Reduksi Atribut Menggunakan Chi Square untuk Optimasi Kinerja Metode Decision Tree C4.5
DOI:
https://doi.org/10.26418/jp.v9i1.56542Keywords:
Decision Tree C4.5, Chi Square, Reduksi Atribut, Confusion MatrixAbstract
Pada metode decision tree C4.5, proses split atribut masih belum dapat secara maksimal mengoptimalkan kinerja akurasi pada decision tree yang disebabkan oleh noisy pada atribut yang kurang relevan. Hal tersebut berimplikasi terhadap ukuran dari pohon keputusan menjadi over-fitting sehingga perolehan akurasi pengujian menjadi kurang maksimal. Reduksi atribut merupakan salah satu cara yang dapat dilakukan dalam melakukan seleksi terhadap atribut data yang memiliki persentase pengaruh cenderung kecil sehingga diharapkan mampu dalam meningkatkan akurasi pada metode klasifikasi data. Adapun metode yang diusulkan pada penelitian ini yang digunakan untuk mereduksi atribut yang kurang relevan dari dataset yaitu dengan metode Chi Square sehingga menghasilkan atribut yang mempunyai pengaruh besar terhadap data dan kemudian diklasifikasikan menggunakan decision tree C4.5. Untuk melakukan pengujian terhadap model yang diusulkan, maka penelitian ini menggunakan dataset dari kaggle.com yaitu South Germany Credit yang terdiri dari 1000 records data dengan 20 atribut. Evaluasi kinerja klasikasi yang diusulkan yaitu berdasarkan Confusion Matrix. Dari hasil uji metode yang diusulkan, didapatkan kesimpulan bahwa metode yang diusulkan mampu meningkatkan akurasi decision tree c4.5 dengan rata-rata peningkatan akurasi sebesar 2.5%.
References
T. Wang, Z. Qin, S. Zhang, and C. Zhang, “Cost-sensitive classification with inadequate labeled data,†Information Systems, vol. 37, no. 5, pp. 508–516, 2012, doi: 10.1016/j.is.2011.10.009.
S. Ika Novichasari and S. Mujiyono, “Kelayakan Kredit Bank Menggunakan PSO,†Multimatrix, vol. 2, no. 1, pp. 26–30, 2019.
I. Ubaedi and Y. M. Djaksana, “Optimasi lAlgoritma C4.5 Menggunakan lMetode lForward lSelection lDan lStratified Sampling lUntuk lPrediksi Kelayakan Kredit,†JSiI (Jurnal Sistem Informasi), vol. 9, no. 1, pp. 17–26, 2022, doi: 10.30656/jsii.v9i1.3505.
M. N. AKBAR, “Klasifikasi lBibliografi lOtomatis lMenggunakan C4.5 lDan lInformation lGain,†lJurnal lINSTEK (Informatika Sains dan Teknologi), vol. 6, no. 1, p. 46, 2021, doi: 10.24252/instek.v6i1.18636.
A. Bates and J. Kalita, “Counting lclusters lin ltwitter lposts,†ACM International lConference lProceeding lSeries, vol. 04-05-March-2016, 2016, doi: 10.1145/2905055.2905295.
A. Y. Labolo, S. Mooduto, A. Bode, and I. C. Rally, “Penerapan Algoritma Spport Vector Machine dan K-Nearest Neighbor Menggunkan Feature Selection Backward Elimination Untuk Prediksi Status Penderita Stunting Pada Balita yang bergantung pada usia , diukur dengan standar deviasi WHO .,†TECNOSCIENZA, vol. 6, no. 2, pp. 374–388, 2022.
M. Danil, S. Efendi, and R. Widia Sembiring, “The Analysis of Attribution Reduction of K-Nearest Neighbor (KNN) Algorithm by Using Chi-Square,†Journal of Physics: Conference Series, vol. 1424, no. 1, 2019, doi: 10.1088/1742-6596/1424/1/012004.
S. Anisah, A. S. Honggowibowo, and A. Pujiastuti, “Klasifikasi Teks lMenggunakan lChi lSquare lFeature lSelection lUntuk Menentukan lKomik lBerdasarkan lPeriode, lMateri lDan Fisikdengan lAlgoritma lNaivebayes,†Compiler, vol. 5, no. 2, pp. 59–66, 2016, doi: 10.28989/compiler.v5i2.171.
D. Maulana and Y. Religia, “Optimasi Genetic Algorithm pada Naïve Bayes untuk Klasifikasi Pengajuan Kredit Bank,†Jurnal Pelita Teknologi, vol. 15, no. 1, pp. 56–67, 2020.
D. P. Utomo, P. Sirait, and R. Yunis, “Reduksi Atribut Pada Dataset Penyakit Jantung dan Klasifikasi Menggunakan Algoritma C5. 0,†Jurnal Media Informatika Budidarma, vol. 4, no. 4, pp. 994–1006, 2020, doi: 10.30865/mib.v4i4.2355.
M. Nishom, “Perbandingan Akurasi Euclidean Distance, Minkowski Distance, dan Manhattan Distance pada Algoritma K-Means Clustering berbasis Chi-Square,†Jurnal Informatika: Jurnal Pengembangan IT, vol. 4, no. 1, pp. 20–24, 2019, doi: 10.30591/jpit.v4i1.1253.
I. Listiowarni and E. R. Setyaningsih, “Feature Selection Chi-Square dan K-NN pada Pengkategorian Soal Ujian Berdasarkan Cognitive Domain Taksonomi Bloom,†Jurnal Komputer Terapan, vol. 4, no. 1, pp. 21–30, 2018.
M. Tsani, A. Rupaka, L. Asmoro, and B. Pradana, “Analisis Sentimen Review Transportasi Menggunakan Algoritma Support Vector Machine Berbasis Chi Square,†Smart Comp :Jurnalnya Orang Pintar Komputer, vol. 9, no. 1, pp. 35–39, 2020, doi: 10.30591/smartcomp.v9i1.1817.
Indriyanti, D. Sugianti, and M. A. Al Karomi, “Peningkatan Akurasi lAlgoritma lKNN ldengan lSeleksi lFitur lG ain lRatio untuk lKlasifikasi lPenyakit lDiabetes lMellitus,†IC-Tech, vol. 7, no. 2, pp. 1–6, 2017, [Online]. Available: https://ejournal.stmik-wp.ac.id/index.php/ictech/article/view/3.
A. K. B. Ginting, M. S. Lydia, and E. M. Zamzami, “Peningkatan Akurasi Metode K-Nearest Neighbor dengan Seleksi Fitur Symmetrical Uncertainty,†Jurnal Media Informatika Budidarma, vol. 5, no. 4, pp. 1714–1719, 2021, doi: 10.30865/mib.v5i4.3254.
J. Jamaludin, C. Rozikin, and A. S. Y. Irawan, “Klasifikasi lJenis Buah lMangga ldengan lMetode lBackpropagation,†Techné : Jurnal lIlmiah lElektroteknika, vol. 20, no. 1, pp. 1–12, 2021, doi: 10.31358/techne.v20i1.231.
Hermawan and Yoannita, “Komparasi Metode Evaluasi Pada Credit Scoring Data Mining,†Jtksi, vol. 01, no. 02, pp. 22–25, 2018.
R. Kavitha and E. Kannan, “An efficient framework for heart disease classification using feature extraction and feature selection technique in data mining,†1st International Conference on Emerging Trends in Engineering, Technology and Science, ICETETS 2016 - Proceedings, 2016, doi: 10.1109/ICETETS.2016.7603000.
A. Yani, “Analisa Kelayakan Kredit Menggunakan Artifcial Neural Network dan Backpropogation (Studi Kasus German Credit Data),†Jurnal Ilmiah Komputasi, vol. 18, no. 4, pp. 385–390, 2019, doi: 10.32409/jikstik.18.4.2672.
