Perbandingan Kinerja Tool Data Mining Weka dan Rapidminer Dalam Algoritma Klasifikasi

  • Mochammad Faid Program Studi Teknik Informatika, Universitas Nurul Jadid
  • Moh Jasri Program Studi Teknik Informatika, Universitas Nurul Jadid
  • Titasari Rahmawati Program Studi Sistem Informasi, Institut Informatika Indonesia
Keywords: Klasifikasi, Rapidminer, Weka

Abstract

Data mining merupakan ilmu yang membahas tentang bagaimana menambang pengetahuan dari sebuah data. Klasifikasi merupakan salah satu bagian dari data mining. Algoritma klasifikasi dalam data mining bermacam-macam model. Karena setiap model yang ada di algoritma klasifikasi tidak sama, maka akurasinya tentu akan berubah. Untuk mengetahui baik tidaknya sebuah algoritma klasifikasi, indikatornya adalah tingkat akurasi. Dengan perhitungan-perhitungan yang rumit dan membutuhkan waktu yang sangat lama, diciptakan sebuah tools data mining sehingga proses dan pengolahan data mining lebih mudah. Tools data mining dalam penelitian ini menggunakan Weka dan Rapidminer. Adapun tujuan dari penelitian ini adalah untuk mengetahui kinerja dari tools data mining Weka dan Rapidminer.

References

Masripah, S. (2016). Komparasi Algoritma Klasifikasi Data Mining untuk Evaluasi Pemberian Kredit. Bina Insani ICT Journal, Vol. 3, No. 1, pp. 187-193.

Chandani, V., Wahono, R.S. & Purwanto. (2015). Komparasi Algoritma Klasifikasi Machine Learning dan Feature Selection pada Analisis Sentimen Review Film. Journal of Intelligent Systems, Vol. 1, No. 1, pp. 56-60.

Amegia, R. (2014). Komparasi Algoritma Klasifikasi Data Mining untuk memprediksi Penyakit Tuberculosis (TB) Studi Kasus Puskesmas Karawang Sukabumi. Proceedings SNIT 2014.

Turban, E., dkk., (2005). Decision Support Systems and Intelligent Systems. Yogyakarta: Andi Offset.

Furnkranz, J. (1994). A Comparison of Pruning Methods for Relational Concept Learning. Austria: AAAi.

Han, J. & Kamber, M. (2006). Data Mining Concept and Tehniques. San Fransisco: Morgan Kauffman.

Nithya, A. & Sundaram, V. (2011). Classification Rules for Indian Race Diseases, IJCSI.

Bramer, M. (2007). Principles of Data Mining. London: Springer.

Breiman, L., (2001). Random Forests. California: University of California Berkeley.

Larose, D.T. (2005). Discovering Knowledge in Data. Canada. Wiley-Interscience.

Berry & Linoff (2004). Data Mining Techniques for Marketing, Sales and CRM. Wiley.

Published
2019-06-11
Section
Articles