Perbandingan Decision Tree J48, REPTREE, dan Random Tree dalam Menentukan Prediksi Produksi Minyak Kelapa Sawit Menggunakan Fuzzy Tsukamoto

Penulis

Tundo Tundo, Shofwatul 'Uyun

Abstrak

 

Penelitian ini menerangkan analisis decision tree J48, REPTree dan Random Tree dengan menggunakan metode fuzzy Tsukamoto dalam penentuan jumlah produksi minyak kelapa sawit di perusahaan PT Tapiana Nadenggan dengan tujuan untuk mengetahui decision tree mana yang hasilnya mendekati dari data sesungguhnya. Digunakannya decision tree J48, REPTree, dan Random Tree yaitu untuk mempercepat dalam pembuatan rule yang digunakan tanpa harus berkonsultasi dengan para pakar dalam menentukan rule yang digunakan. Berdasarkan data yang digunakan akurasi pembentukan rule dari decision tree J48 adalah 95,2381%, REPTree adalah 90,4762%, dan Random Tree adalah 95,2381%. Hasil dari penelitian yang telah dihitung bahwa metode fuzzy Tsukamoto dengan menggunakan REPTree mempunyai error Average Forecasting Error Rate (AFER) yang lebih kecil sebesar 23,17 % dibandingkan dengan menggunakan J48 sebesar 24,96 % dan Random Tree sebesar 36,51 % pada prediksi jumlah produksi minyak kelapa sawit. Oleh sebab itu ditemukan sebuah gagasan bahwa akurasi pohon keputusan yang terbentuk menggunakan tools WEKA tidak menjamin akurasi yang terbesar adalah yang terbaik, buktinya dari kasus ini REPTree memiliki akurasi rule paling kecil, akan tetapi hasil prediksi memiliki tingkat error paling kecil, dibandingkan dengan J48 dan Random Tree. 


Abstract

This study explains the J48, REPTree and Tree Random tree decision analysis using Tsukamoto's fuzzy method in determining the amount of palm oil production in PT Tapiana Nadenggan's company with the aim of finding out which decision tree results are close to the actual data. The decision tree J48, REPTree, and Random Tree is used to accelerate the making of rules that are used without having to consult with experts in determining the rules used. Based on the data used the accuracy of the rule formation of the J48 decision tree is 95.2381%, REPTree is 90.4762%, and the Random Tree is 95.2381%. The results of the study have calculated that the Tsukamoto fuzzy method using REPTree has a smaller Average Forecasting Error Rate (AFER) rate of 23.17% compared to using J48 of 24.96% and Tree Random of 36.51% in the prediction of the amount of palm oil production. Therefore an idea was found that the accuracy of decision trees formed using WEKA tools does not guarantee the greatest accuracy is the best, the proof of this case REPTree has the smallest rule accuracy, but the predicted results have the smallest error rate, compared to J48 and Tree Random.


Teks Lengkap:

PDF

Referensi


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

JULIANSYAH, A. (2015) ‘Penerapan Metode Fuzzy Tsukamoto Untuk Memprediksi Hasil Produksi Kelapa Sawit (Studi Kasus :PT Amal Tani Perkebunan Tanjung Putri-Bahorok)’, 4(1), pp. 130–137.

KUSUMADEWI, 2010. Aplikasi Logika Fuzzy Untuk Pendukung Keputusan, Graha Ilmu Yogyakarta.

SELA, E. I. et al. (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. and HAMDANI (2013) ‘Sistem Pendukung Keputusan Pemilihan Supplier Obat Menggunakan Metode Fuzzy Tsukamoto’, 3(1), pp. 21–30.

SIGIT, H. / T. A. M. / H. T. (2015) ‘Implementation Of Fuzzy-C4.5 Classification As a Decision Support For Students Choice Of Major Specialization’, ArXiv.org, 2(11), pp. 1577–1581.

SOLIKIN, F. (2013) ‘Aplikasi Logika Fuzzy Dalam Optimisasi Produksi Barang Menggunakan Metode Mamdani Dan Metode Sugeno’, 2013(Sentika).

SUKANDY, D. M., BASUKI, A. T. and 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.

T. A. JILANI, S. M. A. BURNEY, C. ARDIL, 2007. Fuzzy Metric Approach for Fuzzy Time Series Forecasting based on Frequency Density Based Partitioning, Proceedings of World Academy of Science, Engineering and technology, vol. 23, pp.333-338.

TSENG, T. L. (BILL), KONADA, U. and 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.

TUNDO and 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.




DOI: http://dx.doi.org/10.25126/jtiik.2021833108