Penerapan Kombinasi Metode Decision Tree C4.5 dan Naive Bayes Classifier dalam Pembuatan Sistem Rekomendasi Penjualan Kendaraan pada Showroom Motor
| Main Author: | GhifariMunawar |
|---|---|
| Format: | Thesis NonPeerReviewed Book |
| Bahasa: | eng |
| Terbitan: |
, 2007
|
| Subjects: | |
| Online Access: |
http://repository.ub.ac.id/151717/1/050703248.pdf http://repository.ub.ac.id/151717/ |
Daftar Isi:
- Sistem rekomendasi merupakan jenis spesifik dari teknik pengumpulan informasi ( information filtering ) yang dapat digunakan untuk memprediksi ketertarikan seorang user pada sesuatu (Wikipedia, 2007). Dalam skripsi ini akan dibangun sebuah sistem rekomendasi penjualan pada showroom motor dengan menerapkan kombinasi dua metode data mining , yaitu decision tree C4.5 dan naive bayes classifier . Pada implementasinya decision tree digunakan untuk membentuk aturan klasifikasi jenis motor berdasarkan kriteria konsumen yang terdapat pada data penjualan. Sedangkan perhitungan naive bayes classifier digunakan untuk menentukan produk-produk yang perlu direkomendasikan. Tujuan penggunaan decision tree dalam hal ini adalah untuk mengarahkan proses perhitungan naive bayes classifier dalam menentukan produk yang direkomendasikan pada jenis motor tertentu, sehingga waktu yang dibutuhkan sistem dalam memberikan rekomendasi menjadi lebih singkat. Untuk mengevaluasi kemampuan kombinasi metode tersebut, dilakukan suatu uji coba untuk mengukur tingkat kesalahan ( error rate ) dan waktu rekomendasi sistem dengan mengklasifikasikan sejumlah data test . Selain itu hasil pengujian tersebut juga dibandingkan dengan hasil pengujian pada klasifikasi langsung menggunakan decision tree C4.5 dan hasil pengujian pada klasifikasi langsung menggunakan naive bayes classifier . Hasil uji coba dan evaluasi menunjukan bahwa tingkat kesalahan yang dihasilkan oleh kombinasi metode tersebut lebih tinggi dibandingkan naive bayes classifier dengan selisih ±1%, namun kecepatan proses rekomendasinya jauh lebih singkat. Sedangkan jika dibandingkan dengan metode decision tree C4.5 , meskipun kecepatan proses rekomendasinya lebih lama, tetapi tingkat kesalahan yang dihasilkan lebih rendah dengan selisih ±3%.