MENGGUNAKAN
PARTICLE SWARM OPTIMIZATION (PSO)
DAN
ALGORITMA DECISION TREE C.4.5
Nosiel
2021211026
PROGRAM STUDI
MAGISTER TEKNIK INFORMATIKA
FAKULTAS
ILMU KOMPUTER
INSTITUT INFORMATIKA DAN BISNIS DARMAJAYA Dosen Pembahas 1 Dr. Chairani, S.Kom.,M.Eng
BANDAR LAMPUNG
2022
Pembimbing Sriyanto, S.Kom., M.M, Ph.D Dosen Pembahas 2 Dr. Handoyo W.N, S.Kom.,M.T.I
LATAR BELAKANG MASALAH
Bank merupakan perusahaan yang memiliki data yang besar yang
tersimpan di dalam database dan diolah menghasilkan sebuah Apa yang melatar
informasi yang saling berkaitan tentang nasabah, data tersebut dapat belakangi penelitian
digunakan untuk menjaga hubungan antar bank dengan nasabah ini?
yang valid, sehingga berguna untuk menentukan secara individual
tentang penawaran produk bank.
Salah satu produk dari Bank adalah Deposito Berjangka Bank mempunyai ribuan data nasabah, dari
ribuan data nasabah ini, ada beberapa yang
potensial, bagaimana memilih nasabah
Apa itu dianggap potensial atau tidak?
deposito
berjangka? Diperlukan penelitian terkait menggunakan
data mining untuk bisa memilih
mengklasifikasi manasaja nasabah yang
Deposito berjangka adalah potensial, untuk calon nasabah deposito!
deposito yang mempunyai
masa atau jangka waktu
yang telah ditentukan.
LATAR BELAKANG MASALAH
Menurut Hasil Review Penelitian Sebelumnya
No. Judul Metode Hasil Akurasi
01 Klasifikasi Data Mining untuk Prediksi Potensi Decision Tree, Naïve Bayes dan k- Metode decision tree mendapatkan
Nasabah dalam Membuat Deposito Berjangka Nearest Neighbor akurasi tertinggi 91,26%.
02 Analisis Data Bank Direct Marketing dengan Naïve Bayes, K-Nearest Neighbor, Metode Naive Bayes mendapatkan
Perbandingan Klasifikasi Data Mining Berbasis Support Vector Machine akurasi tertinggi 90,18%.
Optimize Selection (Evolutionary)
03 Prediksi Nasabah Yang Berpotensi Membuka Naive Bayes Mendapatkan akurasi 89,70%
Simpanan Deposito
04 Analisis Perbandingan Algoritma Optimasi pada Algoritma Random Forest (RF) Metode Random Forest
Random Forest untuk Klasifikasi Data Bank mendapatkan akurasi 88,30%,
Marketing
05 Analisa Nasabah Potensial Tabungan Deposito Berjan Decision Tree, Naïve Bayes ,NN Metode Decision Tree
gka Menggunakan Teknik Klasifikasi Data Mining mendapatkan akurasi 89,72%
LATAR BELAKANG MASALAH
Situs
Pengambilan
dataset?
Seleksi Fiture
Fase Pemahaman Bisnis Split Validation
Pada penelitian ini
saya mengunakan Fase Pemahaman Data
Data Training Data Testing
tahapan Metode
CRISP-DM Fase Persiapan Data
Evaluasi
Apply Model
Fase Penyusunan Laporan
Performance
HASIL DAN PEMBAHASAN
4.1 Bussiness Understanding 4.2 Data Understanding 4.3 Data Preparation
atau Pemahaman Bisnis atau Pemahaman Data atau Persiapan Data
Setelah diketahui pola pohon keputusan berdasarkan data training, maka akan dimodelkan untuk meningkatkan tingkat
akurasi.
HASIL DAN PEMBAHASAN
4.4.2 Penelitian Menggunakan Algoritma Decision Tree
Penerapan data pada Rapidminer untuk klasifikasi calon Hasil eksperimen dapat kita lihat pada gambar
nasabah deposito bank menggunakan Algoritma Decision dibawah ini.
Tree
Eksperimen penelitian menghasilkan tingkat akurasi tinggi dan tingkat akurasi lebih
tinggi dari penelitian sebelumnya, akan tetapi masih dapat ditingkatkan tingkat
akurasinya
HASIL DAN PEMBAHASAN
4.4.3 Penelitian Menggunakan Particle Swarm Optimization (PSO) dan Decision Tree C4.5
Eksperimen lanjutan yang dilakukan pada penelitian ini adalah penggunaan teknik optimasi seleksi fitur menggunakan
Particle Swarm Optimization (PSO) dan algoritma Decision Tree C4.5.
HASIL DAN PEMBAHASAN
Pada gambar 4.4 data yang sudah disiapkan diterapkan pada aplikasi rapidminer dan penggunaan teknik optimasi
seleksi fitur Particle Swarm Optimization (PSO) dan algoritma Decision Tree C4.5. Hasil eksperimen dapat kita
lihat pada gambar dibawah ini.
Pada gambar confusion matrix yang menunjukan hasil eksperimen lanjutan, didalam confusion matrix kita
dapat melihat hasil akurasi 99.94%, class presisi 100% dan class recall 99.45%.
HASIL DAN PEMBAHASAN
Perbandingan hasil eksperimen yang ditunjukan pada tabel dibawah ini:
Hasil dari eksperimen ini menghasilkan tingkat akurasi yang tinggi sebesar 99,94%, class presisi 100% dan class
recall 99.45% dari penelitian sebelumnya sebesar 89,72%(Agustina 2018). akurasi ini meningkat ketika
dilakukannya seleksi fitur oleh algoritma decision tree C4.5 pada dataset deposito bank. Selain Confusion matrix
untuk mengetahui kinerja dari eksperimen ini kita dapat mengandalkan kurva AUC yang dihasilkan. Perbandingan
hasil Kurva AUC pada penelitian sebelumnya dan penelitian saat ini dapat kita lihat pada gambar dibawah ini:
HASIL DAN PEMBAHASAN
Gambar penelitian sebelumnya menghasilkan Area Under Curva (AUC) 0.73 ( Fair Classification )
Gambar AUC hasil eksperimen penelitian saat ini menghasilkan Area Under Curva (AUC) 0.99 yang
membuktikan bahwa akurasi pada model optimasi ini memiliki tingkat klasifikasi yang sangat baik.
(Excelent Clasification).
HASIL DAN PEMBAHASAN
4.4.4 Perbandingan Penelitian Tidak Menggunakan PSO dan Menggunakan PSO
Perbandingan hasil eksperimen yang tidak menggunakan seleksi fitur PSO dan eksperimen yang
menggunakan seleksi fitur PSO ditunjukan pada tabel dibawah ini:
4.5 Evaluasi Berdasarkan model proses yang telah berhasil dilakukan, maka
diperoleh data seleksi pembobotan atribut PSO sebagai berikut:
Dari gambar diatas dapat dilihat hasil pembobotan atribut-atribut, terdapat 5 atribut yang memiliki nilai 0 yang
artinya atribut tersebut otomatis terseleksi dan tidak perlu digunakan karena tidak memiliki pengaruh dalam
proses.
KESIMPULAN DAN SARAN