PENERAPAN ALGORITMA C.45 DECISION TREE UNTUK ANALISIS PENGADAAN PERALATAN DAN MESIN KANTOR (STUDI KASUS DI REKTORAT UNIVERSITAS ANDALAS)

Afrinaldi, Afrinaldi (2023) PENERAPAN ALGORITMA C.45 DECISION TREE UNTUK ANALISIS PENGADAAN PERALATAN DAN MESIN KANTOR (STUDI KASUS DI REKTORAT UNIVERSITAS ANDALAS). Masters thesis, Universitas Putra Indonesia YPTK.

	Text TESIS_AFRINALDI_212321003_ABSTRAK.pdf Download (44kB)
	Text TESIS_AFRINALDI_212321003_BAB I.pdf Download (55kB)
	Text TESIS_AFRINALDI_212321003_DAFTAR PUSTAKA.pdf Download (175kB)
	Text TESIS_AFRINALDI_212321003_FULL TEXT.pdf Restricted to Repository staff only Download (3MB)

Abstract

Knowledge Discovery in Database (KDD) adalah suatu pendekatan untuk mengeksplorasi dan menggali informasi berharga dari dataset yang besar. Tujuan utama KDD adalah untuk mengidentifikasi pola-pola baru yang mungkin tersembunyi dalam data, sehingga kita dapat memperoleh pengetahuan dan wawasan baru. Salah satu alat yang sering digunakan dalam KDD adalah teknologi data mining, yang bertujuan untuk menggali pengetahuan yang mungkin tersembunyi dalam basis data. Salah satu teknik data mining adalah classification dengan algoritma C4.5 Decision Tree. Penelitian ini dilakukan untuk mempelajari teknik data mining metode algoritma C4.5 Decision Tree yang diimplementasikan untuk analisis pengadaan peralatan dan mesin kantor. Data diambil pada Sub Direktorat Pengelolaan Aset Universitas Andalas dan dilakukan analisis menggunakan algoritma C4.5 Decision Tree sehingga menghasilkan pohon keputusan. Data peralatan dan mesin kantor yang digunakan terdiri dari 10 kategori jenis barang dengan 6 atribut yaitu nama barang, kondisi, tahun perolehan, nilai perolehan, bahan dan keterangan usulan pengadaan. Setelah dilakukan tahapan algoritma C4.5 Decision Tree sehingga menghasilkan pohon keputusan dengan 44 rules yang terdiri dari 18 rules kategori diusulkan dan 26 rules kategori tidak diusulkan. Atribut yang paling mempengaruhi terhadap pengusulan peralatan dan mesin kantor adalah atribut kondisi yang menjadi akar (node 1) dari pohon keputusan. Pengujian yang dilakukan menggunakan aplikasi RapidMiner 10.2 dan 132 record data testing menghasilkan akurasi sebesar 91,67% dan classification error sebesar 8,33%.

Actions (login required)

View Item