v
STUDI ALGORITMA CART DENGAN INDUKSI FUZZY
DALAM MENGKLASIFIKASIKAN DATA
ABSTRAK
Metode pohon keputusan digunakan untuk mengekstraksi informasi tentang himpunan data dalam masalah klasifikasi, meskipun tidak dapat menangani ketidakpastian yang tertanam dalam data terkait dengan pemikiran dan persepsi manusia. Makalah ini menjelaskan pengembangan algoritma induksi pohon yang meningkatkan akurasi klasifikasi induksi pohon keputusan. Penelitian ini dirancang dengan mengintegrasikan prinsip Algoritma CART (Classification and Regressin Tree) dan konsep himpunan Fuzzy, memungkinkan model untuk menangani data yang tidak pasti dan tidak tepat, serta untuk melunakkan batas keputusan tajam yang melekat dalam algoritma pohon keputusan tegas. CART adalah algoritma pohon keputusan dengan fitur utama pengujian Indeks Gini (indeks keragaman) pada setiap tingkat, yang mengarah ke pembentukan pohon dengan proses pemangkasan untuk menemukan pohon yang optimal. Penerapan logika fuzzy untuk pohon keputusan CART dapat memperlihatkan pengetahuan klasifikasi yang lebih alami dan sejalan dengan pemikiran manusia, serta lebih kuat ketika menangani informasi yang tidak tepat. Hasil penerapan logika fuzzy untuk pohon keputusan CART disajikan dalam makalah ini. Hasil penelitian ini diperoleh dari database nyata, dan menunjukkan bahwa algoritma inferensi fuzzy baru meningkatkan akurasi lebih dari pohon CART tegas.
Kata kunci : Pohon Keputusan, Klasifikasi, CART, Fuzzy
vi
STUDY OF CART ALGORITHM WITH FUZZY INDUCTION
IN CLASSIFYING DATA
ABSTRACT
Decision tree methods used for extracting information about dataset in classification problems, although unable to deal with uncertainties embedded within the data associated with human thinking and perception. This paper describes the development of a tree induction algorithm which improves the classification accuracy of decision tree induction. The research is designed by integrating the principles of CART (Classification and Regression Tree) algorithm and the fuzzy set-theoretic concepts, enabling the model to handle uncertain and imprecise data, and in order to soften the sharp decision boundaries which are inherent in crisp decision tree algorithms. CART is a decision tree algorithm with the main feature of Gini Index testing (homogenity index) at each level, leading to the production of trees with pruning process to find the optimal tree. The application of fuzzy logic to CART decision trees can represent classification knowledge more naturally and inline with human thinking, and are more robust when it comes to handling imprecise information. The results of applying fuzzy logic to CART decision trees are presented in this paper. These have been obtained from sets of real data, and show that the new fuzzy inference algorithm improves the accuracy over crisp CART trees.
Keywords : Decision Tree, Classification, CART, Fuzzy