Analisis dan Implementasi Probabilitas Fuzzy Decision Tree in dalam Model Klasifikasi

Tugik Rangga Pramana

Informasi Umum

Kode

113081047

Klasifikasi

005.1 - Computer programming

Jenis

Karya Ilmiah - Skripsi (S1) - Reference

Subjek

Rekayasa Perangkat Lunak

Dilihat

18 kali

Informasi Lainnya

Abstraksi

ABSTRAKSI: Decision Tree Learning adalah salah satu metode yang sering digunakan untuk melakukan klasifikasi data. Keunggulan dari metode ini adalah kemampuannya untuk membangun model dengan cara mempelajari (learning) data train yang diberikan. Algoritma populer untuk metode decision tree learning ini adalah Iterative Dychotomizer Version 3 (ID3). ID3 mampu mengklasifikasikan data – data kategorikal dengan cara membangun pohon keputusan berdasarkan nilai – nilai entropy dan information gain. Namun banyak sekali data pada dunia nyata yang tipenya kontinyu sehingga memerlukan teknik yang sedikit berbeda. Nilai fuzzy dapat diterapkan pada ID3 untuk dapat menangani tipe data kontinyu. Dengan begitu data kontinyu akan dirubah menjadi nilai derajat fungsi keanggotaan fuzzy sesuai nilai linguistiknya. Probabilistic Fuzzy Decision Tree (PFDT) akan menambahkan syarat parameter yaitu jumlah dari setiap derajat fungsi keanggotaan fuzzy harus sama dengan satu. Syarat jumlah fungsi keanggotaan yang sama dengan satu ini disebut dengan well-defined sample space. Dengan menerapkan well-defined sample space maka fungsi keanggotaan yang dibentuk akan lebih baik. Hasil penelitian menunjukkan akurasi yang diperoleh dengan menggunakan metode PFDT pada kedua dataset masing – masing adalah 94,67% dan 85,72%.Kata Kunci : Decision Tree, Probabilistic Fuzzy, Classification, ID3ABSTRACT: Decision Tree Learning is one of method that is often to use for data classification. The speciality of this method is that it can build a model from learning the given data train. The Popular algorithm for decision tree learning method is Iterative Dychotomizer Version 3 (ID3). ID3 can classify categorical data by building decision tree using entropy and information gain value. But there are many continuous type of data in the real world so that required a little bit different technique to handle. Fuzzy value can be implemented in the ID3 algorithm for handling continuous type of data. So that continuous data will be converted to fuzzy membership degree value regarding their linguistic value. Probabilistic Fuzzy Decision Tree (PFDT) will add another requirement that sum of every membership function must be equal to one. The requirement of sum of every membership function must be equal to one is called well-defined sample space. By applying well-defined sample space so that the formed membership function is get better. The result of this research shows that the accuracy we get from both datasets using PFDT method are 94.67% and 85.72% respectively.Keyword: Decision Tree, Probabilistic Fuzzy, Classification, ID3