PERBANDINGAN METODE DISKRETISASI UNTUK BERBAGAI MACAM ALGORITMA MACHINE LEARNING

FATHUL IHSAN, Noor Akhmad Setiawan, ST., MT., Ph.D.

2013 | Skripsi | TEKNIK ELEKTRO

Sebagian besar informasi yang ada sekarang masih berada dalam bentuk data. Jika data dikarakterisasi sebagai fakta yang terekam, maka informasi adalah sebuah pola, atau ekspektasi, yang mendasari data. Ada banyak informasi yang berada di dalam suatu data dan informasi tersebut bisa berpotensi penting namun belum ditemukan atau diartikulasikan sehingga dibutuhkan suatu algoritma untuk menemukan informasi tersebut. Algoritma yang ada sekarang antara lain adalah Naive-Bayes, C4.5 dan RIPPER. Algoritma tersebut membutuhkan data dalam bentuk diskrit sehingga dibutuhkan diskretisasi. Dalam diskretisasi terdapat beberapa metode antara lain Boolean Reasoning, Entropy dan Equal Frequency Bining. Penelitian ini bertujuan untuk mengevaluasi pengaruh tiga metode diskretisasi yaitu Boolean Reasoning, Entropy dan Equal Frequency Bining terhadap pengklasifikasi Naive- Bayes, C4.5 dan RIPPER. Hasil yang didapatkan adalah ditemukannya metode diskretisasi mana yang paling efektif untuk algoritma-algoritma pengklasifikasi yang diteliti.

Most of the information now is still in the form of data. If a data is characterized as recorded facts, then information is a pattern, or expectations that underlie the data. There is a lot of information in the data and information that could be potentially important but yet to be discovered or articulated so that it takes an algorithm to find such information. Existing algorithms include Naive-Bayes, C4.5 and RIPPER. This algorithms require discrete data in the form that it takes discretization. In discretizing there are some methods such as Boolean reasoning, Entropy and Equal Frequency Bining. This study aimed to evaluate the effect of three methods of discretization, the Boolean reasoning, Entropy and Equal Frequency Bining to the Naive-Bayes classifier, C4.5 and RIPPER. Results obtained is found the discretization methods that are most effective for the classifier algorithms that are studied.

Kata Kunci : Diskretisasi, Machine Learning, Boolean Reasoning, Entropy, Equal Frequency Bining, Naive-Bayes, C4.5, RIPPER.