Perbandingan Metode Diskretisasi Data Partisi Intuitif dan K-Means Clustering terhadap Pembuatan Pohon Keputusan

Abstract

Data sektor pertanian yang dimiliki Departemen Pertanian selalu bertambah setiap tahun sehingga menghasilkan sekumpulan data berukuran besar. Data tesebut mengandung informasi yang masih harus ditambang. Dalam penelitian ini, dibandingkan hasil pembentukan pohon keputusan menggunakan algoritme ID3 dengan metode diskretisasi Partisi Intuitif dan algoritme K-Means Clustering dengan jumlah cluster 4 dan 5 cluster Pohon keputusan dibentuk menggunakan algoritme ID3 yang sudah tersedia dalam perangkat lunak WEKA (Waikato Environment Knowledge Analysis). Berdasarkan keluaran dari WEKA, aturan yang dihasilkan oleh metode Partisi Intuitif berjumlah 63 dengan akurasi sebesar 84,54%. Aturan yang dihasilkan oleh algoritme K-Means clustering dengan 4 cluster berjumlah 49 dengan akurasi sebesar 87.40% dan aturan yang dihasilkan menggunakan algoritme K-Means clustering dengan jumlah cluster 5 berjumlah 59 dengan akurasi sebesar 76.87%. Nilai Root Means Square Error (RMSE) yang dihasilkan oleh masing masing metode yaitu Partisi Intuitif sebesar 0.12, algoritme K-Means clustering dengan jumlah cluster 4 sebesar 0.2 dan algoritme KMeans clustering dengan jumlah cluster 5 sebesar 0.24. Nilai RMSE dari hasil percobaan menunjukkan bahwa hasil terbaik terdapat pada pohon keputusan yang dibentuk dengan metode diskretisasi data partisi intuitif.