Implementasi Klasifikasi Uji Berkala Kelayakan Kendaraan Bermotor Menggunakan Metode Decision Tree Dengan Algoritma Improved Iterative Dichotomiser 3 (ID3) Studi Kasus Dinas Perhubungan, Komunikasi
| Main Author: | Dewayana, MIrzaKrista |
|---|---|
| Format: | Thesis NonPeerReviewed Book |
| Bahasa: | eng |
| Terbitan: |
, 2017
|
| Subjects: | |
| Online Access: |
http://repository.ub.ac.id/147372/1/JURNAL_mirza_new.pdf http://repository.ub.ac.id/147372/2/skripsi_mirza.pdf http://repository.ub.ac.id/147372/ |
Daftar Isi:
- Pengujian kendaraan bermotor adalah serangkaian kegiatan pemeriksaan persyaratan teknis dan pengujian ambang batas laik jalan, yang digunakan untuk penetapan dan pengesahan kelaikan jalan kendaraan bermotor. Upaya untuk meningkatkan makna dan pemanfaatan data hasil uji KIR masih terkendala, karena keterbatasan dari sisi kompetensi tenaga, penyediaan sarana serta program aplikasi yang mudah untuk dapat dimplementasikan. Banyaknya indikator untuk penentuan kategori uji kir juga menjadi masalah, meskipun proses pengelompokan telah ditentukan sebelumnya namun banyak kombinasi data terkadang membuat petugas kesulitan dalam menentukan kategori yang cocok dari data tersebut, selain itu terdapatnya data yang kosong (missing value) pada kategori tertentu sangat menyulitkan petugas dalam melakukan penilaian akhir pada uji berkala kendaraan bermotor di UPTD uji KIR Kabupaten Banyuwangi. Sistem klasifikasi data sangat diperlukan untuk menangani permasalahan tersebut, klasifikasi adalah pengelompokan data sesuai dengan indikator ataupun ciri-ciri tertentu. Sistem ini dibangun menggunakan metode decision tree dengan algoritma iterative dichotomiser 3 (ID3). Decision Tree adalah sebuah struktur pohon, dimana setiap node pohon merepresentasikan atribut yang telah diuji, setiap cabang merupakan suatu pembagian hasil uji, dan node daun (leaf) merepresentasikan kelompok kelas tertentu Salah satu algoritma decision tree yaitu ID3 (Iterative Dichotomiser 3). Penanganan missing value pada penelitian ini menggunakan metode Nearest neighbor imputation, sebelum data di olah dengan metode ID3 untuk mendapatkan hasil akhir. Hasil akurasi dari 2 skenario uji coba didapatkan akurasi terbaik sebesar 100% pada skenario pengujian 1 dan 84% pada skenario pengujian 2.