Perbandingan Metode Diskretisasi Data Partisi
advertisement
terhadap pohon keputusan yang dihasilkan dapat dilihat pada Tabel 9. Metode Partisi Intuitif menghasilkan jumlah aturan yang diklasifikasikan benar sebanyak 859 objek, sedangkan algoritme clustering dengan jumlah cluster 4 sebanyak 888 objek dan algoritme clustering dengan jumlah cluster 5 sebanyak 781 objek, dari total 1016 objek. Metode Partisi Intuitif menghasilkan 63 aturan, algoritme K-Means cluster dengan jumlah cluster 4 menghasilkan 49 aturan sedangkan algoritme K-Means clustering dengan jumlah cluster 5 menghasilkan aturan sebesar 59. Nilai RMSE secara keseluruhan yang dihasilkan oleh masing masing metode adalah 0.12 untuk metode Partisi Intuitif, 0.2 untuk algoritme K-Means clustering dengan 4 cluster dan 0.24 untuk algoritme K-Means clustering dengan 5 cluster. Semakin kecil nilai RMSE yang diperoleh berarti perkiraan kesalahan yang dihasilkan juga semakin kecil sehingga pohon keputusan yang dihasilkan dengan nilai RMSE terkecil merupakan pohon keputusan terbaik Tabel 9 Perbandingan hasil pohon keputusan dengan metode Partisi Intuitif dan Algoritme K-Means Jumlah klasifikasi benar Jumlah klasifikasi salah Root Means Square Error Jumlah Aturan yang terbentuk Partisi Intuitif Algoritme KMeans 4 5 Cluster Cluster 859 888 781 147 127 234 0.12 0.20 0.24 63 49 59 Beberapa aturan yang dihasilkan oleh pohon keputusan dengan metode Partisi Intuitif dan algoritme K-Means dapat dilihat sebagai berikut: A Metode Partisi Intuitif If luas_panen =L1 then produksi =P1 If luas_panen = L2 and lokasi =Bengkulu then produksi =P1 If luas_panen =L2 and lokasi Jambi then produksi =P1 If luas_panen =L2 and lokasi Daerah_Istimewa_Yogyakarta then produksi =P1 If luas_panen =L2 and lokasi Kalimantan_Tengah then produksi =P1 B Algoritme K-Means clustering dengan jumlah cluster 4 If lokasi = Bali then produksi = C3 If lokasi = Bangka_Belitung then produksi = C3 If lokasi = Banten then produksi = C4 If lokasi = Jawa_Barat and luas_panen =L3 then produksi = C2 If lokasi = Jawa Barat and luas_panen = L2 then produksi = null If lokasi = Jawa_Timur then produksi = C2 C Algoritme K-Means clustering dengan jumlah cluster 5 If lokasi = Bali then produksi = C2 If lokasi = Bangka_Belitung then produksi = C3 If lokasi= Banten then produksi = C1 If lokasi= Jawa_Barat and luas_panen = L3 then produksi = null If lokasi = Jawa_Barat and luas_panen = L2 then produksi =null If lokasi = Jawa_Timur then produksi = C4 KESIMPULAN Berdasarkan hasil penelitian dapat dinyatakan bahwa diskretisasi atribut dengan menggunakan algoritme K-Means clustering dengan 4 cluster memberikan akurasi yang paling tinggi sebesar 87,40 %, diikuti metode Partisi Intuitif yang mempunyai akurasi pohon keputusan sebesar 84,54% dan terakhir oleh algoritme K-Means clustering dengan 5 cluster sebesar 76,87% . Nilai Root Mean Square Error (RMSE) yang diperoleh dari hasil perhitungan WEKA untuk metode Partisi Intuitif sebesar 0.12 sedangkan untuk algoritme K-Means sebesar 0.2 untuk jumlah cluster 4 dan 0.24 untuk algoritme K-Means dengan jumlah cluster 5. Semakin kecil nilai RMSE yang diperoleh berarti perkiraan kesalahan yang dihasilkan juga semakin kecil sehingga berdasarkan nilai RMSE dapat disimpulkan bahwa Partisi Intuitif sebagai metode diskretisasi menghasilkan pohon keputusan yang paling baik. Jumlah aturan yang dihasilkan oleh pohon keputusan dengan metode Partisi Intuitif sebesar 63, Algoritme K-Means clustering dengan jumlah cluster 4 sebesar 49 dan K-Means clustering dengan jumlah cluster 5 sebesar 59. DAFTAR PUSTAKA Han J dan Kamber M. 2006. Data Mining: Concepts and Techniques. Simon Fraser University. USA: Morgan Kaufman Publisher Kantardzic M. 2003. Data Mining : Concept, Models, Methods, and Algorithms. USA: Wiley Interscience Meese & Rogoff 1983. Empirical Exchange Rate Models of The Seventies Journal of International Economics 14 (1983), North Holland Company Purnamasari, Y. 2006. Penerapan Teknik Klasifikasi Dengan Algoritme Decision Tree Untuk Data Tanaman Pangan dan Hortikultura [Skripsi]. Bogor: Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor. Quinlan, R. The ID3 Algorithm http://www.cise.ufl.edu/~ddd/cap 6635/Fall-97/Short-papers/2.htm [17 Juli 2008]. Tan PN, Kumar V, Steinbach M. 2005 Introduction To Data Mining. Addison Wesley Publisher Wibowo T dan Amir H. 2005 . FaktorFaktor Yang Mempengaruhi Nilai Tukar Rupiah. Kajian Ekonomi dan Keuangan 9 (2005)