Akurasi Algoritma Klasifikasi Pada Software Rapidminer dan Weka

Article Sidebar

PDF
Published Feb 25, 2021

Main Article Content

Ainurrohmah Ainurrohmah
Universitas Negeri Semarang

Abstract

Penelitian ini bertujuan untuk mengukur nilai akurasi dari pemrosesan data menggunakan algoritma-algoritma klasifikasi yang ada pada software data mining Rapidminer dan Weka. Nilai akurasi yang diperoleh dari algoritma-algoritma tersebut juga bisa digunakan untuk membandingkan software data mining yang lebih akurat antara software Rapidminer dan Weka. Nilai akurasi bisa dilakukan dengan menggunakan Confusion matrix, Penelitian ini merupakan penelitian kajian pustaka. Metode yang digunakan adalah membaca dan memahami keakuratan algoritma klasifikasi pada Rapidminer dan Weka, serta melihat hasil penelitian sebelumnya mengenai akurasi algoritma klasifikasi pada Rapidminer dan Weka dengan menggunakan data spam . Hasil dari penelitian ini adalah (1) Algoritma klasifikasi yang ada di software Rapidminer dan Weka adalah Decision Tree, Random Forest, K-NN, Naives Bayes, dan MLP. (2) Akurasi yang didapatkan dari satu algoritma dengan algoritma lain atau dari satu aplikasi dengan aplikasi lainnya pasti akan berbeda; Perbedaan ini dikarenakan jumlah data yang dipakai, tipe data yang dipakai dan keterkaitan antar data. (3) Dalam tiga penelitian terdahulu yang sudah dikaji dengan data text spam didapatkan bahwa dua penelitian mengatakan Weka lebih akurat sedangkan satu penelitian mengatakan Rapidminer lebih akurat. Algoritma yang mempunyai nilai akurasi terbaik adalah SVM, K-NN dan MLP.


 

Article Details

How to Cite
Ainurrohmah, A. (2021). Akurasi Algoritma Klasifikasi Pada Software Rapidminer dan Weka. PRISMA, Prosiding Seminar Nasional Matematika, 4, 493-499. Retrieved from https://journal.unnes.ac.id/sju/prisma/article/view/45090
Issue
Vol 4 (2021): PRISMA, Prosiding Seminar Nasional Matematika
Section
Articles

References

Ayudhitama, A. P., Pujianto, U., Elektro, T., Teknik, F., Malang, U. N., Tree, D., & Network, N. (2020). Analisa 4 Algoritma Dalam Klasifikasi Penyakit Liver. Jurnal Informatika Polinema, 6, 1–9.
Azis, H., Tangguh Admojo, F., & Susanti, E. (2020). Analisis Perbandingan Performa Metode Klasifikasi pada Dataset Multiclass Citra Busur Panah. Techno.Com, 19(3), 286–294. https://doi.org/10.33633/tc.v19i3.3646
Faid, M., Jasri, M., & Rahmawati, T. (2019). Perbandingan Kinerja Tool Data mining Weka dan Rapidminer Dalam Algoritma Klasifikasi. Teknika, 8(1), 11–16. https://doi.org/10.34148/teknika.v8i1.95
GmbH, R. (2020). RapidMiner 9 Operator Reference Manual. www.rapidminer.com
Hanif, M. H. M., Adewole, K. S., Anuar, N. B., & Kamsin, A. (2018). Performance Evaluation of Machine Learning Algorithms for Spam Profile Detection on Twitter Using WEKA and RapidMiner. Advanced Science Letters, 24(2), 1043–1046. https://doi.org/10.1166/asl.2018.10683
Hidayanti, I., Kurniawan, T. B., & Afriyudi, A. (2020). Perbandingan Dan Analisis Metode Klasifikasi Untuk Menentukan Konsentrasi Jurusan. Jurnal Ilmiah Informatika Global, 11(1), 16–21. https://doi.org/10.36982/jig.v11i1.1067
Larose, D. T. (2005). An Introduction to Data mining (1st ed.). John Wiley & Sons,Inc.
Lishania, I., Goejantoro, R., & Nasution, Y. N. (2019). Perbandingan Klasifikasi Metode Naive Bayes dan Metode Decision Tree Algoritma (J48) pada Pasien Penderita Penyakit Stroke di RSUD Abdul Wahab Sjahranie Samarinda. Jurnal Eksponensial, 10(2), 135–142.
Mohd Foozy, C. F., Ahmad, R., Faizal Abdollah, M. A., & Wen, C. C. (2017). A Comparative Study with RapidMiner and WEKA Tools over some Classification Techniques for SMS Spam. IOP Conference Series: Materials Science and Engineering, 226(1). https://doi.org/10.1088/1757-899X/226/1/012100
Novianti, D. (2019). Pengukuran Kualitas E-Commerce Shopee Terhadap Kepuasan Pengguna. Paradigma: Jurnal Komputer Dan Informatika Universitas Bina Sarana Informatika, 21(2), 143–148. https://doi.org/10.31294/p.v20i2
Pujianto, U., & Ristanti, P. Y. (2019). Perbandingan kinerja metode C4.5 dan Naive Bayes dalam klasifikasi artikel jurnal PGSD berdasarkan mata pelajaran. Tekno, 29(1), 50. https://doi.org/10.17977/um034v29i1p50-67
Rachmat, B., Gafar, A. A., Fajriani, N., Ramdani, U., Uyun, F. R., Purnamasari, Y., & Ransi, N. (2017). Implemetasi k-means clustering pada rapidminer untuk analisis daerah rawan kecelakaan. April, 58–62.
Riyanto, U. (2019). Analisis Perbandingan Algoritma Naive Bayes Dan Support Vector Machine Dalam Mengklasifikasikan Jumlah Pembaca Artikel Online. JIKA (Jurnal Informatika), 2(2), 62–72. https://doi.org/10.31000/.v2i2.1521
Schlitter, N., & Laessig, J. (2013). Distributed Data Analytics using RapidMiner and BOINC Distributed Data Analytics using RapidMiner and BOINC. August.
Susanto, S., & Suryadi, D. (2010). Pengantar Data mining Menggali Pengetahuan Dari Bongkahan Data (1st ed.). CV Andi OFFSET.
Zainal, K., Sulaiman, N. F., & Jali, M. Z. (2015). An Analysis of Various Algorithms For Text Spam Classification and Clustering Using RapidMiner and Weka. International Journal of Computer Science and Information Security (IJCSIS), 13(3), 66–74.