Article Sidebar

Submitted
Feb 22, 2022
Published
Feb 25, 2022
Download
PDF (Indonesia)
Statistic
Read Counter : 447 Download : 361

Downloads

Download data is not yet available.

Main Article Content

Abstract

Seiring dengan pesatnya perkembangan teknologi informasi dan tidak semua orang mampu mengelola informasi dengan baik untuk digunakan pada waktu yang tepat secara efektif dan efisien. Data mining adalah bidang teknologi informasi yang berkembang pesat. Data mining melibatkan penggunaan database besar atau kecil. Kemudian pada tahap pengujian model yang telah terbentuk diuji dengan beberapa data lain untuk mengetahui keakuratan model tersebut. Aplikasi data mining dapat membantu menggali informasi yang tersimpan dalam database dengan memanfaatkan Algoritma Rough Set dan Algoritma Naive Bayes.


Data Sistem Keputusan (DS) berupa daftar hasil seleksi pemohon bantuan hibah fasilitas rumah ibadah tahun 2019. Ada 100 record. Penerapan rough set pada masalah pemilihan rumah ibadat yang akan mendapat pendampingan berdasarkan kelengkapan berkas, tahun berdirinya, kondisi rumah ibadat, semangat masyarakat sekitar, dan kegiatan kerohanian. Hasil dari pengujian model yang telah dilakukan adalah menggunakan algoritma Naïve Bayes, pengujian tingkat akurasi dengan menggunakan confusion matrix dan kurva ROC/AUC (Area Under Cover).


Data latih Confusion Matrix merupakan perhitungan akurasi data latih menggunakan algoritma Naïve Bayes yang menghasilkan akurasi sebesar 77%. Diketahui data latih terdiri dari 100 data record, 58 data tergolong Accept dan 29 reject, serta 13 proses. Nilai Confusion Matrix terhadap algoritma SVM menghasilkan tingkat akurasi sebesar 92,00%. Kurva ROC merupakan hasil perhitungan yang divisualisasikan dengan kurva ROC (Receiver Operating Characteristic) atau AUC (Area Under Curve).


Hasil yang diperoleh dari pengolahan ROC menggunakan data latih untuk algoritma Naïve Bayes adalah 0,935. hasil evaluasi dan validasi diatas dapat diketahui bahwa Algoritma Decision Tree memiliki tingkat akurasi dan performansi yang baik, sehingga aturan-aturan yang dihasilkan oleh algoritma Decision Tree dapat digunakan sebagai aturan untuk membuat prototype yang dapat mempermudah dalam memprediksi keputusan untuk menerima hibah untuk rumah ibadah.

Keywords

Data Mining; Naïve Bayes; Rumah Ibadah

Article Details

References

  1. Abdul Khadir. (2014). Sistem Pendukung Keputusan. In Sistem Pendukung Keputusan.
  2. Amalia, K. R., Rizki, F., & Setiawan, A. (2019). SISTEM PENDUKUNG KEPUTUSAN PENENTUAN JURUSAN DI SMA YADIKA NATAR DENGAN ALGORITMA FUZZY C-MEANS. Aisyah Journal Of Informatics and Electrical Engineering, 1(1), 18-22.
  3. Andini, D. Y. A., Rizki, F., & Arifin, M. (2020). MENGETAHUI KECERDASAN MENGATASI MASALAH PELAMAR KERJA BERDASARKAN PENDIDIKAN, USIA & TES KEMAMPUAN MENGATASI MASALAH MENGGUNAKAN METODE LOGIKA FUZZY. Aisyah Journal Of Informatics and Electrical Engineering, 2(2), 156-162.
  4. Amalia, K. R., Rizki, F., & Setiawan, A. (2019). SISTEM PENDUKUNG KEPUTUSAN PENENTUAN JURUSAN DI SMA YADIKA NATAR DENGAN ALGORITMA FUZZY C-MEANS. Aisyah Journal Of Informatics and Electrical Engineering, 1(1), 18-22.
  5. Berndtssom 2008 Berndtssom, M., Hansson, J., Olsson, B., & Lundell, B. A Guide For Students In Computer Science And Information Systems. London: Springer, 2008.
  6. Bramer, Max. (2007). Principles of Data Mining. London: Springer. ISBN-10: 1-84628-765-0, ISBN-13: 978-1-84628-765-7.
  7. Dawson 2009 Dawson, C. W. Projects In Computing And Information System A Student's Guide. England: Addison-Wesley, 2009.
  8. Gorunescu, F. (2011). Data Mining Concept Model and Techniques. Berlin: Springer. ISBN 978-3-642-19720-8
  9. Han, J., & Kamber, M. (2006). Data Mining Concept and Tehniques. San Fransisco: Morgan Kauffman. ISBN 13: 978-1-55860-901-3
  10. Hasugian, A. H., & Cipta, H. (2018). Pengertian Sistem Pendukung Keputusan. Jurnal Ilmu Komputer Dan Informatika.
  11. Kosasi, S., & Yuliani, I. D. A. E. (2014). Sistem Penunjang Keputusan Pemilihan Sales Promotion Girl. Eksplora Informatika.
  12. Kotler 2009, 245 Batubara, Muhamad Hendri. Strategi Marketing Public Relation (MPR) Berupa Promosi Dan Sponsorsip Untuk Mempengaruhi Konsumen Dalam Keputusan Pembelian (Studi Produk Perawatan Bayi Johnsons Baby). Tes., Universitas Indonesia, 2010.
  13. Kusrini 2009 Kusrini. Algoritma Data Mining. Jakarta: Andi, 2009.
  14. Kusrini, M. K. (2007). Konsep Dan Aplikasi Sistem Pendukung Keputusan. In Penerbit Andi.
  15. Kusrini, & Luthfi, E. T. (2009). Algoritma Data Mining. Yogyakarta: Andi Publishing.
  16. Larose, D. T. (2005). Discovering Knowledge in Data. New Jersey: John Willey & Sons, Inc. ISBN 0-471-66657-2.
  17. Liao, T. W., & Triantaphyllou, E. (2007). Recent Advances in Data Mining of Enterprise Data: Algorithms and Applications. Series on Computers and Operations Research, Vol 6. USA: World Scientific. ISBN-13 978-981-277-985-4, ISBN-10 981-277-985-X
  18. Larose, T.D., 2005. Discovering Knowledge in Data an Introduction to Data Mining, New Jersey: John Wiley & Sons, Inc.
  19. Manurung, S. (2018). SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN GURU DAN PEGAWAI TERBAIK MENGGUNAKAN METODE MOORA. Simetris: Jurnal Teknik Mesin, Elektro Dan Ilmu Komputer. https://doi.org/10.24176/simet.v9i1.1967
  20. Moedjiono, 2016. Metodologi Penelitian dan Laporan Penyusunan Tugas Akhir-Tesis dan Paper untuk Jurusan Informatika dan Ilmu Komputer.
  21. Rizki, F., & Fada, N. I. (2020). Sistem Pendukung Keputusan Promosi Kenaikan Pangkat Jabatan Fungsional Pegawai Terbaik Berdasarkan Nilai Angka Kredit Menggunakan Metode Weighted Product dan Promethee. Aisyah Journal Of Informatics and Electrical Engineering, 2(1), 83-96.
  22. Sugiyono, 2001. Metode Penelitian Bisnis, Bandung: CV. Alfabeta
  23. Turban. (2017). Multi Criteria Decision Making (MCDM) pada Sistem Pendukung Keputusan. In Journal of Chemical Information and Modeling. https://doi.org/10.1017/CBO9781107415324.004