurasi 80%.

KINERJA ALGORITMA CLASSIFICATION AND REGRESSION TREE (CART) DALAM

MENGKLASIFIKASIKAN LAMA MASA STUDI MAHASISWA YANG MENGIKUTI
ORGANISASI DI UNIVERSITAS NEGERI JAKARTA

Sumber : http://journal.unj.ac.id/unj/index.php/pinter/article/view/16390/9044
10. Adaboost

Metode AdaBoost merupakan salah satu algoritma supervised pada data mining yang
diterapakan secara luas untuk membuat model klasifikasi. AdaBoost sendiri pertama kali
diperkenalkan oleh Yoav Freund dan Robert Schapire(1995). Walaupun pada awalnya algoritma
ini diterapkan pada model regresi, seiring dengan perkembangan teknologi komputer yang cepat,
metode ini juga dapat diterapkan pada model statistik lainnnya. Metode adaBoost merupakan
salah satu teknik ensamble dengan menggunakan loss function fungsi exponential untuk
memperbaiki tingkat akurasi dari prediksi yang dibuat. Pada makalah ini akan akan dijelaskan
penerapan metode AdaBoostdalam masalah pengklasifikasian dengan tujuan untuk memperbaiki
tingkat akurasi model yang dibentuk.

PENERAPAN ALGORITMA ADABOOST GUNA MENENTUKAN POLA MASUKNYA

CALON MAHASISWA.

Sumber : https://journals.usm.ac.id/index.php/transformatika/article/view/1606/1685