Uji Metode Klasifikasi Data Dalam Proses Seleksi Penerima Beasiswa SMK PGRI Ploso

Ade Surya Budiman, Xanty Adhi Parandani

Sari


Abstrak

Proses seleksi beasiswa melibatkan banyak variabel untuk indikator penilaian kelayakan penerima beasiswa. Terdapat dua jenis variabel penilaian, yaitu variabel Nominal dan variabel Numerik. Kedua variabel ini memiliki kesetaraan perhitungan dan pertimbangan dalam proses seleksi. Terdapat berbagai metode yang bisa dipergunakan untuk melakukan proses klasifikasi dan pengenalan pola data yang dipakai dalam seleksi beasiswa. Didalam penelitian ini dilakukan pengujian terhadap dua metode klasifikasi dan pengenalan pola data, yaitu menggunakan implementasi logika fuzzy dan integrasi logika fuzzy dengan algoritma C4.5. Pengujian dilakukan untuk menguji keakuratan dari metode yang diperhitungkan dengan menggunakan metode pengujian 10-folds cross validation. Dari hasil penelitian diperoleh Root Mean Square Error (RMSE) sebesar 0,216 dan Mean Absolut Error (MAE) sebesar 0,0941 untuk implementasi logika fuzzy. Sedangkan untuk integrasi logika fuzzy dengan algoritma C4.5 diperoleh hasil RMSE sebesar 0,2714 dan MAE sebesar 0,132. Dari penelitian ini disimpulkan bahwa implementasi logika fuzzy memberikan hasil pengujian yang lebih baik.

Kata Kunci : Seleksi Beasiswa, Variabel Nominal, Variabel Numerik, Implementasi Logika Fuzzy, Algoritma C4.5.

 

Abstract

The scholarship selection process involves many variables for feasibility assessment indicators recipients. There are two types of assessment variables, namely Nominal variables and Numeric variables. Both of these variables have equal calculation and consideration in the selection process. There are various methods that can be used to make the process of classification and pattern recognition data used in the selection of scholarship. In this study tested the two methods of data classification and pattern recognition, which uses fuzzy logic implementation and integration of fuzzy logic with C4.5 algorithm. Tests conducted to test the accuracy of the method were calculated using the method of testing 10-folds cross validation. The results were obtained Root Mean Square Error (RMSE) of 0.216 and Mean Absolute Error (MAE) of 0.0941 to the fuzzy logic implementation. As for the integration of fuzzy logic and C4.5 algorithm’s resulting RMSE value 0.2714 and MAE value 0.132. This study suggests that the fuzzy logic implementation provides better test results.   

Keywords: Scholarship Selection, Nominal Variables, Numeric Variables, Fuzzy Logic Implementation, C4.5 Algorithm.

Teks Lengkap:

PDF

Referensi


Adeli, A., & Neshat, M. (2010). A Fuzzy Expert System for Heart Disease Diagnosis. Proceedings of The International Multi Conference of Engineers and Computer Scientist (IMECS) 2010 Vol.1. Hongkong.

Han, J., & Kamber, M. (2006). Data Mining: Concepts and Techniques, 2nd Edition . San Francisco: Morgan Kaufmann Publisher.

Hermawan, A. T., Gunawan, & Mahono, Y. C. (2009). Decision Support System Tool untuk Penyelesaian Permasalahan Linear Berbasis Simplex dan Revised Simplex. Seminar Nasional Aplikasi Teknologi Informasi (SNATI) 2009. Yogyakarta.

Kandel, A. (2001). Fuzzy Expert System. Florida: CRC Press.

Kusumadewi, S., & Purnomo, H. (2010). Aplikasi Logika Fuzzy untuk Pendukung Keputusan, Edisi 2. Yogyakarta: Graha Ilmu.

Marimin. (2005). Teori dan aplikasi Sistem Pakar dalam Teknologi Manajerial. Bogor: IPB Press.

Microstrategy. (n.d.). Decision Support System . Retrieved April 22, 2012 , from www.microstrategy.com/decision-support-system/.

Moertini, V. S. (2007). Pengembangan Skalabilitas Algoritma Klasifikasi C4.5 Dengan Pendekatan Konsep Operator Relasi (Studi Kasus: Pra-Pengolahan Dan Klasifikasi Citra Batik). Bandung: Program Studi Teknik Informatika – ITB.

Negnevitsky, M. (2005). Artificial Intelligence; A Guide to Intelligent Systems, 2nd Edition. Harlow: Pearson Education Limited.

Setiawan, B. (2010). Perancangan Sistem Pendukung Keputusan (SPK) Untuk Menentukan Kelaiklautan Kapal. Surabaya: Institut Teknologi Sepuluh Nopember.

Siler, W., & Bukley, J. (2005). Fuzzy Expert Systems and Fuzzy Reasoning. New Jersey: John Wiley & Sons.

Sivanandam, S. N., Sumathi, S., & Deepa, S. N. (2007). Introduction to Fuzzy Logic using MATLAB. Berlin: Springer.

Subakti, I. (2002). Buku Panduan IF1524: Sistem Pendukung Keputusan. Surabaya: FTI – Institut Teknologi Sepuluh Nopember.

Sunjana. (2010). Aplikasi Mining Data Mahasiswa dengan Metode Klasifikasi Desicion Tree. SNATI 2010. Yogyakarta.

Susanto, S., & Suryadi, D. (2010). Pengantar Data Mining; Menggali Pengetahuan dari Bongkahan Data. Yogyakarta: Andi Offset.

Wang, T.-C., & Lee, H.-D. (2006). Constucting a Fuzzy Desicion Tree by Integrating Fuzzy Sets and Entropy. Taiwan: I-Shou University & Fortune Institute of Technology.




P-ISSN: 2527-449X E-ISSN: 2549-7421
Statistik Pengunjung Jurnal IJCIT
 

Dipublikasikan oleh LPPM Universitas Bina Sarana Informatika PSDKU Kota Tasikmalaya

Jl. Tanuwijaya No.4, Empangsari, Kec. Tawang, Tasikmalaya, Jawa Barat 46113, Telp : (0265) 323846
Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License