PROSIDING SEMINAR NASIONAL ILMU KOMPUTER 2014 The Opportunities and Challenges in Computational Intelligence, Big Data, and Cybernetics YOGYAKARTA, 18 OKTOBER 2014 Editor Pelaksana : Jaka Permadi Muhammad Radzi Rathomi Kharis Syaban Ida Maratul Khamidah Indonesian Computer Electronics and Instrumentation Support Society (IndoCEISS) Sekip Utara Bulaksumur, Gedung Sekretariat ELINS Lt.1 FMIPA UGM, Yogyakarta,Indonesia

PROSIDING SEMINAR NASIONAL ILMU KOMPUTER 2014 The Opportunities and Challenges in Computational Intelligence, Big Data, and Cybernetics ISBN : 978-602-19406-2-4

Copyright Abstracting is permitted with credit to the source. Copyright © 2014 by the Indonesian Computer Electronics and Instrumentation Support Society (IndoCEISS). All rights reserved. Printed in Yogyakarta, Indonesia.

Published by : Indonesian Computer Electronics and Instrumentation Support Society (IndoCEISS) at Sekip Utara Bulaksumur, Gedung Sekretariat ELINS Lt.1 FMIPA UGM, Yogyakarta, 55281, telp/fax : +62 (274) 3044383 / +62 (274) 555133, email: indoceiss@gmail.com In Collaboration With : Computer Sciences Post Graduate Program, Department of Computer Sciences and Electronics Instrumentations Faculty of Mathematics and Natural Sciences, Universitas Gadjah Mada S2/S3 Building 4th floor, Sekip Utara, Bulaksumur, Yogyakarta, Indonesia

Seminar Nasional Ilmu Komputer 2014 Yogyakarta, 18 Oktober 2014

i

KOMITE

Penanggung jawab Drs. Edi Winarko, M.Sc., Ph.D Ketua Pelaksana Pingky Alfa Ray Leo Lede

Komite Program Drs. Edi Winarko, M.Sc., Ph.D Prof. Dra. Sri Hartati, M.Sc., Ph.D Editor Pelaksana Jaka Permadi Muhammad Radzi Rathomi Kharis Syaban Ida Maratul Khamidah

Seminar Nasional Ilmu Komputer 2014 Yogyakarta, 18 Oktober 2014

iii

DAFTAR ISI KOMITE i KATA PENGANTAR ii DAFTAR ISI iii Computational Intelligence Analisis Unjuk Kerja Metode Klasifikasi pada Aplikasi Pengenalan Wajah Yustina Retno Wahyu Utami dan Teguh Susyanto 1 Ekstraksi Ciri PCA DAN LDA untuk Pengenalan Isyarat Abjad SIBI Ari Kusumaningsih 6 Implementasi Pemrosesan Paralel pada Pelatihan JST dengan AG Berbasis Multithread M. Radzi Rathomi 11 Kajian Pengolahan Citra untuk Analisis Kanker Paru–Paru Maria Mediatrix, Teguh Bharata Adji dan Hanung Adi Nugroho 15 Kajian Prediksi Struktur Sekunder Protein Dengan Mesin Pembalajaran dan Skema Pengkodean Miftahurrahma Rosyda, Teguh Bharata Adji dan Noor Ahmad Setiawan 24 Kombinasi dan Evaluasi Operator Mutasi Algoritma Genetika pada Traveling Salesmen Problem (TSP) Sean C. Sumarta, Noor Akhmad Setiawan dan Teguh Bharata Aji 30 Metode Cluster-Indexing Menggunakan Self-Organizing Map untuk Case Base Sistem Rekomendasi Musik Berbasis Kasus Gst. Ayu Vida Mastrika Giri 36 Model K-Nearest Neighbor Menggunakan Kombinasi Basis Aturan dan Basis Pengetahuan Nidia Rosmawanti dan Bahar 42 Penentuan Arsitektur Jaringan Syaraf Tiruan Backpropagation (Bobot Awal Dan Bias Awal) Menggunakan Algoritma Genetika Christian Dwi Suhendra dan Retantyo Wardoyo 46 Penerapan Ant Colony Optimization sebagai Problem Solver dalam Sliding Puzzle Games Erick Alfons Lisangan dan Phie Chyan 53 Penerapan Fuzzy C-Means untuk Mengelompokkan Kemampuan Dasar Berhitung dan Hasil Belajar Nola Ritha, Nurul Hayaty dan Muh.Nurtanzis Sutoyo 58 Penerapan Metode Any Colony Optimization (ACO) untuk Mendistribusikan Aliran Siaran TV Kabel Muh.Nurtanzis Sutoyo dan Aina Musdholifah 62 Penerapan Metode Clustering K-Means untuk Menentukan Kategori Stok Barang Elly Muningsih 67 Pengaruh Harga Minyak Dunia terhadap Prediksi Harga Saham Menggunakan Jaringan Saraf Tiruan Eka Mala Sari Rochman 72 Pengurangan Dimensi Fitur Melalui Transformasi Matrik Co-Occurrence untuk Pengenalan Jender Cucun Very Angkoso 78 Prediksi Harga Saham dengan Hybrid Growing Hirarchial Self Organizing Map (GH-SOM) dan BPNN Putu Sugiartawan dan Sri Hartati 82 Rancang Bangun Sistem Fuzzy Takagi Sugeno untuk Rekomendasi Anggaran APBD Komang KurniawanWidiartha dan Azhari SN 88 Segmentasi Citra untuk Menentukan Ukuran Pakaian dengan Menggunakan Metode Naïve Bayes Eza Rahmanita , Meidya Koeshardianto dan Septian Yudha Adi Perwira 95 Segmentasi Sel Blast pada Otomatisasi Sistem Deteksi Leukimia Limpositik Akut (ALL) Firdaus Islami Sholeh, Hizbullah Abdul Aziz jabbar, Diaz Arghi Setiawan, Ika Candra Dewi, Sri Hartati dan Agus Harjoko 106

Seminar Nasional Ilmu Komputer 2014 Yogyakarta, 18 Oktober 2014

iv

Big Data Data Mining untuk Analisis Pola Penggunaan Internet Menggunakan Metode Clustering Yudi Wahyu W. dan an P. Insap Santoso 112 Konsep IRODCO dalam Pengelolaan Big Data Jalan dan Jembatan Indonesia Dimas Sigit Dewandaru dan Arief Bachtiar 117 Pendekatan Algoritme Artificial Bee Colony untuk klasifikasi Halaman Situs Web Saucha Diwandari, Adhistya Erna Permansari dan Indriana Hidayah 123 Segmentasi Pelanggan PDAM dengan Metode Adaptive Resonance Theory 2 A.A. Gede Bagus Ariana dan I Wayan Dita Andriawan 130

Cybernetics Otomasi Perajang Tembakau Skala Industri Kecil dan Rumah Tangga Berbasis Mikrokontroler Muchamad Malik 136 Pengembangan Deteksi Gestur Tangan Berbasis Citra Depth Menggunakan Pencocokan Fitur Muhammad Fuad 144

Penalan Komputer Aplikasi Kelayakan Pemberian Kredit Usaha Menengah Menggunakan Algoritma ID3 Yeni kustiyahningsih 150 Aplikasi Sistem Pakar untuk Simulasi Diagnosa Penyakit pada Tanaman Padi di Kabupaten Merauke Lilik Sumaryanti dan Heru Ismanto 154 Sistem Diagnosis Penyakit Gigi dan Mulut Menggunakan Kombinasi CBR-RBR Made Hanindia Prami Swari dan Edi Winarko 163 Sistem Pakar Diagnosis Penyakit Jamur dengan VCIRS dan Dempster Shafer Trismayanti Dwi Puspitasari dan Retantyo Wardoyo 169 Sistem Pakar untuk Diagnosa Penyakit Gigi dengan Metode Case-Based Reasoning Siti Masithoh dan Eko Nugroho 176 Sistem Pakar Untuk Menganalisa Penyebab Kerusakan pada Printer Taufiq dan Yulia Yudihartanti 182 Sistem Pendukung Keputusan Calon Penerima Kredit UMKM dengan Metode AHP dan TOPSIS Brigda Arie Minartiningtyas dan I Kadek Nopiantara 191 Sistem Pendukung Keputusan Pemilihan Pejabat Struktural (Studi kasus Pemda DIY) Novita Riswari, Eko Nugroho dam Adhistya Erna 197 Sistem Pendukung Keputusan Penilaian Pegawai pada Sekretariat Kota Denpasar Menggunakan Metode Electre Aniek Suryanti Kusuma 204 Sistem Pendukung Keputusan Seleksi Pegawai Untuk Promosi Jabatan Struktural Menggunakan Metode Analytic Network Process (ANP) Vivie Deyby Kumenap dan Sri hartati 210 SPK Penentuan Debitur yang Memiliki Tunggakan Kredit Menggunakan Metode AHP-TOPSIS (Studi Kasus: BPR Irian Sentosa Cabang Timika) Imelda OctvlienPakasi dan Retantyo Wardoyo 218

Seminar Nasional Ilmu Komputer 2014 Yogyakarta, 18 Oktober 2014

v

Sistem Informasi dan Aplikasinya

Aplikasi Dakwah Digital Berbasis Multimedia di Dompet Peduli Ummat Daarut Tauhiid Tasikmalaya Nurul Hiron, Nur Nur Widiyasono dan Firmansyah Maulana 225 Aplikasi E-Emergency Berbasis Android Aeri Rachmad, Fitri Damayanti dan Iddrus 231 Implementasi Algoritma Djikstra pada SMS Gateway Lokasi Wisata Kabupaten SBD Paskalis Andrianus Nani dan Adri Gabriel Sooai 237 Implementasi Sistem Informasi Persediaan Menggunakan Metode Weighted Average Sandhy Tyas Saputra and Agustinus Fritz Wijaya 242 Model Analisis Sistem Informasi Pariwisata Menggunakan Metode Modified EUCS (Ongoing Research) Yunita Kusrianawati, Paulus Insap Santosa dan Wing Wahyu Winarno 248 Model Arsitektur Layanan Terintegrasi untuk Mendukung Interoperasiabilitas Layanan Perguruan Tinggi Aradea, R. Reza El Akbar, Husni Mubarok 254 Partial Least Square pada Pengukuran Usabilitas Aplikasi Simkopsyah Lutfiyah Dwi Setia 260 Penerapan Knowledge Sharing pada Sistem Informasi Logbooks Hotel All Seasons Legian I Putu Gede Budayasa dan I Nyoman Nestrayana 265 Penerapan Pemrograman Dinamis Mundur untuk Rute Penerbangan Virtual Berbasis Web SIG Fahrul Agus, Dedy Fuadi dan Yulianto 272 Rancang Bangun Aplikasi Pencarian Sarana Umum Menggunakan Geo-Tagging pada Platform Google Android di Pulau Madura Ery Setiyawan Jullev A, Firdaus Sholihin, Kautsar Sophan 280 Rancang Bangun Plugin Wordpress untuk Sistem Informasi Akademik Haris Kolengsusu 286 Sistem Audit Mutu Akademik Internal Berbasis Web pada Universitas Sriwijaya Apriansyah Putra 295 Sistem Informasi Akademik Terintegrasi Berbasis Web di Sma Muhammadiyah Bangkalan Haryanto, Firli Irhamni, Bain Khusnul K, Yenny Kustiyahningsih 306 Sistem Informasi Service dan Penjualan Spare Parts Sepeda Motor Berbasis Web Muhammad Ali Syakur 314 Sistem Pakar Diagnosa Penyakit Burung Merpati dengan Metode Certainty Factor Ardhi Wijayanto dan Pradityo Utomo 320

Artificial Intelligence Ekstraksi Fitur Tekstur dan Warna Citra Daun Jagung untuk Klasifikasi Penyakit Frangky Tupamahu, Christyowidiasmoro dan Mauridhi Hery Purnomo 328 Segmentasi Sel Parasit Malaria Dalam Sel Darah Manusia pada Ruang Warna HSV dengan K-Means Clustering Son Ali Akbar, Hanung Adi Nugroho, Oyas Wahyunggoro dan E. Elsa Herdiana M 333 Sistem Multiagen untuk Pengklasteran Pendaki Menggunakan K-Means

Maya Cendna dan Ashari SN 339 Semantic Web Aplikasi Rantai Pasokan Terintegrasi dengan Semantic Web Service berbasis WSMO dan Peramalan Double Exponential Smoothing Eko Junirianto dan Azhari SN. 346 Analisis Sentimen Berbasis Lexicon Dan Emoticon Nurirwan Saputra, Teguh Bharata Adji dan Adhistya Erna Permanasari 355

Prosiding – Seminar Nasional Ilmu Komputer 2013 ISBN: 978-602-19406-2-4

150

Aplikasi Kelayakan Pemberian Kredit Usaha Menengah

Menggunakan Algoritma ID3

Yeni Kustiyahningsih

Abstract1— Banking industry is a contributing factor in development of national economy, because the role of banks in mobilizing public funds (in form : savings, deposits, current accounts etc.),distribute credit to public and business entities that need it. One service provided to customers of banks are lending money or bank credit. Many factors are taken into consideration banks in providing loans. Banks should be careful in selecting a credit applicant. Therefore necessary decision support system to assist in predicting the applicant's bank credit. This research built an application for classification credit worthiness for a business medium. The method used ID3, where it is decision tree algorithm and high accuracy rate. Finally, This research calculates performance of ID3 algorithm in identifying credit worthiness for a business medium. From research conducted, the largest known value precision is achieved a data partitioning algorithm ID3 70:30 with a value of 93.75%.

Keywords — Credit, algorithm ID3, classification

1. PENDAHULUAN ank merupakan suatu lembaga yang berperan sebagai perantara keuangan

(financial intermediary) antara pihak-pihak yang memiliki kelebihan dana (surplus unit) dengan pihak-pihak yang memerlukan dana (deficit unit). BRI mempunyai beberapa fasilitas, salah satunya adalah kredit. Kredit ada beberapa macam, salah satunya adalah Kredit Pinjaman Modal Usaha Menengah. Calon debitur dapat dari semua golongan yang ingin mengajukan kredit pinjaman modal usaha. Dalam penentuan calon debitur, pihak bank melakukan survey terlebih dahulu untuk memastikan kelayakan calon debitur dalam mendapatkan kredit. Seiring dengan berkembangnya teknologi kita dapat menentukan kelayakan kredit calon debitur dengan membangun sebuah sistem yang dapat membantu dalam penentuan calon debitur. Selama ini sering terjadi dalam pengambilan keputusan seringkali kreditur harus menunggu beberapa hari agar mendapatkan pinjaman, selain itu adanya kecurangan baik dari pihak karyawan

Yeni Kustiyahningsih, Manajemen Informatika, Univ.

Trunojoyo, Jl. Telang, Madura, (ykustiyahningsih@yahoo.com)

maupun kreditur dalam penentuan besarnya kredit yang dapat diperoleh oleh seorang debitur. Berdasarkan permasalahan tersebut dibuat aplikasi sistem pendukung keputusan untuk mengidentifikasi kelayakan penerima kredit. Implementasi dari penelitian ini menggunakan metode klasifikasi yaitu metode pohon keputusan ID3. Dalam penelitian terkait, terdapat perbandingan kinerja pohon keputusan ID3 dan C4.5 pernah dilakukan Surbhi Hardikar, Ankur Shrivastava dan Vijay Choudhary (2012) dengan judul “Comparison between ID3 and C4.5 in Contrast to IDS” Pada penelitian ini, analisa perbandingan yang dilakukan berdasarkan kinerja parameter yaitu akurasi, penggunaan memory, model build time, search time dan error rate. Hasil dari penelitian ini menunjukkan bahwa algoritma C4.5 memiliki tingkat akurasi yang sama dengan algoritma ID3 [1]. Algoritma ID3 atau Iterative Dichotomiser 3 (ID3) merupakan sebuah metode yang digunakan untuk membuat pohon keputusan yang telah dikembangkan oleh J. Ross Quinlan sejak tahun 1986. Algoritma pada metode ini menggunakan konsep dari entropy informasi. Algoritma ID3 dapat diimplementasikan menggunakan fungsi rekursif (fungsi yang memanggil dirinya sendiri) [2]. Tujuan penelitian ini adalah Untuk mengidentifikasi kelayakan pemberian kredit kepada Usaha Menengah menggunakan algoritma pohon keputusan ID3 dan membantu pihak BRI dalam mengambil keputusan untuk menetukan layak atau tidaknya dalam pemberian kredit. Kemudian untuk mengukur kinerja algoritma ID3 dari sisi keakuratan hasil prediksi.

2. METODE PENELITIAN

Metode penelitian yang di gunakan adalah sebagai berikut :

2.1. Studi Literatur, Survey, Pengumpulan Data dan Informasi

Dukungan teori mengenai rekayasa perangkat lunak, Algoritma ID3, sistem pendukung keputusan dan aspek-aspek yang menunjang

B

Prosiding – Seminar Nasional Ilmu Komputer 2014 ISBN: 978-602-19406-2-4

151

penelitian dan membantu peneliti untuk memahami obyek penelitian. Sedangkan survey dilakukan dengan cara Interview yaitu suatu cara mendapatkan data melalui wawancara lansung dengan orang yang berhubungan lansung dengan masalah yaitu pihak BRI dan pemilik UKM, Observasi yaitu cara pengumpulan data yang dilakukan dengan mengadakan peninjauan langsung dengan objek yang diteliti untuk menentukan criteria pemberian kredit

2.2. Analisa dan Perancangan Perangkat Lunak Tahap ini terdiri dari Analisa Sistem, analisa

User, Kebutuhan Hardware dan software, Flowchart system, perancangan arsitektur sistem Perancangan Database, perancangan use case dan Perancangan Interface atau antar muka aplikasi. Data yang Digunakan

Data yang digunakan dalam penelitian ini merupakan data survey yang diperoleh dari bank BRI cabang Bangkalan. Data merupakan data kategorikal dan tidak ada mising value pada data. Jumlah data yang digunakan sebanyak 100 data dimana 64 data memiliki kelas Layak dan 36 memiliki kelas Tidak Layak. Dalam implementasinya, data dipecah menjadi beberapa bagian, data dibagi menjadi 2, yaitu:

a. Data training: digunakan untuk membentuk pohon keputusan.

b. Data ujicoba: digunakan untuk ujicoba pada pohon yang telah dibentuk guna menghitung nilai error rate.

Data juga dipecah menjadi 3 dipartisi, yaitu: partisi 70 data training : 30 data ujicoba, partisi 50 data training : 30 data ujicoba dan partisi 30 data training : 70 data ujicoba. Berikut keterangan jumlah populasi data yang akan dipartisi:

Tabel 1 Tabel Partisi Data

Jml Data

Data 70: 30

Data 50: 50

Data 30: 70

T U T U T U Layak (64) 45 19 32 32 19 45 Tidak Layak (36) 25 11 18 18 11 25

Keterangan: T = Data training U = Data ujicoba

Langkah Kerja Langkah kerja Algoritma ID3 dapat

digambarkan sebagai berikut [3]: Hitung Entropy dan Information gain dari setiap atribut dengan menggunakan rumus:

𝐸𝑛𝑡𝑟𝑜𝑝𝑦(𝑆) ≡ −𝑝+ log2 𝑝+ − 𝑝− log2 𝑝− (1)

Dimana: S = ruang (data) sample yang digunakan untuk training. P+ = jumlah yang bersolusi positif (mendukung) pada data sample untuk kriteria tertentu. P- = jumlah yang bersolusi negatif (tidak mendukung) pada data sample untuk kriteria tertentu. 𝐺𝑎𝑖𝑛(𝑆,𝐴) ≡ 𝐸𝑛𝑡𝑟𝑜𝑝𝑦(𝑆) − ∑ |𝑆𝑣|

𝑆𝐸𝑛𝑡𝑟𝑜𝑝𝑦(𝑆𝑣) (2)

Dimana: S = ruang (data) sample yang digunakan untuk training. A = atribut. V = suatu nilai yang mungkin untuk atribut A. Nilai(A) = himpunan yang mungkin untuk atribut A. |Sv| = jumlah sample untuk nilai V. |S| = jumlah seluruh sample data. Entropy(Sv) = entropy untuk sample-sample yang memiliki nilai V.

Tujuan dari pengukuran nilai information gain adalah untuk memilih atribut yang akan dijadikan cabang pada pembentukan pohon keputusan.

1. Pilih atribut yang memiliki nilai information gain terbesar. Proses Mining ID3

Dalam proses mining ID3, proses yang dilakukan adalah sebagai berikut: 1. Hitung frekuensi kemunculan masing-masing

nilai atribut pada data survey. 2. Hitung nilai Entropy dari masing-masing

nilai atribut. 3. Hitung nilai Information Gain dengan

menggunakan nilai Entropy yang telah dihitung sebelumnya.

4. Ambil nilai Information Gain terbesar dan jadikan simpul akar.

5. Hilangkan atribut yang dipilih sebelumnya dan ulangi perhitungan nilai Entropy dan Information Gain dengan memilih Information Gain terbesar dan dijadikan simpul internal pohon.

Prosiding – Seminar Nasional Ilmu Komputer 2013 ISBN: 978-602-19406-2-4

152

6. Ulangi perhitungan tersebut hingga semua atribut pohon memiliki kelas.

7. Jika semua pohon sudah memilik kelas, maka tampilkan pohon keputusan dan generate aturan keputusan.

Flowchart Flowchart (Gambar 1) merupakan bagan

yang menunjukkan alur kerja atau apa yang sedang dikerjakan di dalam sistem secara keseluruhan dan menjelaskan urutan dari prosedur-prosedur yang ada di dalam sistem. Flowchart Pembentukan Pohon Keputusan ID3

Gambar 1 Flowchart Pohon Keputusan ID3

Berikut keterangan dari tiap proses: a. Data training merupakan data nasabah kredit

usaha menengah tahun 2012 b. Hitung Information gain dan entropy dari

masing-masing atribut data training yang ada. c. Buat simpul akar dari pemilihan atribut yang

memiliki information gain terbesar. d. Hitung Information gain dan entropy dari

masing-masing atribut dengan menghilangkan atribut yang telah dipilih sebelumnya.

e. Buat simpul internal dari pemilihan atribut yang memiliki information gain terbesar.

f. Cek apakah semua atribut sudah dibentuk pada pohon. Jika belum, maka ulangi proses

d dan e, jika sudah maka lanjut pada proses berikutnya.

g. Kemudian aturan keputusan digenerate mengikuti pohon yang telah dibentuk sebelumnya.

Use Case Diagram Use case diagram (Gambar 2) adalah suatu

bentuk diagram yang menggambarkan fungsionalitas yang diharapkan dari sebuah sistem dilihat dari perspektif pengguna diluar sistem.

Gambar 2 Use Case Diagram

2.3. Proses Implementasi dan Pengujian Tahap ini menjelaskan tentang proses

implementasi dan uji coba berdasarkan semua kebutuhan pengguna (user requirement), Selama implementasi, pada tiap-tiap bagian tertentu dilakukan proses pengujian secara bertahap hingga pada akhirnya seluruh hasil implementasi telah mengalami pengujian dengan baik.

2.4. Pengambilan Kesimpulan Setelah dilakukan implementasi dan uji coba

maka hasil data tersebut akan dianalisa untuk memperoleh suatu kesimpulan.

3. HASIL DAN PEMBAHASAN Penentu Keputusan

Penentu keputusan adalah proses pencocokan aturan keputusan ID3 dengan data survey yang belum memiliki keputusan atau kelas, tujuannya agar data survey tersebut memiliki keputusan.

Data yang akan diberi keputusan diinput melalui form input data survey, lalu dari data

Prosiding – Seminar Nasional Ilmu Komputer 2014 ISBN: 978-602-19406-2-4

153

tersebut dibaca nilai atribut dari masing-masing atribut kemudian dilakukan pencocokan aturan atau rule keputusan ID3 (Gambar 3)

Gambar 3 Penentu Keputusan ID3

Analisa Perbandingan Pohon Keputusan Setelah pohon dibentuk, selanjutnya

dilakukan perbandingan dengan data yang merupakan data ujicoba dimana data tersebut dilakukan pengklasifikasian menggunakan rule ID3. Kemudian kelas yang terbentuk dibandingkan dan dihitung nilai error rate-nya seperti yang diperlihatkan pada Tabel 2.

Hasil klasifikasi algoritma ID3 dapat dilihat di tabel 2 penilaian berikut:

Tabel 2 Tabel Penilaian ID3

Perbandingan precision pada kedua algoritma dapat digambarkan pada grafik berikut:

Gambar 4 Grafik perbandingan partisi data ID3

Perbandingan precision pada kedua algoritma dapat digambarkan pada gambar 4 diatas.

4. KESIMPULAN Dari pengukuran kinerja algoritma yang telah

dilakukan, dapat disimpulkan algoritma ID3 memiliki nilai precision tertinggi pada partisi data 70:30 sehingga semakin besar data tranning yang di gunakan maka semakin tinggi nilai precisionnya.

5. SARAN Saran-saran untuk perbaikan, bahwa

penggunaan algoritma ini, dapat dibandingkan dengan algoritma C4.5. dan C.5.0, untuk mengetahui kinerja terbaik.

DAFTAR PUSTAKA [1] Hardikar, S., Shrivastava, A., Choudhary, V.,

2012, Comparison between ID3 and C4.5 in Contrast to IDS, VSRD-IJCSIT, Vol. 2 (7). 659-667.

[2] Sunjana, 2010, Klasifikasi Data Nasabah Sebuah Asuransi menggunakan Algoritma C4.5., Seminar Nasional Aplikasi Teknologi Informasi (SNATI 2010) ISSN: 1907-5022, 1: 1-2. 2012.

[3] Sharma, Aman, K., dan Sahni, S., 2011, A Comparative Study of Classification Algorithms for Spam Email Data Analysis, International Journal on Computer Science and Engineering (IJCSE) ISSN: 0975-3397, 1: 2-5.

0

20

40

60

80

100

120

Data 70:30

Data 50:50

Data 30:70