Implementasi CRISP-DM pada Data Mining untuk Melakukan Prediksi Pendapatan dengan Algoritma C.45

Diyah Ruswanti; Dahlan Susilo; Riani Riani

doi:10.36309/goi.v30i1.266

Implementasi CRISP-DM pada Data Mining untuk Melakukan Prediksi Pendapatan dengan Algoritma C.45

https://doi.org/10.36309/goi.v30i1.266
Diyah Ruswanti^(1*)

, Dahlan Susilo⁽²⁾, Riani Riani⁽³⁾

Affiliation

(1) Program Studi Informatika, Universitas Sahid Surakarta
(2) Program Studi Informatika, Universitas Sahid Surakarta
(3) Program Studi Informatika, Universitas Sahid Surakarta
(*) Corresponding Author

How to Cite

Cite this Item

Abstract

Penelitian ini membahas penerapan metodologi CRISP-DM (Cross Industry Standard Process for Data Mining) untuk melakukan analisis prediksi pendapatan menggunakan algoritma C4.5. Tujuan utama penelitian ini adalah menprediksi jenis kendaraan yang menyumbang pendapatan terbesar pada uji kir kendaraan di Dinas Pehubungan. Pada tahap pertama, Tahapan Business Understanding, penelitian ini mendefinisikan tujuan bisnisnya sebagai pengembangan model prediksi pendapatan untuk mendukung keputusan strategis. Selanjutnya, pada Tahapan Data Understanding, data pendapatan individu dikumpulkan dan dieksplorasi untuk pemahaman awal sebelum dilakukan pemrosesan data lebih lanjut. Pada tahap Data Preparation, data yang diperoleh dibersihkan, diubah, dan dipersiapkan untuk analisis. Faktor-faktor yang dianggap penting untuk prediksi pendapatan, seperti pendidikan, pekerjaan, dan status perkawinan, dipilih dan diolah dengan cermat. Tahapan Modeling melibatkan penerapan algoritma C4.5 untuk membangun model prediksi. Evaluasi dilakukan terhadap kualitas model, termasuk akurasi dan interpretasi aturan yang dihasilkan oleh algoritma. Hasil analisis menunjukkan bahwa model prediksi pendapatan menggunakan algorithma C4.5 mampu memberikan hasil yang memuaskan dengan tingkat akurasi sebesar 75% dengan jenis kendaraan yang diprediksi pendapatan uji kir naik adalah jenis Light Truk.

Keywords

crisp-dm; prediksi; pendapatan; c.45; data mining

Full Text:

PDF HAL. 111-121

References

C. Schröer, F. Kruse, and J. M. Gómez, “A systematic literature review on applying CRISP-DM process model,” Procedia Comput. Sci., vol. 181, no. 2019, pp. 526–534, 2021, doi: 10.1016/j.procs.2021.01.199.

M. S. Brown, “(For Dummies) Meta S. Brown-Data Mining For Dummies-Wiley Publishing Inc. (2014).pdf.” 2014. [Online]. Available: www.wiley.com

D. Zhu et al., “A Cluster Separation Measure,” Procedia Comput. Sci., vol. 2, no. 1, pp. 1–6, 2016, doi: 10.1016/j.procs.2016.09.180.

M. A. A. Riyadi and K. Fithriasari, “Data Mining Peramalan Konsumsi Listrik dengan Pendekatan Cluster Time Series sebagai Preprocessing,” J. Pengemb. Teknol. Inf. dan ilmu Komput., vol. 2, no. 4, pp. 1–6, 2016.

K. Englmeier, “The role of text mining in mitigating the threats from fake news and misinformation in times of corona,” Procedia Comput. Sci., vol. 181, no. 2019, pp. 149–156, 2021, doi: 10.1016/j.procs.2021.01.115.

A. A. Az-zahra, A. F. Marsaoly, I. P. Lestyani, R. Salsabila, and W. O. Z. Madjida, “Penerapan Algoritma K-Modes Clustering Dengan Validasi Davies Bouldin Index Pada Pengelompokkan Tingkat Minat Belanja Online Di Provinsi Daerah Istimewa Yogyakarta,” J. MSA ( Mat. dan Stat. serta Apl. ), vol. 9, no. 1, p. 24, 2021, doi: 10.24252/msa.v9i1.18555.

J. M. Raimundo and P. Cabrita, “Artificial intelligence at assisted reproductive technology,” Procedia Comput. Sci., vol. 181, pp. 442–447, 2021, doi: 10.1016/j.procs.2021.01.189.

L. M. A. da Costa, F. A. Bernardi, T. L. M. Sanches, A. Kritski, R. M. Galliez, and D. Alves, “Operational modeling for testing diagnostic tools impact on tuberculosis diagnostic cascade: A model design,” Procedia Comput. Sci., vol. 181, no. 2019, pp. 650–657, 2021, doi: 10.1016/j.procs.2021.01.214.

C. Bergmeir, R. J. Hyndman, and B. Koo, “A note on the validity of cross-validation for evaluating autoregressive time series prediction,” Comput. Stat. Data Anal., vol. 120, pp. 70–83, 2018, doi: 10.1016/j.csda.2017.11.003.

D. Feblian and D. U. Daihani, “Implementasi Model Crisp-Dm Untuk Menentukan Sales Pipeline Pada Pt X,” J. Tek. Ind., vol. 6, no. 1, 2017, doi: 10.25105/jti.v6i1.1526.

B. E. Adiana, I. Soesanti, A. E. Permanasari, J. G. No, J. G. No, and J. G. No, “Analisis Segmentasi Pelanggan Menggunakan Kombinasi RFM Model dan Teknik Clustering,” no. 2, pp. 23–32, 2018, doi: 10.21460/jutei.2017.21.76.

Y. Suhanda, I. Kurniati, and S. Norma, “Penerapan Metode Crisp-DM Dengan Algoritma K-Means Clustering Untuk Segmentasi Mahasiswa Berdasarkan Kualitas Akademik,” J. Teknol. Inform. dan Komput., vol. 6, no. 2, pp. 12–20, 2020, doi: 10.37012/jtik.v6i2.299.

T. W. Liao, Recent Advances in Data Mining of Enterprise Data: Algorithma Aplications. 2007.

T. B. Santoso and D. Sekardiana, “Penerapan Algoritma C4.5 untuk Penentuan Kelayakan Pemberian Kredit,” J. Algoritm. Log. dan Komputasi, vol. II, no. 1, pp. 130–137, 2019, [Online]. Available: https://journal.ubm.ac.id/index.php/alu

J. D. Rodr??guez, A. P??rez, and J. A. Lozano, “A general framework for the statistical analysis of the sources of variance for classification error estimators,” Pattern Recognit., vol. 46, no. 3, pp. 855–864, 2013, doi: 10.1016/j.patcog.2012.09.007.