Article Per Year (5 Year)
p-Index From 2021 - 2026
0
P-Index
This Author published in this journals
All Journal Jurnal ULTIMA InfoSys
Meity Puspita Sari
Universitas Bina Nusantara
Computer Science & IT

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Perbandingan Hasil Penggunaan Metode Decision Tree Dan Random Tree Pada Data Training Aplikasi Pencarian Tukang teguh prasandy; Kartika Nurkhasanah; Meity Puspita Sari; Tria Rahmatul Fazry
ULTIMA InfoSys Vol 10 No 2 (2019): Ultima InfoSys : Jurnal Ilmu Sistem Informasi
Publisher : Universitas Multimedia Nusantara

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (492.706 KB) | DOI: 10.31937/si.v10i2.1166

Abstract

Adanya data yang melimpah maka untuk mendapatkan data training yang akan digunakan sebagai dasar pengambilan keputusan menjadi sangat mudah. Data training tersebut biasanya dianalisis untuk menghasilkan pengetahuan baru dan informasi yang lebih bermanfaat menggunakan data mining. Perkembangan aplikasi pelayanan berbasis mobile yang semakin meningkat menyebabkan adanya keinginan untuk membuat aplikasi yang memberikan pelayanan pada masyarakat. Aplikasi ini memanfaatkan pohon keputusan dalam pencarian tukang yang sesuai dengan pelayanan yang diminta oleh pelanggan dan sesuai dengan posisi tukang, dengan memanfaatkan data training dari data transaksi dari transaksi yang telah ada sebagai data awal dalam pembuatan pohon keputusan dan menggunakan data mining sebagai data analisis. Beberapa macam metode yang bisa digunakan untuk pembuatan pohon keputusan diantaranya adalah decision tree dan random tree. Tujuan penelitian ini adalah mengetahui perbandingan hasil tree antara decision tree dengan random tree dan merekomendasikan metode tree yang sesuai dengan aplikasi pencarian tukang. Decision tree memiliki parameter dan lebih kemungkinan lebih banyak dibandingkan random tree serta memiliki value 67% untuk max depth sebesar 20, memiliki value 77% untuk confidence sebesar 0,25 dan memiliki 71% untuk minimal gain 0,1. Sedangkan untuk random tree tidak memiliki value tersebut, sehingga decision tree lebih direkomendasikan untuk aplikasi pencarian tukang
Co-Authors Kartika Nurkhasanah teguh prasandy Tria Rahmatul Fazry