Model Pohon Keputusan...
MODEL POHON KEPUTUSAN UNTUK KLASIFIKASI PERSETUJUAN KREDIT MENGGUNAKAN ALGORITMA C4.5 Ivandari Program StudiTeknikInformatika STMIK WidyaPratama
Jl. Patriot 25 Pekalongan Telp (0285) 427816 Email:
[email protected]
ABSTRAK KREDIT MERUPAKAN SALAH SATU AKTIVITAS EKONOMI YANG BANYAK DILAKUKAN. DENGAN MELAKUKAN PEMBELIAN SECARA KREDIT MASYARAKAT SETIDAKNYA DAPAT TERBANTU DALAM MEMBELI BARANG DENGAN HARGA YANG KURANG TERJANGKAU JIKA DILAKUKAN DENGAN CARA PEMBAYARAN KONTAN. PERSETUJUAN KREDIT MERUPAKAN SALAH SATU HAL YANG PENTING DAN DAPAT MEMPENGARUHI PERKEMBANGAN BANK DAN PIHAK PEMBERI PINJAMAN. TEKNOLOGI KOMPUTER DAPAT MEMBANTU DALAM PELAKSANAAN KLASIFIKASI PERSETUJUAN KREDIT. SALAH SATU MODEL KLASIFIKASI TERBAIK YANG BANYAK DILAKUKAN DAN TERBUKTI BAIK ADALAH C4.5. HASIL DARI ALGORITMA C4.5 MERUPAKAN SEBUAH MODEL POHON KEPUTUSAN YANG DAPAT DENGAN MUDAH DIPAHAMI DENGAN BAHASA ALAMI MANUSIA. DALAM PENELITIAN INI AKAN DIBUAT SEBUAH MODEL POHON KEPUTUSAN DENGAN MENGGUNAKAN ALGORITMA C4.5 UNTUK KLASIFIKASI PERSETUJUAN KREDIT. Kata kunci: Algoritma C4.5, Klasifikasi Persetujuan Kredit, Model Pohon Keputusan 1 Pendahuluan 1.1 Latar Belakang Kredit merupakan aktivitas ekonomi yang banyak dilakukan pada masa sekarang ini. Banyaknya nasabah yang mengalami kesulitan dalam pembayaran angsuran kredit menyebabkan pihak pemilik dana harus lebih selektif dalam memberikan persetujuan kepada nasabahnya. Aplikasi bantu untuk menyelesaikan masalah ini banyak dibuat dengan menggunakan berbagai metode. Tahun 2013 SPK mengenai persetujuan kredit pernah dibuat dengan studi kasus di Bank Muamalat cabang Yogyakarta [1]. Sebelumnya pada 2009 juga pernah digunakan aplikasi sejenis yang diimplementasikan pada PT.BPR Mranggen [2]. Dalam hal ini banyak juga digunakan metode Data Mining [3] untuk menentukan kelayakan nasabah dalam persetujuan kredit [4]. Dengan menggunakan metode Bayes [5], AHP [6], decission tree[7] serta SAW [8] banyak dibuat SPK untuk persetujuan kredit kendaraan.
JURNAL LITBANG KOTA PEKALONGAN VOL.9 TAHUN 2015
124
Model Pohon Keputusan... Metode data mining terbukti banyak memberikan kontribusi terhadap klasifikasi terutama jika diterapkan dalam perekonomian modern. Salah satu metode yang terbukti baik dan menghasilkan model yang mudah dipahami dengan bahasa alami manusia adalah model pohon keputusan atau decission tree [9]. Dalam penelitian ini akan dibuat sebuah model pohon keputusan dengan menggunakan algoritma C4.5 untuk klasifikasi persetujuan kredit. 1.2 LandasanTeori 1.2.1 Data Mining Data mining adalah proses mendapatkan sebuah informasi berharga dari kumpulan data yang sebelumnya bisa jadi kurang berguna [10]. Teknik data mining umumnya menggunakan pengenalan pola dari data yang digunakan [11]. Bidang ilmu ini merupakan sebuah proses untuk mendapatkan pengetahuan baru atau pola dari kumpulan data [10]. Denggan menggunakan proses data mining, data yang sebelumnya bisa jadi tidak berguna akan dapat lebih bermanfaat dengan cara pengenalan pola seperti halnya statistik dan matematika. Dalam data mining senditi berdasarkan metode pembelajarannya dapat digolongkan menjadi dua bagian, yaitu supervised learning dan unsupervised learning[12]. Supervised learning merupakan pembelajaran dengan menggunakan label atau ada atribut tujuan. Dalam hal ini terdapat berbagai metode untuk masing masing kegunaan. Salah satunya adalah klasifikasi, estimasi, prediksi, serta asosiasi. 1.2.2 Klasifikasi Seperti yang telah dijelaskan sebelumnya bahwa klasifikasimerupakan salah satu metodesupervised learning.Karena di dalam proses klasifikasiterdapat proses pembelajarandenganmemanfaatkan data lampau. Proses pembelajaran inibergunauntukmengenalipola data yang nantinyadapatditerapkankepada data baru yang belumdiketahuikelompoknya. Teknikklasifikasisudah banyak diaplikasikan dalamdunianyatasepertihalnyadalamduniamedis[13], pendidikan[14][15][16][17][18], teknikbangunan[19], jaringankomputer[20],sertabanyakdigunakandalambidang lain. 1.2.3 Algoritma C4.5 C4.5 Merupakanpengembangandarialgoritma ID3 [11] yang dikembangkanoleh Quinlan [21]. Algoritma C4.5 banyakdigunakanpenelitiuntukmelakukantugasklasifikasi. Output darialgoritma C4.5 adalahsebuahpohonkeputusanatauseringdikenaldengandecissin tree.Dalambeberapapenelitianalgoritma C4.5 inimenjadipilihanterbaikdibandingkandenganbeberapaalgoritmaklasifikasi lain [14][20] Decision treesendirimerupakanmetodeklasifikasidanprediksi yang sangatkuatdanterkenal[22]. Dalamdecissin tree ini data yang berupafaktadirubahmenjadisebuahpohonkeputusan yang berisiaturandantentunyadapatlebihmudahdipahamidenganbahasaalami. Model
JURNAL LITBANG KOTA PEKALONGAN VOL.9 TAHUN 2015
125
Model Pohon Keputusan... pohonkeputusanbanyakdigunakanpadakasus data denganoutput yang bernilaidiskrit[12]. Walaupuntidakmenutupkemungkinandapatjugadigunakanuntukkasus data denganatribut numeric. Setiapnodedalamdecision treedapat merepresentasikansebuahatribut. Sedangkancabangdarinode merupakannilaidariatributtersebut, sertadaunmerepresantasikankelas. Node paling ataspadadecision treedisebutsebagairoot node.Root nodeinitidakmemilikiinputsertabisasajatidakmemilikioutputdanbahkandapatmemilikiou tputlebihdarisatu.Internal rootmerupakannode percabangan yang hanyamemilikisatuinput danmemiliki minimal duaoutput.Leaf node atauterminal nodemerupakannode akhir yang hanyamemilikisatuinput sertatidakmemilikioutput. Langkahuntukmembuatsebuahdecision tree darialgoritma C4.5 adalahsebagaiberikut[21]: 1. Mempersiapkan data training, data trainingyaitu data yang diambildari data histori yang pernahterjadisebelumnyaataudisebut data masalaludansudahdikelompokandalamkelas-kelastertentu. 2. Menentukanakarpohon. AkarpohonditentukandengancaramenghitungGainRatiotertinggidarimasingmasingatribut. SebelummenghitungGainRatio, terlebihdahulumenghitungTotal Entropy sebelumdicarimasing-masingEntropy class, adapunrumusmencari Entropy sebagai berikut: ( )=
−
∗
Keterangan: S = Himpunankasus n = jumlahpartisiS pi = proporsidariSiterhadapS Dimanalog2pi dapatdihitungdengancara: ( )=
( ) ( )
3. MenghitungnilaiGainRatiosebagaiakarpohon, tetapisebelumnyamenghitungGain (2) danSplitEntropy (SplitInfo), rumusuntukmenghitungGain sepertidibawahini: ( , )=
( )−
| |
| ∗ |
( )
RumusuntukmenghitungSplitEntropy, seperti di bawahini:
JURNAL LITBANG KOTA PEKALONGAN VOL.9 TAHUN 2015
Model Pohon Keputusan... ( )= −
| | ∗ | |
| | | |
RumusuntukmenghitungGainRatio, dibawahini: ( )=
( ) ( )
Keterangan: S = HimpunanKasus A = Atribut n = jumlahpartisiatributA |Si| = jumlahkasuspadapartisike-i |S| = jumlahkasusdalamS
4. Ulangilangkah ke-2 dan ke-3 hinggasemuatupelterpartisi 5. Proses partisipohonkeputusanakanberhentidisaat: a. Semuatupeldalam node Nmendapatkankelas yang sama b. Tidakadaatributdidalamtupel yang dipartisilagi c. Tidakadatupeldidalamcabang yang kosong 1.2.4 Cross Validation Cross validationadalahpembuktiandarisebuahmetodeataupembuktian dari perhitungan performasuatualgoritma. Dalam proses pengujiansebuah metode data mining banyakdigunakancross validation.Cross validation merupakanpembuktiandenganmembagi data sebagiansebagaidata training dansebagian yang lain sebagaidata testingdengankomposisitertentu. Banyak peneliti menggunakan pembagian sebanyak 10. Artinya dalam penelitian tersebut dataset dibagi menjadi 10 bagian dengan 1 bagian dijadikan sebagai data testing dan 9 bagian yang lain menjadi data training. Proses seperti itu berlanjut sampai dengan keseluruhan dataset memiliki kesempatan untuk menjadi data testing. Artinya dalam hal ini percobaan dilakukan sebanyak 10 kali. Validasi yang sepertiinidisebutjugadengan10folds cross validation [23]. 1.2.5 Confusion Matrix Confusion Matrix adalah sebuah matrix yang merepresentasikan hasil dari sebuah klasifikasi. Dalam confussion matrix terdapat nilai dari hasil klasifikasi dengan label klasifikasi sebenarnya. Nilai inilah yang nantinya dapat dijadikan sebagai acuan untuk menghitung tingkat akurasi sebuah metode algoritma. Hasil akurasi algoritma ini diwujudkan dalam sebuah tabel [24]. Untuk mengetahui tingkat akurasi sebuah algoritma dapat digunakan rumus sederhana sebagai berikut:
JURNAL LITBANG KOTA PEKALONGAN VOL.9 TAHUN 2015
Model Pohon Keputusan... = Klasifikasi yang sesuai adalah jumlah record dimana dalam klasifikasi digolongkan dalam kelas yang sesuai dengan label aslinya. Sedangkan pembaginya adalah jumlah record dari keseluruhan data. 2 MetodePenelitian Dalam penelitian ini metode yang digunakan adalah eksperimen dengan beberapa tahapan seperti berikut: 2.1 Pengumpulan Data Tahapan penelitian yang pertama dalam penelitian ini adalah pengumpulan data. Dalam tahap ini digunakan data public yaitu data credit approval dengan rincian dataset sebagai berikut. Dataset ini memiliki 766 record. Dengan golongan yaitu 210 record tergolong dalam klasifikasi kredit lancar dan sisanya yaitu 556 record tergolong dalam klasifikasi kredit macet. Dalam dataset ini terdapat 16 atribut dengan satu diantaranya adalah atribut id serta satu lagi merupakan atribut label yaitu status kredit. 2.2 DesainEksperimendanPengujianAlgoritma Penelitian ini dilakukan dengan bantuan aplikasi rapid miner. Artinya dalam pemodelan pohon keputusan menggunakan algoritma C4.5 ini tidak sepenuhnya dilakukan dengan coding. 2.2.1 PerangkatKeras yang Digunakan Dalam menunjang penelitian ini digunakan perangkat keras dengan spesifikasi yang sesuai agar kinerja dalam proses perhitungan tidak terlalu lama. Adapun perangkat keras yang digunakan adalah sebagai berikut: Processor intel core i3 3220 dengan frekuensi 3,3GHz. Sedangkan RAM yang digunakan sebesar 4GB dengan VGA intel HD Series. 2.2.2 PerangkatLunak yang Digunakan Dalam penelitian ini digunakan perangkat lunak untuk melakukan komputasi algoritma. Adapun perangkat lunak yang digunakan adalah sebagai berikut: Sistem operasi windows 7 dengan software bantu yaitu rapid miner. Rapid miner merupakan salah satu aplikasi yang banyak digunakan dalam perhitungan algoritma data mining. Aplikasi ini mudah digunakan untuk pemula sekalipun karena hanya tinggal drag and drop algoritma dan data. Aplikasi ini dipilih karena termasuk dalam golongan aplikasi gratis.
JURNAL LITBANG KOTA PEKALONGAN VOL.9 TAHUN 2015
127
Model Pohon Keputusan... 2.2.3 TahapEksperimen Dalam tahapan ini akan dilakukan perhitungan untuk mengetahui nilai gain yang tertinggi dalam dataset. Kemudian nilai gain ini akan dijadikan sebagai atribut akar dalam pemodelan pohon keputusan klasifikasi persetujuan kredit. Selain dari itu dalam tahapan ini juga akan dilakukan perhitungan tingkat akurasi dari model pohon keputusan terhadap klasifikasi persetujuan kredit tersebut. 2.2.3.1 Validasi Validasi dalam sebuah penelitian adalah proses yang harus dilakukan. Dalam proses validasi umumnya digunakan beberapa cara agar mendapatkan hasil yang paling maksimal. Penelitian ini tergolong dalam penelitian data mining. Dalam penelitian data mining pada umumnya dilakukan proses validasi untuk membagi dataset menjadi beberapa bagian yang nantinya digunakan sebagai data training dan sebagian lainnya digunakan sebagai data testing. Dalam penelitian klasifikasi banyak peneliti menggunakan cross validation untuk tahap validasi. Selain cross validation sebenarnya ada split validation untuk proses ini. Dalam penelitian ini akan digunakan 10foldscrossvalidation untuk tahap validasinya. 2.2.3.2 Pengukuranakurasialgoritma Dalam sebuah penelitian data mining hasil akhir yang diharapkan adalah tingkat akurasi yang baik. Untuk mengetahui kemampuan algoritma serta tingkat akurasi sebuah metode digunakan metode pengukuran tersendiri [26].Banyaknya metode pengukuran yang dapat digunakan membuat penelitian harus jeli dan tepat dalam pemilihan metode tersebut. Dalam penelitian ini digunakan confussion matrix untuk menghitung tingkat akurasi algoritma.Confussion matrix yang digunakan dalam penelitian ini memanfaatkan aplikasi rapid miner. Dikarenakan dalam validasi penelitian ini telah digunakan 10folds cross validation artinya pengukuran akurasi algoritma dalam penelitian ini dilakukan sebanyak 10 kali. Sedangkan hasil tingkat akurasi didapatkan dengan melakukan perhitungan rata-rata dari keseluruhan percobaan. 2.3 EvaluasiHasil Setelahpenelitianberhasildilakukanterhadapdata persetujuan kredit dengan menggunakan rapid miner. Maka langkah berikutnya adalah mencatat hasil dari akurasi algoritma C4.5 tersebut untuk data persetujuan kredit. Berikutnya dibangun sebuah pohon keputusan yang mewakili algoritma C4.5 tersebut dalam pemodelan aturan aturan yang ada terhadap atribut terkait. Pohon keputusan tersebut yang nantinya akan digunakan sebagai aturan dalam persetujuan kredit untuk nasabah baru
JURNAL LITBANG KOTA PEKALONGAN VOL.9 TAHUN 2015
128
Model Pohon Keputusan... 3 HasildanPembahasan 3.1 Perolehan nilai gain algoritma C4.5 Dalam tahapan ini dilakukan perhitungan terhadap semua atribut untuk mengetahui nilai gain terbesar. Nilai gain terbesar nantinya akan digunakan sebagai atribut akar dalam model pohon keputusan yang ada. Sebelumnya juga dihitung nilai entrophy total guna perhitungan nilai gain. adapun nilai information gain yang terbentuk dalam penelitian ini adalah sebagai berikut sesuai dengan tabel 1 berikut. Setelah nilai information gain untuk setiap atribut diketahui maka nilai split information digunakan untuk membagi nilai tersebut agar didapati nilai gain ratio. Tabel 2 merupakan nilai gain ratio untuk setiap atribut. Tabel 1. Nilai information gain semua atribut Atribut
Nilai information gain
type pinjam an
0.0
bi golongan debitur
0.002368891105240975
bi sektor ekonomi
0.0043600944984576095
jenis pinjam an
0.0047529360139100295
jenis kelamin
0.007051442147994892
umur
0.023118544205183927
jkw
0.02675422888515543
saldo nominatif
0.05787698281584561
angsuran per_bulan
0.15053811852727494
jumlah pinjaman
0.21870668937148233
col
0.23436926074644862
bi gol penjamin
0.24535443936313503
tunggakan bunga
0.29654338474401754
tunggakan pokok
1.0
Tabel 2. Nilai gain ratio semua atribut
JURNAL LITBANG KOTA PEKALONGAN VOL.9 TAHUN 2015
129
Model Pohon Keputusan... Atribut
Nilai gain ratio
type pinjam an
0.0
jenis pinjam an
0.0
bi golongan debitur
0.0
jenis kelamin
0.005121734949285033
angsuran per_bulan
0.037410550386613825
saldo nominatif
0.059173930645393766
umur
0.07839174374125772
jkw
0.07839174374125772
bi sektor ekonomi
0.08332029052166456
jumlah pinjaman
0.1800768079024675
bi gol penjamin
0.1906877240907161
col
0.2192153592231016
tunggakan bunga
0.22407132463764518
tunggakan pokok
1.0
3.2 Hasil Model Pohon Keputusan Setelah semua nilai gain ratio diketahui maka selanjutnya dibangun sebuah model pohon keputusan untuk memudahkan dalam menentukan klasifikasi. Pohon keputusan ini merupakan sebuah model yang populer dan banyak digunakan karena mudah dipahami dalam bahasa alami manusia.
Gambar 1. Model Pohon Keputusan Persetujuan Kredit
JURNAL LITBANG KOTA PEKALONGAN VOL.9 TAHUN 2015
Model Pohon Keputusan...
Dari model pohon keputusan sesuai gambar 1 dapat disimpulkan bahwa node akar adalah tunggakan pokok. Jika tunggakan pokok diatas 7055.330 maka klasifikasi persetujuan kredit tergolong dalam klasifikasi kredit lancar. Kemudian jika tunggakan pokok kurang dari 166833.330 dengan jumlah pinjaman kurang dari atau sama dengan 925208.380 dengan umur lebih dari 45 maka klasifikasinya tergolong dalam kredit macet. Selebihnya dari pohon keputusan tersebut dapat diikuti karena model yang tercipta sangat mudah dipahami dengan bahasa alami manusia. 3.3 Akurasi Algoritma C4.5 untuk Persetujuan Kredit Untuk mengukur tingkat akurasi klasifikasi digunakan cross validation untuk proses validasinya. Kemudian untuk pengukurannya digunakan confussion matrix. Dalam penelitian ini digunakan 10folds cross validation yaitu membagi dataset menjadi 10 bagian untuk nantinya 1 bagian dijadikan sebagai data testing dan 9 bagian lainnya dijadikan sebagai data training.
JURNAL LITBANG KOTA PEKALONGAN VOL.9 TAHUN 2015
132
Model Pohon Keputusan... Untuk pengukuran confussion matrix digunakan untuk mengetahui klasifikasi yang sesuai dengan aslinya dan klasifikasi yang tidak sesuai dengan klasifikasi sebenarnya. Tingkat akurasi didapatkan dari jumlah record dengan hasil klasifikasi yang sesuai dengan sebenarnya dibagi dengan jumlah keseluruhan record data. Tingkat akurasi ini nantinya dihitung untuk 10 kali percobaan sesuai dengan yang digunakan dalam proses validasi. Sehingga nantinya didapatkan nilai akurasi yaitu rata-rata dari keseluruhan tingkat akurasi yang ada. Tabel 3 merupakan tabel confussion matrix dari klasifikasi persetujuan kredit yang terbentuk dari perhitungan setelah dilakukan validasi. Nilai akurasi didapatkan dari perhitungan (540+184) dibagi dengan (540+26+16+184). Hasilnya adalah 724/766 = 94,516% Tabel 1. Confussion Matrix Benar Benar MACET LANCAR
presisi
Prediksi MACET
540
26
95,41%
Prediksi LANCAR
16
184
92,00%
Kelas recall
97,12%
87,62%
4 Kesimpulan dan Saran 4.1 Kesimpulan Dari hasil penelitian yang telah dilakukan dengan melakukan klasifikasi persetujuan kredit menggunakan algoritma C4.5 maka dapat diambil kesimpulan sebagai berikut: 1. Algoritma C4.5 dapat memodelkan pohon keputusan untuk klasifikasi persetujuan kredit. Model pohon keputusan yang terbentuk dapat dengan mudah merepresentasikan aturan dari klasifikasi persetujuan kredit. 2. Tingkat akurasi klasifikasi persetujuan kredit dengan menggunakan algoritma C4.5 sebesar 94,516% dan tergolong dalam best classification 4.2 Saran Dalam penelitian ini masih terdapat beberapa kekurangan yang dapat digunakan sebagai alat untuk evaluasi diri dan untuk perbaikan penelitian berikutnya. Untuk penelitian berikutnya dapat dibuat sebuah aplikasi untuk menentukan kelayakan persetujuan kredit untuk membantu pihak bank dalam memilih calon nasabah
JURNAL LITBANG KOTA PEKALONGAN VOL.9 TAHUN 2015
133
Model Pohon Keputusan... 5
Referensi
[1]
B. Dwi Cahyani, “Sistem Pendukung Keputusan Persetujuan Permohonan Kredit Pinjaman pada Bank Muamalat Indonesia Cabang Yogyakarta,” Sekol. Tinggi Manaj. Inform. dan Komput. AMIKOM Yogyakarta, 2013.
[2]
Y. Suhari, M. Sukur, and S. Eniyati, “SISTEM PENDUKUNG KEPUTUSAN PEMBERIAN KREDIT PADA PT . BPR ARTAMANUNGGAL ABADI MRANGGEN,” Din. Inform. Fak. Teknol. Inf. Univ. Stikubank Semarang, vol. I, no. 1, 2009.
[3]
I. Melissa and R. S. Oetama, “Analisis Data Pembayaran Kredit Nasabah Bank Menggunakan Metode Data Mining,” vol. IV, no. 1, pp. 18–27, 2013.
[4]
A. Ginanjar Mabrur and R. Lubis, “Penerapan Data Mining untuk Memprediksi Kriteria Nasabah Kredit,” J. Komput. dan Inform. ( KOMPUTA ), vol. 1, 2012.
[5]
A. Zahid, “Sistem Pendukung Keputusan Persetujuan Penerimaan Pinjaman di PD.BPR BKK Lasem dengan Menggunakan Metode Bayes,” Sekol. Tinggi Manaj. Inform. dan Komput. AMIKOM Yogyakarta, 2013.
[6]
F. Azwany, “Sistem Pendukung Keputusan Pemberian Kredit Usaha Rakyat pada Bank Syariah Mandiri Cabang Medan menggunakan Metode AHP,” Progr. Stud. Ilmu Komput. Dep. Ilmu Komput. Fak. Mat. dan Ilmu Pengetah. Alam Univ. Sumatera Utara Medan, 2010.
[7]
Y. Y. W, F. R. Pratikto, and A. S. Vivianne, “EVALUASI PEMOHON KREDIT MOBIL DI PT ‘ X ’ DENGAN MENGGUNAKAN TEKNIK DATA MINING DECISION TREE,” Simp. Nas. RAPI VIII, pp. 42–49, 2009.
[8]
A. Wahyu Oktaputra and E. Noersasongko, “Sistem Pendukung Keputusan Kelayakan Pemberian Kredit Motor Menggunakan Metode Simple Additive Weighting pada Perusahaan Leasing HD Finance,” Progr. Stud. Sist. Inf. - S1, Fak. Ilmu Komput. Univ. Dian Nuswantoro, Semarang, pp. 1–9, 2014.
[9]
X. Wu, V. Kumar, J. Ross Quinlan, J. Ghosh, Q. Yang, H. Motoda, G. J. McLachlan, A. Ng, B. Liu, P. S. Yu, Z.-H. Zhou, M. Steinbach, D. J. Hand, and D. Steinberg, Top 10 algorithms in data mining, vol. 14, no. 1. 2007, pp. 1–37.
[10]
I. H. Witten, E. Frank, and M. A. Hall, Data Mining: Practical Machine Learning Tools and Techniques 3rd Edition. Elsevier, 2011.
[11]
D. T. Larose, Discovering Knowledge in Data: an Introduction to Data Mining. John Wiley & Sons, 2005.
JURNAL LITBANG KOTA PEKALONGAN VOL.9 TAHUN 2015
134
Model Pohon Keputusan... [12]
B. Santosa, Data Mining Teknik Pemanfaatan Data untuk Keperluan Bisnis, Edisi Pert. Yogyakarta: Graha Ilmu, 2007.
[13]
A. Christobel and D. . Sivaprakasam, “An Empirical Comparison of Data Mining Classification Methods,” vol. 3, no. 2, pp. 24–28, 2011.
[14]
A. H. M. Ragab, A. Y. Noaman, A. S. Al-Ghamdi, and A. I. Madbouly, “A Comparative Analysis of Classification Algorithms for Students College Enrollment Approval Using Data Mining,” Proc. 2014 Work. Interact. Des. Educ. Environ. - IDEE ’14, pp. 106–113, 2014.
[15]
D. Sugianti, “Algoritma Bayesian Classification untuk Memprediksi Heregistrasi Mahasiswa Baru di STMIK Widya Pratama,” no. 2, pp. 1–5, 2012.
[16]
K. Hastuti, “Analisis komparasi algoritma klasifikasi data mining untuk prediksi mahasiswa non aktif,” vol. 2012, no. Semantik, pp. 241–249, 2012.
[17]
T. H. Pudjianto, F. Renaldi, and A. Teogunadi, “Penerapan data mining untuk menganalisa kemungkinan pengunduran diri calon mahasiswa baru,” 2011.
[18]
Kusrini, S. Hartati, R. Wardoyo, and A. Harjoko, “Perbandingan metode nearest neighbor dan algoritma c4.5 untuk menganalisis kemungkinan pengunduran diri calon mahasiswa di stmik amikom yogyakarta,” vol. 10, no. 1, 2009.
[19]
A. Ashari, I. Paryudi, and A. M. Tjoa, “Performance Comparison between Naïve Bayes , Decision Tree and k-Nearest Neighbor in Searching Alternative Design in an Energy Simulation Tool,” vol. 4, no. 11, pp. 33–39, 2013.
[20] D. Widiastuti, “Analisa Perbandingan Algoritma SVM, Naïve Bayes, dan Decission Tree dalam Mengklasifikasikan Serangan (Attack) pada Sistem Pendeteksi Intrusi,” Jur. Sist. Inf. Univ. Gunadarma, pp. 1–8, 2007. [21]
J. Han and M. Kamber, “Data Mining: Concepts and Techniques Second Edition,” vol. 40, no. 6, p. 9823, Mar. 2006.
[22]
Kusrini and L. E. Taufiq, Algoritma Data Mining. Yogyakarta: Andi Offset, 2009.
[23]
Ian H Witten. Eibe Frank. Mark A Hall, Data Mining 3rd. 2011.
[24] F. Gorunescu, Data Mining: Concepts; Models and Techniques. Springer, 2011. [25]
F. Gorunescu, Data Mining: Concept, Models and Techniques, Vol 12. Berlin: Heidelberg: Springer Berlin Heidelberg, 2011.
JURNAL LITBANG KOTA PEKALONGAN VOL.9 TAHUN 2015
135
Model Pohon Keputusan... [26] D. R. Amancio, C. H. Comin, D. Casanova, G. Travieso, O. M. Bruno, F. a. Rodrigues, and L. D. F. Costa, “A systematic comparison of supervised classifiers,” Oct. 2013.
136 JURNAL LITBANG KOTA PEKALONGAN VOL.9 TAHUN 2015