Komparasi Algoritma C4.5, Naïve Bayes Dan Neural Network Untuk Klasifikasi Tanah

Komparasi Algoritma C4.5, Naïve Bayes Dan Neural Network Untuk Klasifikasi Tanah

• By Mukmini, Amirul; Riana, Dwiza;
• Jurnal Informatika
• 84
• 21~31

Penentuan jenis tanah pada kedalaman tertentu untuk kebutuhan perencanaan pembangunan perumahan dilakukan berdasarkan data Cone Penetration Test. Tujuan penelitian ini untuk mengkomparasi Algoritma C4.5, Naive Bayes, and Neural Network sehingga ditemukan pemodelan yang terbaik untuk mengklasifikasikan tanah. Hasil dari penelitian ini didapatkan algoritma terbaik yaitu Algoritma C4.5. Algoritma C4.5 dalam klasifikasi dua kelas mencapai akurasi 98,45% dan AUC 0,981. Dalam klasifikasi tiga kelas C4.5 juga mencapai akurasi tertinggi (93,21%), demikian juga pada klasifikasi tujuh kelas (83,40%). Hasil penelitian ini menyimpulkan bahwa Algoritma C 4.5 dapat dijadikan pilihan dalam mengklasifikasi tanah untuk pembangunan perumahan. 

• Katakunci Kata Kunci : Data Mining, Klasifikasi Tanah, C4.5, Naïve Bayes, Neural Network
• URL http://
• Penerbit Jurnal Informatika Universitas BSI, Bandung Jawa Barat

REFERENSI

Akthar, F., & Hahne, C. (2012, August 24). Rapidminer 5 "Operator Reference". Retrieved from Rapid-I GmbH: www.rapid-i.com. 

Alfisahrin, S. N. (2014). Komparasi Algoritma C4.5, Naive Bayes dan Neural Network Untuk Memprediksi Penyakit Jantung. Jakarta: Pascasarjana Magister Ilmu Komputer STMIK Nusa Mandiri. 

Bandung, P. (2011). Penyelenggaraan, Retribusi IMB dan Retribusi Penggantian Cetak Peta. Bandung: Pemkot Bandung:Perda Kota Bandung Nomor 12 Tahun 2011. 

Bhargavi, P., & Jyothi, D. (2011). Soil Classification Using Data Mining Techniques : A Comparative Study. International Journal of Engineering Trends and Technology-July to Aug Issue. 

Bhattacharya, B., & Solomatine, D. (2005). Machine Learning in Soil Classification. Montreal, Canada. 

Bowles, E. (1989). Sifat-sifat Fisis dan Geoteknis Tanah. Jakarta: PT. Erlangga. 

Bramer, M. (2013). Pronciple of Data Mining Second Edition. London: Springer. 

BSN. (2008). Cara Uji Penetrasi Lapangan Dengan Alat Sondir. Bandung: BSN : SNI 2827:2008. 

Chapman, P. e. (2000). CRISP-DM 1.0 - Step-by-Step Data Mining Guide. . CRISP-DM Consortium. 

Das, D. (2005). Fundamentals Of Geotechnical Engineering 2nd. Thomson USA. 

Fawcett, T. (2005). An Introduction to ROC Analysis. Elsevier, 861. 

Hamzah, A. (2012). Klasifikasi Teks Dengan Naive Bayes Classifier (NBC) Untuk Pengelompokan Teks Berita dan Abstract Akademis. Yogyakarta: Prosiding Seminar Nasional Aplikasi Sains & Teknologi (SNAST) Periode III. 

Han, J., & Kamber, M. (2006). Data Mining Consepts and Technoloques Second Edition. San Francisco: Diane Cerra. 

Hardiyatmo, H. (2010). Analisis dan Perancangan Pondasi. Yogyakarta: Gadjah Mada University. 

Jayasree, & Balan. (2013). A Review On Data Mining In Banking Sector. American Journal of Applied Sciences 10. 

Jungermann, F. (2009). Information Extraction with Rapidmanner. In Proceedings Of The GSCL Symposium "Sprachtechnologie und eHumanities" (p. 50). Duisburg: Universitat Diusburg, Essen. 

Kusumadewi, S. (2004). Membangun Jaringan Syaraf Tiruan Menggunakan Matlab & Exel Link. Yogyakarta: Graha Ilmu. 

Larose, D. (2006). Data Mining Methods and Models. New Jersey: John Wiley and Son, Inc. 

M.A. Shahin, J. M. (2008). Future Challenge for Artifical Neural Network Modelling in Geotechnical Engineering. International Association for Computer Methods and Advancees in Geomechanics (IACMAG). Goa-India. 

Maimon, O., & Rokach, L. (2010). Data Mining and Knowledge Discovery Handbook Second Edition. New York: Springer. 

Moro, S., Cortez, P., & Laureano, R. S. (2013). A Data Mining Approach for Bank Telemarketing Using the rminer Package and R Tool. Lisbon: Business Research Unit Instituto Universitario de Lisboa. 

Robertson, P. (2009). Soil Behaviour Type From The CPT : an update. California, USA: Gregg Drilling & Testing Inc. 

Wu, X., & Kumar, V. (2009). The Top Ten Algorithms in Data Mining. New York: CRC Press.