Penerapan Metode Data Mining

Pada Official Statistics

Fauziah (221709694)
Ratriani Retno Wardani (221709961)
Renata Pradita (221709965)
Data yang Digunakan
Data yang digunakan adalah Kepadatan dan Distribusi Tenaga Kesehatan Tahun 2017.
Sumber
Sumber data tersebut adalah website resmi Badan Pusat Statistik (BPS).
Tujuan dan Manfaat Penelitian

Tujuan dari penelitian ini adalah untuk mengklasifikasikan suatu provinsi ke

dalam suatu kategori kepadatan dan distribusi tenaga kesehatan berdasarkan
jumlahnya. Model klasifikasi yang tepat dapat dimanfaatkan untuk
mengetahui dan memprediksi kepadatan dan distribusi tenaga kesehatan
berdasarkan jumlahnya.
Pada kasus kali ini, kami menggunakan metode diskretisasi, yaitu membagi
nilai data menjadi beberapa range data yang dapat dilakukan dengan cara
binning dan hirarki konsep. Kami menggunakan hirarki konsep yaitu
mengelompokkan jumlah seluruh kepadatan dan distribusi tenaga kesehatan
tiap-tiap provinsi menjadi :
• Kurang (0-250)
• Cukup (251-500)
• Tinggi (> 500)
Metode Data Mining

Penelitian kami ini menerapkan salah satu metode data mining, yaitu
klasifikasi.

Dalam memilih model terbaik, kami menggunakan metode klasifikasi

ZeroR untuk menjadi standar penilaian. Jika tingkat akurasi metode klasifikasi
lainnya lebih tinggi daripada tingkat akurasi metode klasifikasi ZeroR, maka
model dari metode klasifikasi ZeroR tidak jadi digunakan.
ZeroR
J48
Tree View
Random Forest
Kesimpulan
Berdasarkan metode klasifikasi data menggunakan metode ZeroR, Decision
Tree J48 dan Random Forest dengan tingkat akurasi masing-masing senilai
76.4706%, 87.5%, dan 91.6667%.
Sesuai dengan standar akurasi yang diterapkan, hasil akurasi ZeroR akan kami
gunakan sebagai batas nilai minimal untuk memenuhi syarat akurasi. Karena
nilai akurasi metode Random Forest lebih besar daripada nilai akurasi metode
ZeroR dan Decision Tree J48, kami menyimpulkan bahwa mengklasifikasikan
data dengan metode Random Forest cocok untuk diterapkan pada data
Kepadatan dan Distribusi Tenaga Kesehatan Tahun 2017.
Terima Kasih