Article Per Year (5 Year)
p-Index From 2020 - 2025
0.408
P-Index
This Author published in this journals
All Journal Jurnal Media Akademik (JMA)
Arya Saepul Hakim
Unknown Affiliation
Religion Humanities Economics, Econometrics & Finance Education Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Social Sciences Other

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

Found 2 Documents
Search

 1 
PREDIKSI CUACA MENGGUNAKAN METODE CLASSIFICATION ID3 DAN CART Arya Saepul Hakim; Elkin Rilvani
Jurnal Media Akademik (JMA) Vol. 3 No. 8 (2025): JURNAL MEDIA AKADEMIK Edisi Agustus
Publisher : PT. Media Akademik Publisher

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62281/v3i8.2669

Abstract

Penelitian ini membahas metode klasifikasi dalam data mining, khususnya fokus pada algoritma ID3 dan CART. Melalui studi literatur, penelitian ini membandingkan kelebihan dan kekurangan dari kedua algoritma tersebut dalam hal akurasi, kompleksitas, dan kemudahan penggunaan. Data simulasi menunjukkan bahwa ID3 unggul dalam kesederhanaan dan kecepatan komputasi, sedangkan CART lebih efektif dalam menangani fitur numerik dan membentuk pohon biner. Hasil penelitian ini menyarankan bahwa pemilihan antara ID3 dan CART sebaiknya disesuaikan dengan karakteristik data dan tujuan klasifikasi. Penelitian ini membahas metode klasifikasi dalam data mining dengan fokus pada dua algoritma decision tree yang populer, yaitu ID3 dan CART. Keduanya memiliki keunggulan tersendiri dalam hal akurasi, efisiensi, serta kemudahan implementasi. ID3 dikenal dengan pendekatannya yang menggunakan information gain untuk membentuk pohon keputusan multi-cabang, sedangkan CART menggunakan Gini index dan menghasilkan pohon biner yang lebih terstruktur. Dalam studi ini, dilakukan simulasi terhadap dataset sederhana untuk membandingkan performa kedua algoritma tersebut. Hasilnya menunjukkan bahwa CART memiliki tingkat akurasi yang lebih tinggi sebesar 90% dibandingkan ID3 sebesar 80%. Namun, ID3 unggul dalam kecepatan pelatihan dan kesederhanaan model. Analisis ini menunjukkan bahwa tidak ada satu metode yang selalu lebih baik, melainkan pemilihannya tergantung pada jenis data dan kebutuhan analisis. Studi ini diharapkan dapat menjadi referensi bagi peneliti dan praktisi dalam memilih algoritma klasifikasi yang sesuai untuk permasalahan tertentu di bidang data mining.
PREDIKSI CUACA MENGGUNAKAN METODE CLASSIFICATION ID3 DAN CART Arya Saepul Hakim; Elkin Rilvani
Jurnal Media Akademik (JMA) Vol. 3 No. 8 (2025): JURNAL MEDIA AKADEMIK Edisi Agustus
Publisher : PT. Media Akademik Publisher

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62281/v3i8.2679

Abstract

Penelitian ini membahas metode klasifikasi dalam data mining, khususnya fokus pada algoritma ID3 dan CART. Melalui studi literatur, penelitian ini membandingkan kelebihan dan kekurangan dari kedua algoritma tersebut dalam hal akurasi, kompleksitas, dan kemudahan penggunaan. Data simulasi menunjukkan bahwa ID3 unggul dalam kesederhanaan dan kecepatan komputasi, sedangkan CART lebih efektif dalam menangani fitur numerik dan membentuk pohon biner. Hasil penelitian ini menyarankan bahwa pemilihan antara ID3 dan CART sebaiknya disesuaikan dengan karakteristik data dan tujuan klasifikasi. Penelitian ini membahas metode klasifikasi dalam data mining dengan fokus pada dua algoritma decision tree yang populer, yaitu ID3 dan CART. Keduanya memiliki keunggulan tersendiri dalam hal akurasi, efisiensi, serta kemudahan implementasi. ID3 dikenal dengan pendekatannya yang menggunakan information gain untuk membentuk pohon keputusan multi-cabang, sedangkan CART menggunakan Gini index dan menghasilkan pohon biner yang lebih terstruktur. Dalam studi ini, dilakukan simulasi terhadap dataset sederhana untuk membandingkan performa kedua algoritma tersebut. Hasilnya menunjukkan bahwa CART memiliki tingkat akurasi yang lebih tinggi sebesar 90% dibandingkan ID3 sebesar 80%. Namun, ID3 unggul dalam kecepatan pelatihan dan kesederhanaan model. Analisis ini menunjukkan bahwa tidak ada satu metode yang selalu lebih baik, melainkan pemilihannya tergantung pada jenis data dan kebutuhan analisis. Studi ini diharapkan dapat menjadi referensi bagi peneliti dan praktisi dalam memilih algoritma klasifikasi yang sesuai untuk permasalahan tertentu di bidang data mining.
Co-Authors Elkin Rilvani