Konsep Decision Tree Reptree untuk Melakukan Optimasi Rule dalam Fuzzy Inference System Tsukamoto

Abstract

Penelitian ini menjelaskan tentang decision tree REPTree dalam membuat suatu rule yang terbentuk dari produksi minyak kelapa sawit di PT Tapiana Nadenggan, yang dipengaruhi oleh faktor banyaknya kelapa sawit, permintaan yang ada, serta persediaan yang tersedia. Konsep dari decision tree REPTree adalah konsep awal dari decision tree J48 yang kemudian mengalami pemangkasan kembali, sehingg rule yang yang terbentuk lebih minimal dan praktis. Rule yang minimal dan praktis belum tentu dapat dikatakan terbaik, untuk membuktikan hal itu perlu adanya uji coba dan pembuktian. Pembuktian yang dilakukan dalam penelitian ini salah satunya dengan menggunakan perbandingan decision tree J48 dan Random Tree dengan tujuan untuk mengetahui optimasi rule yang terbentuk dengan menggunakan metode fuzzy inference system Tsukamoto, setelah dihitung bahwa decision tree REPTree mempunyai Average Forecasting Error Rate (AFER) yang lebih kecil sebesar 23,17% dengan nilai kebenaran 76,83%, sedangkan J48 memiliki tingkat error sebesar 24,96%, dengan nilai kebenaran 75,04%, sementara Random Tree memiliki tingkat error sebesar 36,51%, dengan nilai kebenaran 63,49% pada kasus prediksi produksi minyak kelapa sawit di PT Tapiana Nadenggan. AbstractThis research explains about REPTree's decision tree in making a rule that is formed from the production of palm oil in PT Tapiana Nadenggan, which is influenced by factors of the amount of palm oil, existing demand, and available supplies. The concept of the REPTree decision tree is the initial concept of the J48 decision tree which then experiences pruning, so that the rules formed are more minimal and practical. A minimum and practical rule may not be the best, to prove that there is a need for trials and proofs. Proof carried out in this research is one of them by using a comparison of decision trees J48 and Random Tree with the aim to find out the optimization of rules formed using the Tsukamoto system's fuzzy inference method, after calculating that the REPTree decision tree has a more average Forecasting Error Rate (AFER) error tree small of 23.17% with a truth value of 76.83%, while J48 has an error rate of 24.96%, with a truth value of 75.04%, while Random Tree has an error rate of 36.51%, with a truth value of 63, 49% in the case of prediction of palm oil production at PT Tapiana Nadenggan.