Konsep Decision Tree Reptree untuk Melakukan Optimasi Rule dalam Fuzzy Inference System Tsukamoto

Penulis

Tundo Tundo, Shofwatul 'Uyun

Abstrak

Penelitian ini menjelaskan tentang decision tree REPTree dalam membuat suatu rule yang terbentuk dari produksi minyak kelapa sawit di PT Tapiana Nadenggan, yang dipengaruhi oleh faktor banyaknya kelapa sawit, permintaan yang ada, serta persediaan yang tersedia. Konsep dari decision tree REPTree adalah konsep awal dari decision tree J48 yang kemudian mengalami pemangkasan kembali, sehingg rule yang yang terbentuk lebih minimal dan praktis. Rule yang minimal dan praktis belum tentu dapat dikatakan terbaik, untuk membuktikan hal itu perlu adanya uji coba dan pembuktian. Pembuktian yang dilakukan dalam penelitian ini salah satunya dengan menggunakan perbandingan decision tree J48 dan Random Tree dengan tujuan untuk mengetahui optimasi rule yang terbentuk dengan menggunakan metode fuzzy inference system Tsukamoto, setelah dihitung bahwa decision tree REPTree mempunyai Average Forecasting Error Rate (AFER) yang lebih kecil sebesar 23,17% dengan nilai kebenaran 76,83%, sedangkan J48 memiliki tingkat error sebesar 24,96%, dengan nilai kebenaran 75,04%,  sementara Random Tree memiliki tingkat error sebesar 36,51%, dengan nilai kebenaran 63,49% pada kasus  prediksi produksi minyak kelapa sawit di PT Tapiana Nadenggan.

 

Abstract

This research explains about REPTree's decision tree in making a rule that is formed from the production of palm oil in PT Tapiana Nadenggan, which is influenced by factors of the amount of palm oil, existing demand, and available supplies. The concept of the REPTree decision tree is the initial concept of the J48 decision tree which then experiences pruning, so that the rules formed are more minimal and practical. A minimum and practical rule may not be the best, to prove that there is a need for trials and proofs. Proof carried out in this research is one of them by using a comparison of decision trees J48 and Random Tree with the aim to find out the optimization of rules formed using the Tsukamoto system's fuzzy inference method, after calculating that the REPTree decision tree has a more average Forecasting Error Rate (AFER) error tree small of 23.17% with a truth value of 76.83%, while J48 has an error rate of 24.96%, with a truth value of 75.04%, while Random Tree has an error rate of 36.51%, with a truth value of 63, 49% in the case of prediction of palm oil production at PT Tapiana Nadenggan.

Teks Lengkap:

PDF

Referensi


HAN, J, KAMBER, M, & PEI, J. 2012. Data Mining: Concept and Techniques, Third Edition. Waltham: Morgan Kaufmann Publishers.

HARSITI, MUNANDAR, T. A. & SIGIT, H. T. 2013. Implementation Of Fuzzy-C4.5 Classification As a Decision Support For Students Choice Of Major Specialization. International Journal Engineering Research & Technology (IJERT), 2(11), pp. 1577–1581. Available at: http://worldwidescience.org/wws/desktop/en/ostiblue/service/link/track?redirectUrl.

HIDAYATI, J. dkk. 2013. Optimization of Business Partners Feasibility for Oil Palm Revitalization Using Fuzzy Approach’, 3(2), pp. 29–35.

KALMEGH, S. 2015. Analysis of WEKA Data Mining Algorithm REPTree , Simple Cart and RandomTree for Classification of Indian New. International Journal of Innovative Science, Engineering & Technology.

MAR’I, F., MAHMUDY, W. F. & YUSAINY, C. 2019. Sistem Rekomendasi Profesi Berdasarkan Dimensi Big Five Personality Menggunakan Fuzzy Inference System Tsukamoto. Jurnal Teknologi Informasi dan Ilmu Komputer, 6(5), p. 457. doi: 10.25126/jtiik.201965942.

MOHAMED, W. N. H. W., SALLEH, M. N. M. & OMAR, A. H. 2012. A Comparative Study Of Reduced Error Pruning Method In Decision Tree Algorithms. Proceedings - 2012 IEEE International Conference on Control System, Computing and Engineering, ICCSCE 2012, (23-25 November), pp. 392–397. doi: 10.1109/ICCSCE.2012.6487177.

MUJAHID, T. A. & SELA, E. I. 2019. Analisis Perbandingan Rule Pakar dan Decision Tree J48 Dalam Menentukan Jumlah Produksi Kain Tenun Menggunakan Metode Fuzzy Tsukamoto. JURIKOM (Jurnal Riset Komputer), 6(5), pp. 501–505.

MUSTIKA SARI, S. D. P., GINARDI, H. & FATICHAH, C. 2017. Penentuan Harga dengan Menggunakan Sistem Inferensi Fuzzy Tsukamoto Pada Rancang Bangun Aplikasi “Finding-Tutor”’. Jurnal Teknik ITS, 6(2). doi: 10.12962/j23373539.v6i2.24123.

RABCAN, J. & ZHARTYBAYEVA, M. 2016. Classification By Ordered Fuzzy Decision Tree. Central European Researchers Journal, 2(2), pp. 54–60.

SAMAL, A. K., PANI, S. K. & PRAMANIK, J. 2016. Comparative Study of J48 , AD Tree , REP Tree and BF Tree Data Mining Algorithms through Colon Tumour Dataset. International Journal for Scientific Research & Development, 4(03), pp. 2103–2105.

SELA, E. I. dkk. 2015. Feature Selection of the Combination of Porous Trabecular with Anthropometric Features for Osteoporosis Screening. International Journal of Electrical and Computer Engineering (IJECE), 5(1), pp. 78–83.

SELYWITA, D. & HAMDANI., 2013. Sistem Pendukung Keputusan Pemilihan Supplier Obat Menggunakan Metode Fuzzy Tsukamoto’, 3(1), pp. 21–30.

SINGH, S. R.,2017. International Journal of Innovative Research in Computer and Communication Engineering The Internet of Things in Education (IoTE): An Overview. International Journal of Innovative Research in Computer and Communication Engineering, 5(4), pp. 7319–7328. doi: 10.15680/IJIRCCE.2017.

SUKANDY, D. M., BASUKI, A. T. & PUSPASARI, S. 2014. Penerapan Metode Fuzzy Mamdani Untuk Memprediksi Jumlah Produksi Minyak Sawit Berdasarkan Data Persediaan Dan Jumlah Permintaan ( Studi Kasus Pt Perkebunan Mitra Ogan Baturaja). Program Studi Teknik Informatika, pp. 1–9. doi: 10.1080/13607863.2011.629092.

SUMITRE, M. & KURNIAWAN, R. 2015. Rancang Bangun Sistem Pendukung Keputusan Seleksi Penerimaan Tenaga Pengajar Dengan Metode Fuzzy Inference System (Fis) Mamdani. Jurnal Informatika, 14(1), pp. 61–71. Available at:https://jurnal.darmajaya.ac.id/index.php/JurnalInformatika/article/view/512.

TSENG, T. L. BILL, KONADA, U. & KWON, Y. JAMES. 2016. A novel approach to predict surface roughness in machining operations using fuzzy set theory’, Journal of Computational Design and Engineering. Elsevier, 3(1), pp. 1–13. doi: 10.1016/j.jcde.2015.04.002.

TUNDO, AKBAR, R. & SELA, E. I. 2020. Analisis Perbandingan Fuzzy Tsukamoto Dan Sugeno Dalam Menentukan Jumlah Produksi Kain Tenun Menggunakan Base Rule Decision Tree’, Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK), 7(1), pp. 171–180. doi: 10.25126/jtiik.202071751.

TUNDO& SELA, E. I. 2018. Application Of The Fuzzy Inference System Method To Predict. (IJID) International Journal on Informatics for Development, 7(1), pp. 1–9.

TUNDO, T. & ’UYUN, S. 2020. Penerapan Decision Tree J48 dan Reptree dalam Menentukan Prediksi Produksi Minyak Kelapa Sawit menggunakan Metode Fuzzy Tsukamoto. Jurnal Teknologi Informasi dan Ilmu Komputer, 7(3), p. 483. doi: 10.25126/jtiik.2020731870.

WAHYUNINGTYAS, G., MUKHLASH, I. & SOETRISNO. 2014. Aplikasi Data Mining untuk Penilaian Kredit Menggunakan Metode Fuzzy Decision Tree. JURNAL SAINS DAN SENI POMITS, 2(1), pp. 1–6.




DOI: http://dx.doi.org/10.25126/jtiik.2022922601