Melola Discovery

← Melola Discovery

Jurnal

Klasifikasi dengan Pohon Keputusan Berbasis Algoritme C4.5

PRISMA, Prosiding Seminar Nasional Matematika · Vol. 3 (2020) · hlm. 64–71

ISSN
2613-9189
Terbit
2020-02-28
Penerbit
Jurusan Matematika FMIPA UNNES
Bahasa
eng

Abstrak

Data mining merupakan suatu proses menemukan pola dalam sejumlah data besar dengan tujuan untuk melakukan klasifikasi, estimasi, prediksi, asosiasi dan klaster. Salah satu metode klasifikasi yang popular adalah pohon keputusan (decision tree). Konsep dasar dari pohon keputusan adalah mengubah data menjadi sebuah model pohon keputusan, kemudian mengubah model pohon menjadi rule dan menyederhanakan rule. Data dalam pohon keputusan dinyatakan dalam bentuk tabel dengan atribut dan record. Terdapat beberapa cara untuk mengkonstruksikan pohon keputusan salah satunya menggunakan algoritme C4.5. Algoritme C4.5 merupakan pengembangan dari Iterative Dichotomiser (ID3). ID3 adalah algoritme pembelajaran pohon keputusan (decision tree learning) yang paling dasar. Algoritme ini melakukan pencarian secara menyeluruh (greedy) pada semua kemungkinan pohon keputusan. Algoritme ID3 membangun pohon keputusan secara top-down (dari atas ke bawah) yang diawali dengan suatu atribut. Top-down artinya pohon keputusan dibangun dari simpul akar ke daun. Algoritme ini tidak dapat mengatasi atribut dengan data kosong, oleh karena itu diperlukan algoritme C4.5 yang dapat mengatasi atribut dengan data kosong serta dapat melakukan pemangkasan cabang yang juga tidak terdapat pada algoritme ID3. Contoh dari algoritme C4.5 ditunjukkan pada Gambar 4.

Jaringan kolaborasi para penulis

18 penulis · 20 tautan kepenulisan bersama

Arahkan kursor atau ketuk sebuah nama untuk menyorot rekan penulisnya. Klik dua kali untuk membuka halaman penulis.

  • Afiliasi tidak diketahui
  • Organisasi berbeda
  • Organisasi sama
  • Afiliasi tidak diketahui
  • Garis lebih tebal = lebih banyak artikel bersama · lingkaran lebih besar = lebih banyak artikel
Tampilkan sebagai tabel
Rekan penulisOrganisasiArtikel bersama
Afif Zakiy AbdullahAfiliasi tidak diketahui2
Ratna Nur Mustika SanusiAfiliasi tidak diketahui1
Dewi Syifaur RohmahAfiliasi tidak diketahui1
Intan Arum SariAfiliasi tidak diketahui1
Ririn SetiyowatiAfiliasi tidak diketahui1
Ismarani IsmaraniAfiliasi tidak diketahui1
Dwi Alifah NurcahyaniAfiliasi tidak diketahui1
Fidya Nur Aini GunawanAfiliasi tidak diketahui1
Pravasta Rama FitrayanaAfiliasi tidak diketahui1
Hanin Nabila PutriAfiliasi tidak diketahui1
Azzahra Alif TamaAfiliasi tidak diketahui1
Yessy Dwi RamadaniAfiliasi tidak diketahui1
Rika WijayatiAfiliasi tidak diketahui1
Warih Qodri PramesthiAfiliasi tidak diketahui1
Anggarjito SasikironoAfiliasi tidak diketahui1

Afiliasi berasal dari OpenAlex; metadata OAI-PMH jurnal tidak memuatnya. Penulis tanpa ID OpenAlex dicocokkan berdasarkan nama, sehingga dua orang bisa tergabung atau satu orang bisa terpisah.

Sumber metadata: OAI-PMH (metadata jurnal) https://journal.unnes.ac.id/sju/index.php/prisma/oai, pertama di-harvest 6 Nov 2026, terakhir terlihat 6 Nov 2026.
Metadata asli (oai_dc) 
<oai_dc:dc xmlns="http://www.openarchives.org/OAI/2.0/" xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:oai_dc="http://www.openarchives.org/OAI/2.0/oai_dc/" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://www.openarchives.org/OAI/2.0/oai_dc/  http://www.openarchives.org/OAI/2.0/oai_dc.xsd">
	<dc:title xml:lang="en-US">Klasifikasi dengan Pohon Keputusan Berbasis Algoritme C4.5</dc:title>
	<dc:creator>Setio, Panji Bimo Nugroho</dc:creator>
	<dc:creator>Saputro, Dewi Retno Sari</dc:creator>
	<dc:creator>Winarno, Bowo</dc:creator>
	<dc:description xml:lang="en-US">Data mining merupakan suatu proses menemukan pola dalam sejumlah data besar dengan tujuan untuk melakukan klasifikasi, estimasi, prediksi, asosiasi dan klaster.&amp;nbsp; Salah satu metode klasifikasi yang popular adalah pohon keputusan (decision tree). Konsep dasar dari pohon keputusan adalah mengubah data menjadi sebuah model pohon keputusan, kemudian mengubah model pohon menjadi rule dan menyederhanakan rule. Data dalam pohon keputusan dinyatakan dalam bentuk tabel dengan atribut dan record. Terdapat beberapa cara untuk mengkonstruksikan pohon keputusan salah satunya menggunakan algoritme C4.5. Algoritme C4.5 merupakan pengembangan dari Iterative Dichotomiser (ID3). ID3 adalah algoritme pembelajaran pohon keputusan (decision tree learning) yang paling dasar. Algoritme ini melakukan pencarian secara menyeluruh (greedy) pada semua kemungkinan pohon keputusan. Algoritme ID3 membangun pohon keputusan secara top-down (dari atas ke bawah) yang diawali dengan suatu atribut. Top-down artinya pohon keputusan dibangun dari simpul akar ke daun. Algoritme ini tidak dapat mengatasi atribut dengan data kosong, oleh karena itu diperlukan algoritme C4.5 yang dapat mengatasi atribut dengan data kosong serta dapat melakukan pemangkasan cabang yang juga tidak terdapat pada algoritme ID3. Contoh dari algoritme C4.5 ditunjukkan pada Gambar 4.</dc:description>
	<dc:publisher xml:lang="en-US">Jurusan Matematika FMIPA UNNES</dc:publisher>
	<dc:date>2020-02-28</dc:date>
	<dc:type>info:eu-repo/semantics/article</dc:type>
	<dc:type>info:eu-repo/semantics/publishedVersion</dc:type>
	<dc:type xml:lang="en-US">Peer-reviewed Article</dc:type>
	<dc:format>application/pdf</dc:format>
	<dc:identifier>https://journal.unnes.ac.id/sju/prisma/article/view/37650</dc:identifier>
	<dc:source xml:lang="en-US">PRISMA, Prosiding Seminar Nasional Matematika; Vol 3 (2020): PRISMA, Prosiding Seminar Nasional Matematika; 64-71</dc:source>
	<dc:source>2613-9189</dc:source>
	<dc:language>eng</dc:language>
	<dc:relation>https://journal.unnes.ac.id/sju/prisma/article/view/37650/15478</dc:relation>
</oai_dc:dc>