Article Per Year (5 Year)
p-Index From 2020 - 2025
0.61
P-Index
This Author published in this journals
All Journal Jurnal Bina Praja Applied Information System and Management
Domas, Zico Karya Saputra
Unknown Affiliation
Humanities Environmental Science Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Library & Information Science Social Sciences

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search
Journal : Applied Information System and Management

 1 
Peningkatan Performa Decision Tree dengan AdaBoost untuk Klasifikasi Kekurangtransparanan Informasi Anti-Korupsi Domas, Zico Karya Saputra; Rakhmadi, Roby
Applied Information System and Management (AISM) Vol. 5 No. 2 (2022): Applied Information System and Management (AISM)
Publisher : Depart. of Information Systems, FST, UIN Syarif Hidayatullah Jakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.15408/aism.v5i2.24887

Abstract

Di era big data saat ini, peran teknik data mining sangatlah dibutuhkan terkait kebutuhan pengambilan keputusan yang akurat. Algoritma decision tree telah lazim diterapkan untuk menemukan pola klasifikasi karena mudah diinterpretasikan namun harus senantiasa dievaluasi tingkat performanya. Adaboost merupakan salah satu metode untuk meningkatkan performa algoritma decision tree. Eksperimen dilakukan pada 141 sampel perusahaan yang melantai di Bursa Efek Indonesia sektor konstruksi-infrastruktur, pertambangan-perminyakan, dan sektor perbankan pada periode 2019, dengan menerapkan teknik adaboost pada decision tree dengan parameter maximum depth dan confidence yang diuji dalam enam skenario berbeda berdasarkan informasi anti-korupsi pada pengungkapan laporan tahunan perusahaan. Hasil ekperimen decision tree untuk akurasi sebesar 69,5%, AUC-optimistis 0,826, dan AUC 0,756, sedangkan rerata hasil dari enam skenario decision tree versi  adaBoost untuk akurasi sebesar 71,16%, AUC-optimistis 0,8905, dan AUC 0,744, sehingga dapat disimpulkan bahwa pengklasifikasian atas prediksi klasifikasi dengan metode adaBoost layak diterapkan sebagai upaya alternatif untuk meningkatkan tingkat performa yang lebih baik. 
Co-Authors Amrie Firmansyah Rahman, Muhammad Abdul Izzatur Rakhmadi, Roby Rizkiawan, M. Subagio