bab vii penutup

 BAB 7.
PENUTUP
BAB VII
PENUTUP
7.1
Kesimpulan
Beberapa kesimpulan yang dapat diperoleh dari penelitian yang telah
dilakukan adalah sebagai berikut:
1.
Pembuatan sistem prediksi retur berdasarkan data histori transaksi
pembelian yang diperoleh dari website Data Mining Cup telah berhasil
dibangun dengan menggunakan metode k-Nearest Neighbor (k-NN).
2.
Parameter yang menghasilkan hasil prediksi terbaik adalah dengan nilai k
sebesar 21 dengan mengujikan pada 100 data acak yang diambil dari data
histori transaksi pembelian sebagai data testing.
3.
Ketepatan algoritma k-NN sangat dipengaruhi oleh banyaknya fitur-fitur
yang relevan, maksudnya bukan hanya sekedar fitur yang banyak saja,
tetapi juga harus terdapat relevansi dengan hasil prediksi.
4.
Keberadaan missing value pada data yang digunakan mempengaruhi hasil
akurasi sistem prediksi. Terbukti dengan pengujian terhadap 100 data acak
dengan menggunakan nilai k sebesar 21 yang menunjukkan bahwa akurasi
prediksi pada data yang tidak mengandung missing value yaitu 69%
dengan nilai F-measure sebesar 0.7597 lebih tinggi daripada data yang
mengandung missing value yaitu 61% dengan nilai F-measure sebesar
0.6723.
5.
Pada pengujian prediksi retur terhadap 50.078 records testing data dengan
menggunakan nilai parameter k = 21 didapatkan nilai Precision sebesar
0.7389, nilai Recall sebesar 0.5687, dan nilai F-measure sebesar 0.6427.
6.
Pada pengujian prediksi retur terhadap 50.078 records testing data dengan
menggunakan nilai parameter k = 21 didapatkan akurasi sebesar 58.94%.
122 123 7.2
Saran
Pada penelitian ini terdapat batasan-batasan masalah dan masih banyak
kekurangan pada sistem yang telah dikembangkan pada penelitian ini. Beberapa
hal yang dapat dijadikan acuan atau pertimbangan pada penelitian lebih lanjut
adalah sebagai berikut:
1.
Penelitian selanjutnya dapat menambahkan metode penanganan missing
value, tetapi bukan dengan menghilangkan data yang mengandung missing
value tersebut, karena akan menjadikan ukuran data berkurang, sehingga
akan menyebabkan berkurangnya ketepatan dalam prediksi.
2.
Penelitian selanjutnya dapat menambahkan proses seleksi fitur untuk
memilih fitur-fitur yang lebih relevan atau dapat memberikan pembobotan
pada setiap atributnya untuk membedakan prioritas dan kepentingan satu
atribut dengan atribut yang lainnya.