PERBANDINGAN METODE DECISION TREE, RANDOM FOREST, DAN ROTATION FOREST

Widiagani, Andiyangita (2017) PERBANDINGAN METODE DECISION TREE, RANDOM FOREST, DAN ROTATION FOREST. S1 thesis, Universitas Pendidikan Indonesia.

Abstract

Penelitian ini membandingkan 3 metode classifier yaitu Decision Tree, Random Forest, dan Rotation Forest menggunakan Bahasa pemrograman R untuk mengetahui metode mana yang memiliki tingkat akurasi paling tinggi. Dalam penelitian ini, pengujian dilakukan menggunakan 3 dataset yang didapat dari UCI Learning. Hasil pengujian dengan 5-fold cross validation didapatkan hasil dengan metode Decision Tree memiliki akurasi 93.3% dengan waktu 2.079 detik untuk dataset IRIS, akurasi 72.8% dengan waktu 31.922 detik untuk dataset PIMA, dan akurasi 92.6% dengan waktu 14.431 detik untuk dataset WINE. Metode Random Forest memiliki akurasi 95.3% dengan waktu 8.252 detik untuk dataset IRIS, akurasi 76.3% dengan waktu 3.13 menit untuk dataset PIMA, dan akurasi 98.9% dengan waktu 1.35 menit untuk dataset WINE. Sedangkan dengan metode Rotation Forest memiliki akurasi 96.7% dengan waktu 45.435 detik untuk dataset IRIS, akurasi 76.4% dengan waktu 14.75 menit untuk dataset PIMA, dan akurasi 97.8% dengan waktu 1.41 menit untuk dataset WINE. Dari hasil pengujian tersebut didapat bahwa metode Rotation Forest adalah metode dengan tingkat akurasi tertinggi, akan tetapi memiliki waktu proses paling lama.
This study compares three classifier methods namely Decision Tree, Random Forest, and Rotation Forest using R programming language to find out which method has the highest accuracy. In this study, the test was performed using 3 datasets obtained from UCI Learning. Test results with 5-fold cross validation was obtained with Decision Tree method has 93.3% accuracy with time 2.079 seconds for IRIS dataset, 72.8% accuracy with 31,922 seconds for PIMA dataset, and 92.6% accuracy with 14.431 seconds for WINE dataset. The Random Forest method has an accuracy of 95.3% with time of 8252 seconds for IRIS dataset, 76.3% accuracy with 3.13 min for PIMA dataset, and 98.9% accuracy with 1.35 min for WINE dataset. While the Rotation Forest method has an accuracy of 96.7% with 45.435 seconds for IRIS dataset, 76.4% accuracy with 14.75 minutes for PIMA dataset, and 97.8% accuracy with 1.41 minutes for WINE dataset. From the test results obtained that the Rotation Forest method is the method with the highest accuracy, but has the longest processing time.

	Text S_KOM_0907018_Title.pdf Download (11kB)
	Text S_KOM_0907018_Abstract.pdf Download (70kB)
	Text S_KOM_0907018_Table_of_content.pdf Download (149kB)
	Text S_KOM_0907018_Chapter1.pdf Download (201kB)
	Text S_KOM_0907018_Chapter2.pdf Restricted to Staf Perpustakaan Download (598kB)
	Text S_KOM_0907018_Chapter3.pdf Download (395kB)
	Text S_KOM_0907018_Chapter4.pdf Restricted to Staf Perpustakaan Download (656kB)
	Text S_KOM_0907018_Chapter5.pdf Download (177kB)
	Text S_KOM_0907018_Bibliography.pdf Download (144kB)

Item Type:	Thesis (S1)
Additional Information:	No. Panggil: S KOM WID p-2017; Pembimbing: I.Asep Wahyudin, II.Lala Septem Riza; NIM:0907018
Uncontrolled Keywords:	Classifier, decision tree, random forest, rotation forest
Subjects:	L Education > L Education (General) T Technology > T Technology (General) T Technology > TK Electrical engineering. Electronics Nuclear engineering
Divisions:	Fakultas Pendidikan Matematika dan Ilmu Pengetahuan Alam > Program Studi Ilmu Komputer
Depositing User:	Mr. Cahya Mulyana
Date Deposited:	28 Aug 2018 02:22
Last Modified:	28 Aug 2018 02:22
URI:	http://repository.upi.edu/id/eprint/31318

Actions (login required)

View Item