Comparison of Classification C4.5 Algorithms and Naïve Bayes Classifier in Determining Merchant Acceptance on Sponsorship Program

Normah,; Yulianti, Ita; Novianti, Deny; Winnarto, Monikka Nur; Zumarniansyah, Ainun; Linawati, Safitri

doi:10.1088/1742-6596/1641/1/012006

Cited by 3 publications

(2 citation statements)

References 2 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Berbagai langkah yang diambil untuk membuat pohon keputusan algoritma C4.5 adalah sebagai berikut [18]: 1. Tentukan atribut sebagai akar Setiap atribut yang dipilih untuk menjadi akar berdasarkan nilai gain ratio tertinggi dari semua atribut [19]. Persamaan (2) berisi rumus untuk menemukan nilai gain ratio.…”

Section: Penerapan C45unclassified

Perbandingan Algoritma C4.5 dan Adaptive Boosting dalam Klasifikasi Penyakit Alzheimer

Mortara,

Permatasari,

Desiani

et al. 2023

JATI

View full text Add to dashboard Cite

Penyakit alzheimer adalah penyakit yang menyerang sistem saraf di dalam otak. Penyakit ini dapat menyebabkan terganggunya aktivitas sehari-hari, ingatan yang tidak terorganisir, dan berkurangnya daya ingat. Deteksi dini penyakit alzheimer dapat memanfaatkan pendekatan matematis menggunakan data mining. Data mining memiliki model-model klasifikasi yang dapat digunakan untuk mendeteksi dini penyakit alzheimer. Beberapa algoritma yang dapat digunakan untuk klasifikasi diantaranya adalah C4.5 dan Adaptive Boosting (AdaBoost) yang diterapkan pada penelitian ini untuk mengklasifikasikan penyakit alzheimer. Perbandingan kedua algoritma ini bertujuan untuk memperoleh algoritma mana yang paling tepat dalam klasifikasi penyakit alzheimer. Untuk menguji kedua algoritma ini digunakan dua teknik pengujian yaitu percentage split dan k-fold cross validation. Pada percentage split dipilih ukuran split sebesar 80% untuk data latih dan 20% sebagai data uji dan k-fold cross validation dipilih nilai k sebesar 10. Hasil penerapan dari kedua algoritma diperoleh bahwa untuk k-fold cross validation bekerja lebih baik dibandingkan dengan percentage split. Hal ini dikarenakan k-fold cross validation meningkatkan persentase nilai presisi, recall, dan akurasi dari masing-masing algoritma. Untuk kinerja masing-masing algortima, AdaBoost dalam penggunaanya bekerja lebih baik dibandingkan dengan C4.5 dengan nilai presisi, recall dan akurasi secara berturut-turut, yaitu 91.5%, 91% dan 91.15%. Dari hasil yang diperoleh dapat disimpulkan bahwa algoritma AdaBoost dengan teknik k-fold cross validation memiliki performa yang paling baik dalam melakukan klasifikasi penyakit alzheimer dibandingkan algoritma dan teknik pengujian lainnya.

show abstract

Section: Penerapan C45unclassified

Perbandingan Algoritma C4.5 dan Adaptive Boosting dalam Klasifikasi Penyakit Alzheimer

Mortara,

Permatasari,

Desiani

et al. 2023

JATI

View full text Add to dashboard Cite

show abstract

“…Output Data Mining dapat digunakan untuk membantu pengambilan keputusan di masa mendatang (Normah, Yulianti, et al, 2020). "K-Means ialah metode Clustering non hirarki yang berusaha mempartisi data yang ada ke dalam bentuk satu atau lebih Cluster atau dapat mempunyai tujuan untuk membagi data menjadi beberapa kelompok (Bahar, Pramono, & Sagala, 2016)".…”

Section: Latar Belakangunclassified

Penerapan Data Mining Metode K-Means Clustering Untuk Analisa Penjualan Pada Toko Fashion Hijab Banten

Normah

Nurajizah

Salbinda

2021

View full text Add to dashboard Cite

Toko Helai merupakan sebuah toko yang bergerak dalam bidang penjualan fashion hijab, namun demikian dari berbagai jenis pakaian yang dijual tentu tidak semuanya yang laris terjual, ada juga yang kurang laris terjual. Data-data penjualan, pembelian barang maupun pengeluaran tidak terduga pada Toko Helai ini tidak tersusun dengan baik, sehingga data tersebut hanya berfungsi sebagai arsip bagi toko dan tidak dapat dimanfaatkan untuk pengembangan strategi pemasaran.Oleh karena itu perlu diterapkan data mining menggunakan metode K-Means pada Toko Helai. Metode K-Means dapat diterapkan pada Toko Helai untuk menentukan penjualan baju mana yang sangat laris, laris dan kurang laris. Penerapan metode K-Means pada toko Helai, yaitu dengan cara mengelompokan data stok baju. Kemudian memilih 3 cluster secara acak sebagai centroid awal. Setelah data pada setiap cluster tidak berubah-ubah, maka dapat diketahui hasil akhirnya yaitu yang sangat laris ada 11 artikel, yang laris ada 55 artikel dan 34 artikel untuk yang kurang laris. Kemudian Menerapkan metode K-Means pada Rapidminer dilakukan dengan memasukkan data stok produk yaitu stok awal, stok terjual dan stok akhir yang akan menjadi Database pada Ms.Excel, data tersebut kemudian dikoneksikan ke dalam Tools Rapidminer, dan akan diolah dan dibentuk K-means. Setelah itu, Rapidminer akan menghasilkan produk mana yang sangat laris, laris, dan kurang laris

show abstract

Determination of elderly card recipients in west Jakarta by modeling C4.5 algorithm using Python

Normah¹,

Yulianti²,

Rifai³

et al. 2023

AIP Conference Proceedings

View full text Add to dashboard Cite

Comparison of Classification C4.5 Algorithms and Naïve Bayes Classifier in Determining Merchant Acceptance on Sponsorship Program

Cited by 3 publications

References 2 publications

Perbandingan Algoritma C4.5 dan Adaptive Boosting dalam Klasifikasi Penyakit Alzheimer

Perbandingan Algoritma C4.5 dan Adaptive Boosting dalam Klasifikasi Penyakit Alzheimer

Penerapan Data Mining Metode K-Means Clustering Untuk Analisa Penjualan Pada Toko Fashion Hijab Banten

Determination of elderly card recipients in west Jakarta by modeling C4.5 algorithm using Python

Contact Info

Product

Resources

About