Perbedaan kurva AUC
4.4 Hasil pemodelan pohon keputusan dan Ruleₐ
4.4.1 Model C4.5 berbasis PSO
52
54
Rule yang tercipta dari gambar hasil pemodelan diatas adalah sebagai berikut R₍n₊₊), n=1 :
1) JIKA umur > 22.500 DAN IPS1 > 3.235 DAN FALKULTAS = BAHASADANSENI DAN IPS3 > 2.975 DAN IPS2 > 3.865 MAKA TERLAMBAT
2) JIKA umur > 22.500 DAN IPS1 > 3.235 DAN FALKULTAS = BAHASADANSENI DAN IPS3 > 2.975 DAN IPS2 ≤ 3.865 DAN umur > 23.500 DAN umur > 25.500 MAKA TEPAT
3) JIKA umur > 22.500 DAN IPS1 > 3.235 DAN FALKULTAS = BAHASADANSENI DAN IPS3 > 2.975 DAN IPS2 ≤ 3.865 DAN umur > 23.500 DAN umur ≤ 25.500 DAN IPS4 > 3.230 DAN IPS4 > 3.475 DAN IPS4 > 3.570 MAKA TEPAT
4) JIKA umur > 22.500 DAN IPS1 > 3.235 DAN FALKULTAS = BAHASADANSENI DAN IPS3 > 2.975 DAN IPS2 ≤ 3.865 DAN umur > 23.500 DAN umur ≤ 25.500 DAN IPS4 > 3.230 DAN IPS4 > 3.475 DAN IPS4 ≤ 3.570 MAKA TERLAMBAT
5) JIKA umur > 22.500 DAN IPS1 > 3.235 DAN FALKULTAS = BAHASADANSENI DAN IPS3 > 2.975 DAN IPS2 ≤ 3.865 DAN umur > 23.500 DAN umur ≤ 25.500 DAN IPS4 > 3.230 AND IPS4 ≤ 3.475 MAKA TEPAT 6) JIKA umur > 22.500 DAN IPS1 > 3.235 DAN FALKULTAS =
BAHASADANSENI DAN IPS3 > 2.975 DAN IPS2 ≤ 3.865 DAN umur > 23.500 DAN umur ≤ 25.500 AND IPS4 ≤ 3.230 MAKA TERLAMBAT
7) JIKA umur > 22.500 DAN IPS1 > 3.235 DAN FALKULTAS = BAHASADANSENI DAN IPS3 > 2.975 DAN IPS2 ≤ 3.865 DAN umur ≤ 23.500 MAKA TEPAT
8) JIKA umur > 22.500 DAN IPS1 > 3.235 DAN FALKULTAS = BAHASADANSENI DAN IPS3 ≤ 2.975 DAN IPS2 > 3.170 MAKA TERLAMBAT
9) JIKA umur > 22.500 DAN IPS1 > 3.235 DAN FALKULTAS = BAHASADANSENI DAN IPS3 ≤ 2.975 DAN IPS2 ≤ 3.170 DAN jeniskelamin = LAKI-LAKI MAKA TERLAMBAT
10) JIKA umur > 22.500 DAN IPS1 > 3.235 DAN FALKULTAS = BAHASADANSENI DAN IPS3 ≤ 2.975 DAN IPS2 ≤ 3.170 DAN jeniskelamin = PEREMPUAN MAKA TEPAT
11) JIKA umur > 22.500 DAN IPS1 > 3.235 DAN FALKULTAS = EKONOMI MAKA TEPAT
12) JIKA umur > 22.500 DAN IPS1 > 3.235 DAN FALKULTAS = ILMUKEOLAHRAGAAN MAKA TERLAMBAT
13) JIKA umur > 22.500 DAN IPS1 > 3.235 DAN FALKULTAS = ILMUPENDIDIKAN MAKA TERLAMBAT
14) JIKA umur > 22.500 DAN IPS1 > 3.235 DAN FALKULTAS = ILMUSOSIAL MAKA TERLAMBAT
15) JIKA umur > 22.500 DAN IPS1 > 3.235 DAN FALKULTAS = MATEMATIKADANIPA DAN umur > 23.500 MAKA TERLAMBAT
16) JIKA umur > 22.500 DAN IPS1 > 3.235 DAN FALKULTAS = MATEMATIKADANIPA DAN umur ≤ 23.500 DAN IPS3 > 2.905 MAKA TEPAT
17) JIKA umur > 22.500 DAN IPS1 > 3.235 DAN FALKULTAS = MATEMATIKADANIPA DAN umur ≤ 23.500 DAN IPS3 ≤ 2.905 MAKA TERLAMBAT
18) JIKA umur > 22.500 DAN IPS1 > 3.235 DAN FALKULTAS = TEKNIK DAN umur > 24.500 DAN IPS1 > 3.395 MAKA TERLAMBAT
19) JIKA umur > 22.500 DAN IPS1 > 3.235 DAN FALKULTAS = TEKNIK DAN umur > 24.500 DAN IPS1 ≤ 3.395 MAKA TEPAT
20) JIKA umur > 22.500 DAN IPS1 > 3.235 DAN FALKULTAS = TEKNIK DAN
umur ≤ 24.500 MAKA TERLAMBAT
21) JIKA umur > 22.500 DAN IPS1 ≤ 3.235 MAKA TERLAMBAT
22) JIKA umur ≤ 22.500 DAN IPS1 > 2.705 DAN FALKULTAS = BAHASADANSENI MAKA TEPAT
23) JIKA umur ≤ 22.500 DAN IPS1 > 2.705 DAN FALKULTAS = EKONOMI DAN IPS1 > 3.205 MAKA TEPAT
24) JIKA umur ≤ 22.500 DAN IPS1 > 2.705 DAN FALKULTAS = EKONOMI DAN IPS1 ≤ 3.205 DAN IPS3 > 3.095 DAN IPS1 > 2.900 MAKA TEPAT
25) JIKA umur ≤ 22.500 DAN IPS1 > 2.705 DAN FALKULTAS = EKONOMI DAN
IPS1 ≤ 3.205 DAN IPS3 > 3.095 DAN IPS1 ≤ 2.900 MAKA TERLAMBAT
26) JIKA umur ≤ 22.500 DAN IPS1 > 2.705 DAN FALKULTAS = EKONOMI DAN
IPS1 ≤ 3.205 DAN IPS3 ≤ 3.095 MAKA TEPAT
27) JIKA umur ≤ 22.500 DAN IPS1 > 2.705 DAN FALKULTAS = ILMUKEOLAHRAGAAN DAN IPS1 > 3.270 MAKA TEPAT
56
28) JIKA umur ≤ 22.500 DAN IPS1 > 2.705 DAN FALKULTAS = ILMUKEOLAHRAGAAN DAN IPS1 ≤ 3.270 MAKA TERLAMBAT
29) JIKA umur ≤ 22.500 DAN IPS1 > 2.705 DAN FALKULTAS = ILMUPENDIDIKAN DAN IPS1 > 3.080 DAN IPS3 > 2.950 DAN IPS1 > 3.400 MAKA TEPAT
30) JIKA umur ≤ 22.500 DAN IPS1 > 2.705 DAN FALKULTAS = ILMUPENDIDIKAN DAN IPS1 > 3.080 DAN IPS3 > 2.950 DAN IPS1 ≤ 3.400 DAN IPS4 > 3.610 DAN IPS2 > 3.245 MAKA TEPAT
31) JIKA umur ≤ 22.500 DAN IPS1 > 2.705 DAN FALKULTAS = ILMUPENDIDIKAN DAN IPS1 > 3.080 DAN IPS3 > 2.950 DAN IPS1 ≤ 3.400 DAN IPS4 > 3.610 DAN IPS2 ≤ 3.245 MAKA TERLAMBAT
32) JIKA umur ≤ 22.500 DAN IPS1 > 2.705 DAN FALKULTAS = ILMUPENDIDIKAN DAN IPS1 > 3.080 DAN IPS3 > 2.950 DAN IPS1 ≤ 3.400 DAN IPS4 ≤ 3.610 DAN IPS3 > 3.425 DAN IPS2 > 3.310 DAN IPS4 > 3.300 DAN IPS3 > 3.740 MAKA TEPAT
33) JIKA umur ≤ 22.500 DAN IPS1 > 2.705 DAN FALKULTAS = ILMUPENDIDIKAN DAN IPS1 > 3.080 DAN IPS3 > 2.950 DAN IPS1 ≤ 3.400 DAN IPS4 ≤ 3.610 DAN IPS3 > 3.425 DAN IPS2 > 3.310 DAN IPS4 > 3.300 DAN IPS3 ≤ 3.740 MAKA TERLAMBAT
34) JIKA umur ≤ 22.500 DAN IPS1 > 2.705 DAN FALKULTAS = ILMUPENDIDIKAN DAN IPS1 > 3.080 DAN IPS3 > 2.950 DAN IPS1 ≤ 3.400 DAN IPS4 ≤ 3.610 DAN IPS3 > 3.425 DAN IPS2 > 3.310 DAN IPS4 ≤ 3.300 MAKA TEPAT
35) JIKA umur ≤ 22.500 DAN IPS1 > 2.705 DAN FALKULTAS = ILMUPENDIDIKAN DAN IPS1 > 3.080 DAN IPS3 > 2.950 DAN IPS1 ≤ 3.400 DAN IPS4 ≤ 3.610 DAN IPS3 > 3.425 DAN IPS2 ≤ 3.310 MAKA TEPAT 36) JIKA umur ≤ 22.500 DAN IPS1 > 2.705 DAN FALKULTAS =
ILMUPENDIDIKAN DAN IPS1 > 3.080 DAN IPS3 > 2.950 DAN IPS1 ≤ 3.400 DAN IPS4 ≤ 3.610 DAN IPS3 ≤ 3.425 MAKA TEPAT
37) JIKA umur ≤ 22.500 DAN IPS1 > 2.705 DAN FALKULTAS = ILMUPENDIDIKAN DAN IPS1 > 3.080 DAN IPS3 ≤ 2.950 DAN IPS2 > 3.045 DAN IPS4 > 3.050 MAKA TERLAMBAT
38) JIKA umur ≤ 22.500 DAN IPS1 > 2.705 DAN FALKULTAS = ILMUPENDIDIKAN DAN IPS1 > 3.080 DAN IPS3 ≤ 2.950 DAN IPS2 > 3.045 DAN IPS4 ≤ 3.050 MAKA TEPAT
39) JIKA umur ≤ 22.500 DAN IPS1 > 2.705 DAN FALKULTAS = ILMUPENDIDIKAN DAN IPS1 > 3.080 DAN IPS3 ≤ 2.950 DAN IPS2 ≤ 3.045 MAKA TEPAT
40) JIKA umur ≤ 22.500 DAN IPS1 > 2.705 DAN FALKULTAS = ILMUPENDIDIKAN DAN IPS1 ≤ 3.080 DAN IPS4 > 3.275 MAKA TERLAMBAT
41) JIKA umur ≤ 22.500 DAN IPS1 > 2.705 DAN FALKULTAS = ILMUPENDIDIKAN DAN IPS1 ≤ 3.080 DAN IPS4 ≤ 3.275 DAN IPS2 > 3.070 MAKA TERLAMBAT
42) JIKA umur ≤ 22.500 DAN IPS1 > 2.705 DAN FALKULTAS = ILMUPENDIDIKAN DAN IPS1 ≤ 3.080 DAN IPS4 ≤ 3.275 DAN IPS2 ≤ 3.070 MAKA TEPAT
43) JIKA umur ≤ 22.500 DAN IPS1 > 2.705 DAN FALKULTAS = ILMUSOSIAL DAN IPS2 > 2.740 DAN IPS1 > 3.780 MAKA TERLAMBAT
44) JIKA umur ≤ 22.500 DAN IPS1 > 2.705 DAN FALKULTAS = ILMUSOSIAL DAN IPS2 > 2.740 DAN IPS1 ≤ 3.780 MAKA TEPAT
45) JIKA umur ≤ 22.500 DAN IPS1 > 2.705 DAN FALKULTAS = ILMUSOSIAL DAN IPS2 ≤ 2.740 DAN IPS2 > 2.610 MAKA TEPAT
46) JIKA umur ≤ 22.500 DAN IPS1 > 2.705 DAN FALKULTAS = ILMUSOSIAL DAN IPS2 ≤ 2.740 DAN IPS2 ≤ 2.610 MAKA TERLAMBAT
47) JIKA umur ≤ 22.500 DAN IPS1 > 2.705 DAN FALKULTAS = MATEMATIKADANIPA DAN IPS4 > 2.900 MAKA TEPAT
48) JIKA umur ≤ 22.500 DAN IPS1 > 2.705 DAN FALKULTAS = MATEMATIKADANIPA DAN IPS4 ≤ 2.900 DAN IPS2 > 3.165 MAKA TEPAT 49) JIKA umur ≤ 22.500 DAN IPS1 > 2.705 DAN FALKULTAS = MATEMATIKADANIPA DAN IPS4 ≤ 2.900 DAN IPS2 ≤ 3.165 MAKA TERLAMBAT
50) JIKA umur ≤ 22.500 DAN IPS1 > 2.705 DAN FALKULTAS = TEKNIK DAN IPS1 > 3.075 DAN IPS2 > 3.525 MAKA TEPAT
51) JIKA umur ≤ 22.500 DAN IPS1 > 2.705 DAN FALKULTAS = TEKNIK DAN IPS1 > 3.075 DAN IPS2 ≤ 3.525 DAN IPS1 > 3.235 MAKA TEPAT
52) JIKA umur ≤ 22.500 DAN IPS1 > 2.705 DAN FALKULTAS = TEKNIK DAN IPS1 > 3.075 DAN IPS2 ≤ 3.525 DAN IPS1 ≤ 3.235 MAKA TERLAMBAT 53) JIKA umur ≤ 22.500 DAN IPS1 > 2.705 DAN FALKULTAS = TEKNIK DAN
IPS1 ≤ 3.075 MAKA TEPAT
54) JIKA umur ≤ 22.500 DAN IPS1 ≤ 2.705 DAN FALKULTAS = BAHASADANSENI DAN IPS1 > 2.590 MAKA TEPAT
58
55) JIKA umur ≤ 22.500 DAN IPS1 ≤ 2.705 DAN FALKULTAS = BAHASADANSENI DAN IPS1 ≤ 2.590 DAN IPS1 > 2.435 MAKA TERLAMBAT
56) JIKA umur ≤ 22.500 DAN IPS1 ≤ 2.705 DAN FALKULTAS = BAHASADANSENI DAN IPS1 ≤ 2.590 DAN IPS1 ≤ 2.435 MAKA TEPAT 57) JIKA umur ≤ 22.500 DAN IPS1 ≤ 2.705 DAN FALKULTAS = EKONOMI
MAKA TEPAT
58) JIKA umur ≤ 22.500 DAN IPS1 ≤ 2.705 DAN FALKULTAS = ILMUKEOLAHRAGAAN MAKA TERLAMBAT
59) JIKA umur ≤ 22.500 DAN IPS1 ≤ 2.705 DAN FALKULTAS = ILMUPENDIDIKAN MAKA TERLAMBAT
60) JIKA umur ≤ 22.500 DAN IPS1 ≤ 2.705 DAN FALKULTAS = ILMUSOSIAL DAN IPS1 > 2.615 MAKA TEPAT
61) JIKA umur ≤ 22.500 DAN IPS1 ≤ 2.705 DAN FALKULTAS = ILMUSOSIAL DAN IPS1 ≤ 2.615 MAKA TERLAMBAT
62) JIKA umur ≤ 22.500 DAN IPS1 ≤ 2.705 DAN FALKULTAS = MATEMATIKADANIPA DAN IPS3 > 2.545 DAN IPS4 > 3.205 MAKA TERLAMBAT
63) JIKA umur ≤ 22.500 DAN IPS1 ≤ 2.705 DAN FALKULTAS = MATEMATIKADANIPA DAN IPS3 > 2.545 DAN IPS4 ≤ 3.205 MAKA TEPAT 64) JIKA umur ≤ 22.500 DAN IPS1 ≤ 2.705 DAN FALKULTAS =
MATEMATIKADANIPA DAN IPS3 ≤ 2.545 MAKA TERLAMBAT
65) JIKA umur ≤ 22.500 DAN IPS1 ≤ 2.705 DAN FALKULTAS = TEKNIK DAN IPS2 > 2.550 MAKA TERLAMBAT
66) JIKA umur ≤ 22.500 DAN IPS1 ≤ 2.705 DAN FALKULTAS = TEKNIK DAN
IPS2 ≤ 2.550 MAKA TEPAT
4.4.2 Model C4.5
60
62
Rule yang tercipta dari gambar hasil pemodelan diatas adalah sebagai berikut R₍n₊₊), n=1 :
1) JIKA umur > 22.500 DAN IPS1 > 3.235 DAN FALKULTAS =
BAHASADANSENI DAN IPS3 > 2.975 DAN IPS2 > 3.865 MAKA TERLAMBAT
2) JIKA umur > 22.500 DAN IPS1 > 3.235 DAN FALKULTAS =
BAHASADANSENI DAN IPS3 > 2.975 DAN IPS2 ≤ 3.865 DAN umur > 23.500 DAN umur > 25.500 MAKA TEPAT
3) JIKA umur > 22.500 DAN IPS1 > 3.235 DAN FALKULTAS =
BAHASADANSENI DAN IPS3 > 2.975 DAN IPS2 ≤ 3.865 DAN umur > 23.500 DAN umur ≤ 25.500 DAN IPS4 > 3.230 DAN IPS4 > 3.475 DAN IPS4 > 3.570 MAKA TEPAT
4) JIKA umur > 22.500 DAN IPS1 > 3.235 DAN FALKULTAS =
BAHASADANSENI DAN IPS3 > 2.975 DAN IPS2 ≤ 3.865 DAN umur > 23.500 DAN umur ≤ 25.500 DAN IPS4 > 3.230 DAN IPS4 > 3.475 DAN IPS4
≤ 3.570 MAKA TERLAMBAT
5) JIKA umur > 22.500 DAN IPS1 > 3.235 DAN FALKULTAS =
BAHASADANSENI DAN IPS3 > 2.975 DAN IPS2 ≤ 3.865 DAN umur > 23.500 DAN umur ≤ 25.500 DAN IPS4 > 3.230 AND IPS4 ≤ 3.475 MAKA TEPAT
6) JIKA umur > 22.500 DAN IPS1 > 3.235 DAN FALKULTAS =
BAHASADANSENI DAN IPS3 > 2.975 DAN IPS2 ≤ 3.865 DAN umur > 23.500 DAN umur ≤ 25.500 AND IPS4 ≤ 3.230 MAKA TERLAMBAT
7) JIKA umur > 22.500 DAN IPS1 > 3.235 DAN FALKULTAS =
BAHASADANSENI DAN IPS3 > 2.975 DAN IPS2 ≤ 3.865 DAN umur ≤ 23.500 MAKA TEPAT {TEPAT=24, TERLAMBAT=2}
8) JIKA umur > 22.500 DAN IPS1 > 3.235 DAN FALKULTAS =
BAHASADANSENI DAN IPS3 ≤ 2.975 DAN IPS2 > 3.170 MAKA TERLAMBAT
9) JIKA umur > 22.500 DAN IPS1 > 3.235 DAN FALKULTAS =
BAHASADANSENI DAN IPS3 ≤ 2.975 DAN IPS2 ≤ 3.170 DAN jeniskelamin = LAKI-LAKI MAKA TERLAMBAT
10) JIKA umur > 22.500 DAN IPS1 > 3.235 DAN FALKULTAS = BAHASADANSENI DAN IPS3 ≤ 2.975 DAN IPS2 ≤ 3.170 DAN jeniskelamin = PEREMPUAN MAKA TEPAT
11) JIKA umur > 22.500 DAN IPS1 > 3.235 DAN FALKULTAS = EKONOMI MAKA TEPAT
12) JIKA umur > 22.500 DAN IPS1 > 3.235 DAN FALKULTAS =
ILMUKEOLAHRAGAAN MAKA TERLAMBAT
13) JIKA umur > 22.500 DAN IPS1 > 3.235 DAN FALKULTAS =
ILMUPENDIDIKAN MAKA TERLAMBAT
14) JIKA umur > 22.500 DAN IPS1 > 3.235 DAN FALKULTAS = ILMUSOSIAL
MAKA TERLAMBAT
15) JIKA umur > 22.500 DAN IPS1 > 3.235 DAN FALKULTAS =
MATEMATIKADANIPA DAN umur > 23.500 MAKA TERLAMBAT
16) JIKA umur > 22.500 DAN IPS1 > 3.235 DAN FALKULTAS =
MATEMATIKADANIPA DAN umur ≤ 23.500 DAN IPS3 > 2.905 MAKA TEPAT
17) JIKA umur > 22.500 DAN IPS1 > 3.235 DAN FALKULTAS =
MATEMATIKADANIPA DAN umur ≤ 23.500 DAN IPS3 ≤ 2.905 MAKA TERLAMBAT
18) JIKA umur > 22.500 DAN IPS1 > 3.235 DAN FALKULTAS = TEKNIK DAN
umur > 24.500 DAN IPS1 > 3.395 MAKA TERLAMBAT
19) JIKA umur > 22.500 DAN IPS1 > 3.235 DAN FALKULTAS = TEKNIK DAN
umur > 24.500 DAN IPS1 ≤ 3.395 MAKA TEPAT
20) JIKA umur > 22.500 DAN IPS1 > 3.235 DAN FALKULTAS = TEKNIK DAN
umur ≤ 24.500 MAKA TERLAMBAT
21) JIKA umur > 22.500 DAN IPS1 ≤ 3.235 MAKA TERLAMBAT
22) JIKA umur ≤ 22.500 DAN IPS1 > 2.705 DAN FALKULTAS =
BAHASADANSENI MAKA TEPAT
23) JIKA umur ≤ 22.500 DAN IPS1 > 2.705 DAN FALKULTAS = EKONOMI
DAN IPS1 > 3.205 MAKA TEPAT
24) JIKA umur ≤ 22.500 DAN IPS1 > 2.705 DAN FALKULTAS = EKONOMI
DAN IPS1 ≤ 3.205 DAN IPS3 > 3.095 DAN IPS1 > 2.900 MAKA TEPAT
25) JIKA umur ≤ 22.500 DAN IPS1 > 2.705 DAN FALKULTAS = EKONOMI
DAN IPS1 ≤ 3.205 DAN IPS3 > 3.095 DAN IPS1 ≤ 2.900 MAKA TERLAMBAT
64
26) JIKA umur ≤ 22.500 DAN IPS1 > 2.705 DAN FALKULTAS = EKONOMI
DAN IPS1 ≤ 3.205 DAN IPS3 ≤ 3.095 MAKA TEPAT
27) JIKA umur ≤ 22.500 DAN IPS1 > 2.705 DAN FALKULTAS =
ILMUKEOLAHRAGAAN DAN IPS1 > 3.270 MAKA TEPAT
28) JIKA umur ≤ 22.500 DAN IPS1 > 2.705 DAN FALKULTAS =
ILMUKEOLAHRAGAAN DAN IPS1 ≤ 3.270 MAKA TERLAMBAT
29) JIKA umur ≤ 22.500 DAN IPS1 > 2.705 DAN FALKULTAS =
ILMUPENDIDIKAN DAN IPS1 > 3.080 DAN IPS3 > 2.950 DAN IPS1 > 3.400 MAKA TEPAT
30) JIKA umur ≤ 22.500 DAN IPS1 > 2.705 DAN FALKULTAS =
ILMUPENDIDIKAN DAN IPS1 > 3.080 DAN IPS3 > 2.950 DAN IPS1 ≤ 3.400 DAN IPS4 > 3.610 DAN IPS2 > 3.245 MAKA TEPAT
31) JIKA umur ≤ 22.500 DAN IPS1 > 2.705 DAN FALKULTAS =
ILMUPENDIDIKAN DAN IPS1 > 3.080 DAN IPS3 > 2.950 DAN IPS1 ≤ 3.400 DAN IPS4 > 3.610 DAN IPS2 ≤ 3.245 MAKA TERLAMBAT
32) JIKA umur ≤ 22.500 DAN IPS1 > 2.705 DAN FALKULTAS =
ILMUPENDIDIKAN DAN IPS1 > 3.080 DAN IPS3 > 2.950 DAN IPS1 ≤ 3.400 DAN IPS4 ≤ 3.610 DAN IPS3 > 3.425 DAN IPS2 > 3.310 DAN IPS4 > 3.300 DAN IPS3 > 3.740 MAKA TEPAT
33) JIKA umur ≤ 22.500 DAN IPS1 > 2.705 DAN FALKULTAS =
ILMUPENDIDIKAN DAN IPS1 > 3.080 DAN IPS3 > 2.950 DAN IPS1 ≤ 3.400 DAN IPS4 ≤ 3.610 DAN IPS3 > 3.425 DAN IPS2 > 3.310 DAN IPS4 > 3.300 DAN IPS3 ≤ 3.740 MAKA TERLAMBAT
34) JIKA umur ≤ 22.500 DAN IPS1 > 2.705 DAN FALKULTAS =
ILMUPENDIDIKAN DAN IPS1 > 3.080 DAN IPS3 > 2.950 DAN IPS1 ≤ 3.400 DAN IPS4 ≤ 3.610 DAN IPS3 > 3.425 DAN IPS2 > 3.310 DAN IPS4 ≤ 3.300 MAKA TEPAT
35) JIKA umur ≤ 22.500 DAN IPS1 > 2.705 DAN FALKULTAS =
ILMUPENDIDIKAN DAN IPS1 > 3.080 DAN IPS3 > 2.950 DAN IPS1 ≤ 3.400 DAN IPS4 ≤ 3.610 DAN IPS3 > 3.425 DAN IPS2 ≤ 3.310 MAKA TEPAT
36) JIKA umur ≤ 22.500 DAN IPS1 > 2.705 DAN FALKULTAS =
ILMUPENDIDIKAN DAN IPS1 > 3.080 DAN IPS3 > 2.950 DAN IPS1 ≤ 3.400 DAN IPS4 ≤ 3.610 DAN IPS3 ≤ 3.425 MAKA TEPAT
37) JIKA umur ≤ 22.500 DAN IPS1 > 2.705 DAN FALKULTAS =
ILMUPENDIDIKAN DAN IPS1 > 3.080 DAN IPS3 ≤ 2.950 DAN IPS2 > 3.045 DAN IPS4 > 3.050 MAKA TERLAMBAT
38) JIKA umur ≤ 22.500 DAN IPS1 > 2.705 DAN FALKULTAS = ILMUPENDIDIKAN DAN IPS1 > 3.080 DAN IPS3 ≤ 2.950 DAN IPS2 > 3.045 DAN IPS4 ≤ 3.050 MAKA TEPAT
39) JIKA umur ≤ 22.500 DAN IPS1 > 2.705 DAN FALKULTAS =
ILMUPENDIDIKAN DAN IPS1 > 3.080 DAN IPS3 ≤ 2.950 DAN IPS2 ≤ 3.045 MAKA TEPAT
40) JIKA umur ≤ 22.500 DAN IPS1 > 2.705 DAN FALKULTAS =
ILMUPENDIDIKAN DAN IPS1 ≤ 3.080 DAN IPS4 > 3.275 MAKA TERLAMBAT
41) JIKA umur ≤ 22.500 DAN IPS1 > 2.705 DAN FALKULTAS =
ILMUPENDIDIKAN DAN IPS1 ≤ 3.080 DAN IPS4 ≤ 3.275 DAN IPS2 > 3.070 MAKA TERLAMBAT
42) JIKA umur ≤ 22.500 DAN IPS1 > 2.705 DAN FALKULTAS =
ILMUPENDIDIKAN DAN IPS1 ≤ 3.080 DAN IPS4 ≤ 3.275 DAN IPS2 ≤ 3.070 MAKA TEPAT
43) JIKA umur ≤ 22.500 DAN IPS1 > 2.705 DAN FALKULTAS = ILMUSOSIAL
DAN IPS2 > 2.740 DAN IPS1 > 3.780 MAKA TERLAMBAT
44) JIKA umur ≤ 22.500 DAN IPS1 > 2.705 DAN FALKULTAS = ILMUSOSIAL
DAN IPS2 > 2.740 DAN IPS1 ≤ 3.780 MAKA TEPAT
45) JIKA umur ≤ 22.500 DAN IPS1 > 2.705 DAN FALKULTAS = ILMUSOSIAL
DAN IPS2 ≤ 2.740 DAN IPS2 > 2.610 MAKA TEPAT
46) JIKA umur ≤ 22.500 DAN IPS1 > 2.705 DAN FALKULTAS = ILMUSOSIAL
DAN IPS2 ≤ 2.740 DAN IPS2 ≤ 2.610 MAKA TERLAMBAT
47) JIKA umur ≤ 22.500 DAN IPS1 > 2.705 DAN FALKULTAS =
MATEMATIKADANIPA DAN IPS4 > 2.900 MAKA TEPAT
48) JIKA umur ≤ 22.500 DAN IPS1 > 2.705 DAN FALKULTAS =
MATEMATIKADANIPA DAN IPS4 ≤ 2.900 DAN IPS2 > 3.165 MAKA TEPAT
49) JIKA umur ≤ 22.500 DAN IPS1 > 2.705 DAN FALKULTAS =
MATEMATIKADANIPA DAN IPS4 ≤ 2.900 DAN IPS2 ≤ 3.165 MAKA TERLAMBAT
50) JIKA umur ≤ 22.500 DAN IPS1 > 2.705 DAN FALKULTAS = TEKNIK DAN
IPS1 > 3.075 DAN IPS2 > 3.525 MAKA TEPAT
51) JIKA umur ≤ 22.500 DAN IPS1 > 2.705 DAN FALKULTAS = TEKNIK DAN
IPS1 > 3.075 DAN IPS2 ≤ 3.525 DAN IPS1 > 3.235 MAKA TEPAT
52) JIKA umur ≤ 22.500 DAN IPS1 > 2.705 DAN FALKULTAS = TEKNIK DAN
66
53) JIKA umur ≤ 22.500 DAN IPS1 > 2.705 DAN FALKULTAS = TEKNIK DAN
IPS1 ≤ 3.075 MAKA TEPAT
54) JIKA umur ≤ 22.500 DAN IPS1 ≤ 2.705 DAN FALKULTAS =
BAHASADANSENI DAN IPS1 > 2.590 MAKA TEPAT
55) JIKA umur ≤ 22.500 DAN IPS1 ≤ 2.705 DAN FALKULTAS =
BAHASADANSENI DAN IPS1 ≤ 2.590 DAN IPS1 > 2.435 MAKA TERLAMBAT
56) JIKA umur ≤ 22.500 DAN IPS1 ≤ 2.705 DAN FALKULTAS =
BAHASADANSENI DAN IPS1 ≤ 2.590 DAN IPS1 ≤ 2.435 MAKA TEPAT
57) JIKA umur ≤ 22.500 DAN IPS1 ≤ 2.705 DAN FALKULTAS = EKONOMI
MAKA TEPAT
58) JIKA umur ≤ 22.500 DAN IPS1 ≤ 2.705 DAN FALKULTAS =
ILMUKEOLAHRAGAAN MAKA TERLAMBAT
59) JIKA umur ≤ 22.500 DAN IPS1 ≤ 2.705 DAN FALKULTAS =
ILMUPENDIDIKAN MAKA TERLAMBAT
60) JIKA umur ≤ 22.500 DAN IPS1 ≤ 2.705 DAN FALKULTAS = ILMUSOSIAL
DAN IPS1 > 2.615 MAKA TEPAT
61) JIKA umur ≤ 22.500 DAN IPS1 ≤ 2.705 DAN FALKULTAS = ILMUSOSIAL
DAN IPS1 ≤ 2.615 MAKA TERLAMBAT
62) JIKA umur ≤ 22.500 DAN IPS1 ≤ 2.705 DAN FALKULTAS =
MATEMATIKADANIPA DAN IPS3 > 2.545 DAN IPS4 > 3.205 MAKA TERLAMBAT
63) JIKA umur ≤ 22.500 DAN IPS1 ≤ 2.705 DAN FALKULTAS =
MATEMATIKADANIPA DAN IPS3 > 2.545 DAN IPS4 ≤ 3.205 MAKA TEPAT
64) JIKA umur ≤ 22.500 DAN IPS1 ≤ 2.705 DAN FALKULTAS =
MATEMATIKADANIPA DAN IPS3 ≤ 2.545 MAKA TERLAMBAT
65) JIKA umur ≤ 22.500 DAN IPS1 ≤ 2.705 DAN FALKULTAS = TEKNIK DAN
IPS2 > 2.550 MAKA TERLAMBAT
66) JIKA umur ≤ 22.500 DAN IPS1 ≤ 2.705 DAN FALKULTAS = TEKNIK DAN
67
BAB V
PENUTUP
5.1 Kesimpulan
Pada penelitian ini dilakukan pemodelan menggunakan algoritma C4.5 dan C4.5-PSO dengan menggunakan data yang dilampirkan oleh Hilda dalam thesisnya. Fokus penelitian ini adalah penerapan algoritma PSO pada pembobotan atribut teknik klasifikasi data mining C4.5. Validasi model menggunakan 10fold cross-validation dan evaluasi model menggunakan
confusion matrix dan kurva ROC.
Hasil penelitian menunjukan bahwa model C4.5-PSO memiliki akurasi yang lebih baik yaitu 86,09 % dibandingkan dengan model C4.5 yang akurasinya 84,13 %. Namun waktu eksekusi C4.5-PSO lebih lama dengan 20 menit 23 detik, sedangkan C4.5 hanya 3 detik.
Dengan demikian, terbukti bahwa PSO yang diterapkan pada pembobotan atribut C4.5 meningkatkan nilai akurasi. Hal ini menjadikan C4.5-PSO menjadi alternatif lain untuk model optimasi yang dapat diterapkan pada kasus lain seperti penentuan pemberian kredit, analisa pasar.
5.2 Saran
Proses penelitian ini mendapatkan banyak hambatan seperti terbatasnya data penelitian dan perangkat keras yang digunakan, untuk penelitian selanjutnya terdapat beberapa saran sebagai berikut :
1. Untuk mempercepat waktu eksekusi model dapat menggunakan perangkat keras dengan spesifikasi hardware yang lebih baik seperti processor core i7 dengan RAM 4Gb atau spesifikasi yang lebih tinggi.
68
2. Penelitian ini mengkomparasikan algoritma C4.5 dan C4.5 yang dikombinasikan dengan PSO untuk pembobotan atribut, untuk penelitian selanjutnya dapat dikembangkan dengan menggunakan algoritma klasifikasi lain seperti Suport Vector Machine (SVM),
Neural Network yang dikombinasikan dengan algoritma PSO atau
algoritma optimasi lain seperti Ant Colony Optimization (ACO),
Genetic Algorithm (GA), Adaboost, atau algoritma optimasi lainnya.
3. Penelitian ini menggunakan data set yang dilampirkan oleh Hilda dalam thesisnya, data set tersebut merupakan data kelulusan mahasiswa perguruan tinggi yang erat kaitannya dengan dunia pendidikan, untuk penelitian selanjutnya dapat dikembangkan dengan menggunakan data set lain yang memiliki atribut tambahan seperti status pernikahan, status pekerjaan, pendapatan per bulan keluarga sebagai inputan nilai model yang dapat mempengaruhi tingkat akurasinya.
4. Penelitian ini menggunakan data set yang dilampirkan oleh Hilda dalam thesisnya dan data set tersebut terkait dengan dunia pendidikan, kemudian data set tersebut dimodelkan berdasar pada algoritma C4.5 dengan C4.5 berbasis PSO untuk membandingkan tingkat akurasi dari keduanya. Dalam penelitian selanjutnya, model yang digunakan pada penelitian ini dapat diterapkan pada data set lain yang berbeda seperti data perbankan terkait analisa penentuan kredit, data pemasaran produk-produk tertentu untuk menguji kehandalan model yang diusulkan.
69
[1] Abraham, A., Grosan, C., & Ramos, V. (2006). Swarm Intelligence In Data Mining. Verlag Berlin Heidelberg: Springer.
[2] Alpaydın, E. (2010). Introduction to Machine Learning (Second Edition ed.). London: The MIT Press.
[3] Amalia, Hilda. (2012). Komparasi Metode Klasifikasi Data Mining Untuk Prediksi
Ketepatan Kelulusan Mahasiswa. Jakarta :STIMIK Nusa Mandiri.
[4] Bai, Q. (2010). Analysis of Particle Swarm Optimization Algorithm. Computer dan Informasi Science. Vol. 3, No. 1, February 2012. College of Computer Science and Technology Inner Mongolia University for Nationalities.
[5] Bramer, Max. (2007). Principles of Data Mining. London: Springer.
[6] Gorunescu, Florin. (2011). Data Mining: Concepts and Techniques. Verlag berlin Heidelberg: Springer.
[7] Han, J., & Kamber, M. (2007). Data Mining Concepts and Techniques. San Fransisco: Mofgan Kaufan Publisher.
[8]
http://ban-pt.kemdiknas.go.id/Instrumen%20AIPT%20(02-12-2011)/2%20BUKU%202%20STANDAR%20DAN%20PROSEDUR%20AIPT%20 2011.docx. diakses 18 Juli 2013
[9] http://www.republika.co.id/berita/pendidikan/dunia-kampus/13/03/24/mk53wr-lima-tahun-terakhir-11-pts-di-yogya-tutup. diakses 18 Juli 2013
[10] Karamouzis, T. S., & Vrettos, A. (2008). An Artificial Neural Network for
Predicting Student Graduation Outcomes. Preceeding of World Congress on
Engineering and Computer Science, 978-988-98671-02.
[11] Kusrini,&Luthfi, E. T. (2009). Algoritma Data Mining. Yogyakarta: Andi Publishing
[12] Larose, D. T. (2005).Discovering Knowledge in Data. New Jersey: John Willey & Sons, Inc.
70
[13] Lasut, Desiyana. (2012). Prediksi Loyalitas Pelanggan pada Perusahaan Penyedia
Layanan Multimedia dengan Algoritma C4.5 Berbasis Particle Swarm Optimization. Jakarta: STIMIK Eresha.
[14] Liu, Y., Wang, G., Chen, H., Dong, H., Zhu, X., & Wang, S. (2011). An Improved
Particle Swarm Optimization for Feature Selection. Journal of Bionic Engineering
Vol 8 , 1-10.
[15] Ming, Kai Ting. (2002). An instance-weighting method to induce cost-sensitive. IEEE transactions on knowledge and data engineering, vol. 14, no. 3.
[16] Quadri, M. N., & Kalyankar, N. V. (2010). Drop Out Feature of Student Data for
Academic Performance Using Decision Tree techniques. Global Journal of
Computer Science and Technology , 2-4.
[17] Santosa, B. (2007). Data Mining Teknik Pemanfaat Data Untuk Keperluan Bisnis. Yogyakarta: Graha Ilmu.
[18] Sousa, T., Silva, A., & Neves, A. (2004). Particle Swarm Based Data Mining
Algorithms for Classification Tasks. Parallel Computing , 30, 767-783.
[19] Suhartina & Ernastuti. (2010). Graduation Prediction of Gunadarma Student Using
Naïve Bayes and Decision Tree. Jakarta: Universitas Gunadarma.
[20] Tsai, C. F., & Chen, M. Y. (2009). Variable Selection by Association Rules for Customer Churn Prediction of Multimedia on Demand. Expert Systems with
Applications.
[21] Vercellis, Carlo (2009). Business Intelligent: Data Mining and Optimization for
Decision Making. Southern Gate, Chichester, West Sussex: John Willey & Sons,
Ltd.
[22] Witten, H. I., Eibe, F., & Hall, A. M. (2011). Data Mining Machine Learning Tools
and Techiques. Burlington: Morgan Kaufmann Publisher.
[23] Wu, X., & Kumar, V. (2009). The Top Ten Algorithms in Data Mining. Taylor & Francis Group, LLC.
[24] Yao, Ping. (2009). Comparative Study on Class Imbalance Learning for Credit
Scoring. Ninth International Conference on Hybrid Intelligent Systems.