ANALISA AKURASI PERMODELAN SUPERVISED DAN UNSUPERVISED LEARNING MENGGUNAKAN DATA MINING

  • Warnia Nengsih Sistem Informasi, Politeknik Caltex Riau
Keywords: Supervised Learning, Unsupervised Learning, Akurasi, Data Mining

Abstract

Data Mining merupakan salah satu proses yang menggunakan teknik statistik, matematika, kecerdasan buatan, machine learning untuk mengekstraksi dan mengidentifikasi informasi yang bermanfaat dan pengetahuan yang terkait dari berbagai database besar. Data mining memiliki dua jenis pembelajaran diantaranya supervised learning dan unsupervised learning. Tentunya setiap pembelajaran memiliki teknik dan algoritma tersendiri. Penelitian ini bertujuan untuk melakukan permodelan dari setiap learning dengan mengukur akurasi dari kedua jenis learning tersebut menggunakan beberapa metode pengujian. Sementara untuk rancang sistem menggunakan bahasa pemograman matlab. Belum adanya pengukuran akurasi dari kedua learning menjadi hal yang melatarbelakangi penelitian ini. Dari hasil pengujian akurasi menggunakan confusion matrix dan lift ratio diperoleh hasil bahwa perbandingan rata-rata akurasi untuk supervised learning adalah 82,33% dan unsupervised learning sebesar 78% dengan selisih nilai akurasi sebesar 4,33%. Nilai akurasi dipengaruhi oleh jumlah serta keberagaman dimensi data. Jadi dengan kasus dan jumlah serta dimensi yang berbeda akan menghasilkan nilai akurasi yang beragam pula.

Downloads

Download data is not yet available.

References

Afrisawati. 2002. Implementasi Data Mining Pemilihan Pelanggan Potensial menggunakan Algoritma K-Means, Pelita Inform. Budi Darma, vol. V, no. 12110955, (2013):pp. 157–162.
E. Prasetyo.2014. Data Mining: Konsep dan Aplikasi menggunakan Matlab, 1 ed. Yogyakarta: Andi Offset.
F. E. M. Agustin, A. Fitria, and A. H. S. 2013. ” Implementasi Algoritma K-Means Untuk Menentukan Kelompok Pengayaan Materi Mata Pelajaran Ujian Nasional. (Studi Kasus Smp Negeri 101 Jakarta), vol. 8:pp. 73–78.
G.Abdillah et al.2016. Penerapan Data Mining Pemakaian Air Pelanggan Untuk Menentukan Klasifikasi Potensi Pemakaian Air Pelanggan Baru Di PDAM Tirta Raharja Menggunakan Algoritma K-Means,:pp. 18–19.
Kurniawan Defri, Catur Suprianto. 2013. Optimasi Algoritma Support Vector Machine untuk penilaian Risiko Kredit, Universitas Dian Nuswantoro.
K. Tampubolon, H. Saragih, B. Reza, K. Epicentrum, .2013. “Implementasi Data Mining Algoritma Apriori Pada Sistem Persediaan Alat-Alat Kesehatan,” Inf. dan Teknol. Ilm.,: pp. 93–106.
K. Rajalakshmi, S. S. Dhenakaran, and N. Roobini, “Comparative Analysis of K-Means Algorithm in Disease Prediction,” Int. J. Sci. Eng. Technol. Res., vol. 4, no. 7, pp. 2697– 2699
Lumbantoruan, Rutman dan Posma Sariguna Johnson Kennedy.2015. “Analisis Data Mining Dan Warehousing”. Jurnal Ilmiah Buletin Ekonomi, Volume 19 no.1.
L. R. Angga Ginanjar Mabrur.2012. “Penerapan Data Mining Untuk Memprediksi Kriteria Nasabah Kredit,” J. Komput. dan Inform., vol. 1, no. 1:pp. 53–57, 75123
Published
2019-12-01
How to Cite
Nengsih, W. (2019) “ANALISA AKURASI PERMODELAN SUPERVISED DAN UNSUPERVISED LEARNING MENGGUNAKAN DATA MINING”, Sebatik, 23(2), pp. 285-291. Available at: https://jurnal.wicida.ac.id/index.php/sebatik/article/view/771 (Accessed: 7April2020).