JURIKOM (Jurnal Riset Komputer), Vol. 9 No. 4, Agustus 2022 e-ISSN 2715-7393 (Media Online), p-ISSN 2407-389X (Media Cetak) DOI 10.30865/jurikom.v9i4.4632 Hal 1200−1209 http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom
Implementasi Algoritma C5.0 Untuk Klasifikasi Kepuasan Masyarakat Terhadap Pelayanan Kantor Kecamatan
Rahmanita Widiyanti*, Cucu Suhery, Rahmi Hidayati
Fakultas Matematika dan Ilmu Pengetahuan Alam, Rekayasa Sistem Komputer, Universitas Tanjungpura, Pontianak, Indonesia Email: 1,*[email protected], 2[email protected], 3[email protected]
Email Penulis Korespondensi: [email protected] Submitted 04-08-2022; Accepted 30-08-2022; Published 30-08-2022
Abstrak
Pelayanan publik merupakan kegiatan untuk memenuhi kebutuhan pelayanan bagi masyarakat. Kantor Kecamatan Pontianak Kota merupakan salah satu instansi yang melakukan pelayanan publik. Kepuasan masyarakat terhadap pelayanan yang dilakukan Kantor Kecamatan Kota dapat diukur dengan survei kepuasan guna untuk meningkatkan kualitas pelayanan. Adanya unsur penilaian yang beragam membuat Kantor Kecamatan Pontianak Kota sulit untuk menentukan kepuasan masyarakat terhadap pelayanan. Oleh karena itu, dibutuhkan suatu sistem yang dapat melakukan klasifikasi dan mengetahui unsur penilaian yang mempengaruhi kepuasan pelayanan. Pada penelitian ini digunakan Algoritma C5.0 untuk melakukan klasifikasi terhadap kepuasan masyarakat. Unsur penilaian (variabel) yang digunakan untuk klasifikasi terdiri dari kesesuaian pelayanan, pemahaman prosedur, kecepatan pelayanan, biaya, standar pelayanan, kemampuan petugas, perilaku petugas, sarana dan prasarana, dan pengaduan pelayanan. Penelitian ini menghasilkan klasifikasi berupa sangat baik, baik, dan kurang baik. Jumlah data yang digunakan sebanyak 250 data dengan data latih yang di gunakan sebanyak 175 data dan data uji sebanyak 75 data. Algoritma C5.0 menghasilkan pohon keputusan, rules, dan kemampuan petugas sebagai unsur penilaian yang berpengaruh. Berdasarkan hasil pengujian mendapatkan akurasi 90,67%, precision 68,085%, recall 55,89%,, dan laju error 9,33%.
Kata Kunci: Algoritma C5.0; Data Mining; Kepuasan; Pelayanan; Klasifikasi Abstract
Public service is an activity to fulfill service needs for the people. Kecamatan Pontianak Kota Office is one of the institutes that perform public services. People's satisfaction with the services provided by the Kecamatan Pontianak Kota Office can be measured by a satisfaction survey in order to improve service quality. The existence of various assessment elements makes it difficult for the Kecamatan Pontianak Kota Office to determine people's satisfaction with services. Therefore, we need a system that can classify and determine the elements of the assessment that affect service satisfaction. In this research, the C5.0 algorithm was used to classify people's satisfaction. The assessment elements (variables) used for classification consist of suitability of services, understanding of procedures, speed of service, costs, service standards, officers' abilities, behavior of officers, facilities and infrastructure, and service complaints. This research resulted in a classification such as very good, good, and not good. The amount of data used is 250 data with training data used as much as 175 data and test data as much as 75 data. The C5.0 algorithm produces a decision tree, rules, and the ability of officers as an influential assessment element. Based on the test results obtained 90.67% accuracy, 68.085% precision, 55.89%
recall, and 9.33% error rate.
Keywords: C5.0 Algorithm; Data Mining; Service; Satisfaction; Classification
1. PENDAHULUAN
Pelayanan publik adalah rangkaian kegiatan dalam rangka memenuhi kebutuhan pelayanan bagi setiap warga negara dan penduduk atas barang, jasa, dan/atau pelayanan administratif sesuai peraturan Undang-Undang No 25 tahun 2000 [1].
Survei kepuasan masyarakat adalah suatu pengukuran tingkat kepuasan pelayanan secara komprehensif tentang kepuasan masyarakat terhadap kualitas pelayanan yang diberikan oleh penyelenggara pelayanan di Kantor Kecamatan Pontianak Kota. Jenis pelayanan yang dilakukan di Kantor Kecamatan Kota Pontianak, yaitu pelayanan akta jual beli/hibah/pembagian hak bersama, surat keterangan waris, KTP, KK, surat domisili usaha, surat keterangan pengajuan kredit usaha kecil, dispensasi nikah islam/non islam, surat keterangan belum cukup umur, surat keterangan tidak mampu, surat pindah datang, surat keterangan pembangunan tower, surat pindah, surat masuk ABRI, surat keterangan usaha, surat persetujuan lingkungan, dan surat pengesahan usulan pensiun non PNS [2]. Pemberian pelayanan merupakan tugas pokok dari Kecamatan dan Kelurahan dalam menjalankan fungsinya sesuai dengan ketentuan perundang-undangan yang berlaku dan memberikan kepuasan untuk pelayanan yang diberikan ke masyarakat [3].
Penilaian kepuasan pelayanan yang dilakukan oleh Kantor Kecamatan Pontianak Kota merupakan salah satu peranan penting dalam upaya memperbaiki pelayanan yang telah dilakukan [1]. Adanya unsur penilaian yang beragam membuat Kantor Kecamatan Pontianak Kota sulit untuk menentukan kepuasan masyarakat terhadap pelayanan. Oleh karena itu, dibutuhkan suatu sistem yang dapat melakukan klasifikasi dan mengetahui unsur penilaian yang mempengaruhi kepuasan pelayanan. Salah satu algoritma klasifikasi yang sesuai dengan bentuk data yang tersedia untuk membangun sistem ini adalah Algoritma C5.0. Penelitian sebelumnya yang menggunakan Algoritma C5.0 berjudul
“Implementasi Algoritma C5.0 pada Penilaian Kinerja Pegawai Negeri Sipil”. Hasil penelitian tersebut adalah sebuah sistem yang dapat menentukan keputusan kinerja karyawan dengan menggunakan data sebanyak 275 data PNS [4].
Penelitian lainnya tentang kepuasan terhadap pelayanan berjudul “Klasifikasi Kepuasan Mahasiswa Terhadap Pelayanan Perguruan Tinggi Menggunakan Algoritma Naïve Bayes”. Penelitian tersebut menghasilkan hasil klasifikasi yang bagus (good classIfication) dan akurasi yang dihasilkan sebesar 96,71% [5]. Penelitian sebelumnya tentang Algoritma C5.0 yang berjudul “Implementasi Algoritma C5.0 untuk Klasifikasi Penyakit Gagal Ginjal Kronik” membahas tentang
JURIKOM (Jurnal Riset Komputer), Vol. 9 No. 4, Agustus 2022 e-ISSN 2715-7393 (Media Online), p-ISSN 2407-389X (Media Cetak) DOI 10.30865/jurikom.v9i4.4632 Hal 1200−1209 http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom akurasi yang dihasilkan menggunakan algoritma tersebut sebesar 99,3% dan menggunakan data sebanyak 160 data [6].
Penelitian lainnya kepuasan masyarakat tergadap pelayananan berjudul “Analisa Tingkat Kepuasan Masyarakat Terhadap Pelayanan Pengadilan Agama Pematang Siantar Menggunakan Algoritma C4.5”. Penelitian tersebut menggunakan data sebanyak 150 data yang diambil menggunakan kuesioner dan menghasilkan akurasi 100% [7].
Berdasarkan beberapa penelitian yang dilakukan, maka dilakukan penelitian tentang “Implementasi Algoritma C5.0 Dalam Klasifikasi Kepuasan Masyarakat Terhadap Pelayanan di Kantor Kecamatan Pontianak Kota”. Penelitian ini membangun sistem yang diimplementasikan menggunakan website. Dengan adanya sistem klasifikasi kepuasan masyarakat terhadap pelayanan berbasis website, sistem lebih mudah dan efisien untuk menampilkan klasifikasi pada kepuasan pelayanan. Variabel yang digunakan adalah kesesuaian pelayanan, pemahaman prosedur, kecepatan pelayanan, biaya, standar pelayanan, kemampuan petugas, perilaku petugas, sarana prasarana, dan pengaduan pelayanan. Penelitian yang dilakukan akan menghasilkan klasifikasi berupa sangat baik, baik, kurang baik, dan tidak baik.
2. METODOLOGI PENELITIAN
2.1 Tahapan Penelitian
Tahapan penelitian terdapat tujuh tahapan, yaitu studi literatur, pengumpulan data, analisis sistem, implementasi, pengujian sistem, serta terdapat kesimpulan dan saran. Tahap penelitian yang pertama adalah studi literatur. Literatur yang dikumpulkan berupa teori-teori atau referensi pendukung yang dilakukan dalam penelitian untuk membantu dalam pengerjaan penelitian. Literatur yang digunakan dapat berupa jurnal penelitian sebelumnya, buku, skripsi, dan artikel yang dapat digunakan untuk mendukung penelitian. Tahapan penelitian kedua adalah pengumpulan data. Pengumpulan data dalam penelitian ini adalah survei menggunakan kuesioner untuk mendapatkan informasi yang dibutuhkan. Tahapan yang ketiga adalah analisis kebutuhan. Tahapan ini digunakan untuk menganalisis apa yang dibutuhkan dalam membangun sebuah sistem. Analisis kebutuhan dibagi menjadi dua, yaitu analisis kebutuhan perangkat keras dan perangkat lunak. Tahapan keempat adalah perancangan sistem. Perancangan sistem pada penelitian ini berupa perancangan perangkat lunak. Tahapan kelima adalah implementasi. Tahapan implementasi adalah tahap untuk merealisasikan serta membangun sebuah sistem yang sudah dirancang pada tahap perancangan sistem, sehingga akan menghasilkan keluaran yang diinginkan. Tahapan ini mengimplementasikan Algoritma C5.0 untuk klasifikasi yang dilakukan. Tahapan keenam adalah pengujian sistem. Tahapan pengujian digunakan untuk menguji keberhasilan dari tahapan implementasi yang telah dilakukan sebelumnya. Pengujian yang dilakukan, yaitu sistem diuji menggunakan data uji menggunakan confusion matrix. Tahapan ketujuh adalah kesimpulan dan saran. Setelah tahap pengujian sistem telah berhasil, tahap terakhir dalam penelitian adalah menarik kesimpulan dan memberikan saran. Menarik kesimpulan dilakukan untuk menjawab rumusan masalah dan memberikan saran dilakukan untuk menyelesaikan masalah yang belum terselesaikan. Setelah itu, penelitian selesai dilakukan. Berikut tahapan penelitian yang dilakukan pada Gambar 1.
Gambar 1. Tahap Penelitian 2.2 Klasifikasi
Klasifikasi adalah salah satu model pada data mining yang berfungsi menemukan suatu model untuk membedakan kelas data dengan tujuan kelas yang belum diketahui. Pembangunan model klasifikasi menggunakan data training (latih).
Penerapan model ini juga digunakan untuk menguji keakuratan dari aturan klasifikasi terhadap data testing (uji) yang digunakan [8].
2.3 Data Mining
Data mining merupakan suatu bidang ilmu yang digunakan untuk menangani masalah dalam pengambilan informasi dari database yang besar dengan menggabungkan beberapa teknik dan data mining juga terdapat dalam KDD (Knowledge Discovery in Database). Tujuan dari data mining adalah mengekstraksi informasi menggunakan metode cerdas dari kumpulan data kemudian mengubah informasi menjadi struktur yang dapat dipahami untuk digunakan lebih lanjut [9].
Data mining juga digunakan untuk mencari informasi dari sekumpulan data maupun untuk pembuatan suatu model dalam klasifikasi maupun peramalan data yang digunakan [10].
2.4 Decision Tree
Decision tree atau pohon keputusan merupakan salah satu metode klasifikasi yang terdapat pada data mining yang memiliki struktur pohon berupa root node (node yang terletak paling atas pohon klasifikasi), branches node (node cabang), dan leaf node (node terminal atau node akhir) [8]. Decision tree digunakan untuk memperlihatkan peluang yang
JURIKOM (Jurnal Riset Komputer), Vol. 9 No. 4, Agustus 2022 e-ISSN 2715-7393 (Media Online), p-ISSN 2407-389X (Media Cetak) DOI 10.30865/jurikom.v9i4.4632 Hal 1200−1209 http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom muncul dari keputusan yang dihasilkan [11]. Decision tree mempunyai proses dari data tabel training yang terdapat atribut dan variabel kemudaian akan dibentuk menjadi sebuah pohon selanjutnya disederhanakan kedalam bentuk rules [9].
2.5 Algoritma C5.0
Algoritma C5.0 adalah salah satu algoritma klasifikasi data mining yang khususnya diterapkan pada teknik decision tree dan rule based model [12]. Algoritma C5.0 merupakan penyempurnaan serta pengembangan dari algoritma C4.5 dan ID3.
Algoritma C5.0 mempunyai kelebihan, yaitu pengklasifikasian serbaguna yang dapat melakukan dengan baik dalam menyelesaikan berbagai jenis masalah, proses yang dapat dilakukan menggunakan fitur numerik ataupun nominal, dapat digunakan dalam kumpulan data kecil maupun yang besar, dan lebih efisien [13]. Algoritma C5.0 memiliki langkah- langkah dalam penyelesaian perhitungan [14], yaitu:
a. Membagi secara acak (random) keseluruhan data menjadi data training (latih) dan data testing (uji).
b. Menghitung nilai Entropy total data yang digunakan.
c. Menghitung nilai Entropy pada masing-masing variabel yang digunakan.
Berikut rumus perhitungan nilai Entropy pada Persamaan (1):
𝐸𝑛𝑡𝑟𝑜𝑝𝑦(𝑆) = ∑(−𝑝𝑖 𝑙𝑜𝑔2 (𝑝𝑖))
𝑚
𝑖=1
(1) Keterangan:
S = himpunan kasus.
m = jumlah partisi S.
pi = proporsi dari Si terhadap S.
d. Menghitung nilai Entropy total atribut (Information Subset).
Berikut rumus perhitungan nilai Entropy total atribut (Information Subset) pada Persamaan (2):
𝐸𝑛𝑡𝑟𝑜𝑝𝑦𝐴(𝑆) = ∑ (|𝑆𝑖|
|𝑆|× 𝐸𝑛𝑡𝑟𝑜𝑝𝑦(𝑆))
𝑛
𝑖=1
(2) Keterangan:
S = himpunan kasus.
v = jumlah partisi S.
|Si| = jumlah kasus dalam partisi ke-j.
|S| = jumlah kasus dalam S.
e. Menghitung nilai Information Gain untuk masing-masing variabel.
Berikut rumus perhitungan nilai Information Gain pada Persamaan (3):
𝐼𝑛𝑓𝑜𝑟𝑚𝑎𝑡𝑖𝑜𝑛𝐺𝑎𝑖𝑛(𝑆, 𝐴) = 𝐸𝑛𝑡𝑟𝑜𝑝𝑦(𝑆) − 𝐸𝑛𝑡𝑟𝑜𝑝𝑦𝐴(𝑆)
(3) f. Menghitung nilai Gain Ratio.
Berikut rumus perhitungan nilai Gain Ratio pada Persamaan (4).
𝐺𝑎𝑖𝑛𝑅𝑎𝑡𝑖𝑜 =𝐼𝑛𝑓𝑜𝑟𝑚𝑎𝑡𝑖𝑜𝑛𝐺𝑎𝑖𝑛(𝑆, 𝐴)
∑𝑛𝑖=1𝐸𝑛𝑡𝑟𝑜𝑝𝑦(𝑆𝑖) (4)
g. Variabel yang memiliki nilai Gain Ratio tertinggi, maka dipilih menjadi root dan variabel yang memiliki nilai Gain Ratio lebih rendah dari root akan dipilih menjadi cabang (branches).
h. Mengulangi lagi langkah ke-1 sampai ke-5, tetapi nilai Gain Ratio tertinggi pada langkah sebelumnya tidak diikutsertakan.
i. Pada langkah ke-5 sudah memiliki root, maka variabel selanjutnya yang memiliki Gain Ratio tertinggi dipilih menjadi cabang (branches).
j. Terus mengulangi lagi langkah ke-1 sampai ke-5 sampai menghasilkan nilai Gain Ratio = 0 untuk semua variabel yang tersisa.
k. Membentuk pohon klasIfikasi, kemudian menghasilkan rules.
2.6 Confusion Matrix
Confusion matrix merupakan tabel matrix yang digunakan untuk pencatatan hasil kerja dari klasifikasi. Pada pengukuran kinerja menggunakan confusion matrix terdapat empat istilah, yaitu True Positive (TP), True Negative (TN), False Positive (FP), dan False Negative (FN) [15]. Selain itu terdapat confusion matrix dengan matrix 3×3 yang dapat disebut dengan multiclasses menggunakan variabel 0, 1, dan 2 dalam klasifikasi [16]. Confusion matrix dengan matrix 4×4 disebut juga model klasifikasi multiclasses. Proses pengerjaan seperti confusion matrix 2×2. Matrix yang digunakan berupa N×N dimana baris mewakili kelas sebenarnya dan kolom tersebut mewakili kelas yang diprediksi [17]. Confusion matrix 4×4 terdapat pada Tabel 1.
JURIKOM (Jurnal Riset Komputer), Vol. 9 No. 4, Agustus 2022 e-ISSN 2715-7393 (Media Online), p-ISSN 2407-389X (Media Cetak) DOI 10.30865/jurikom.v9i4.4632 Hal 1200−1209 http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom Tabel 1. Confusion Matrix 4×4
Confusion Matrix ClassIfied
0 1 2 3
Actual
0 +C00 −C01 −C02 −C03
1 −C10 +C11 −C12 −C13
2 −C20 −C21 +C22 −C23
3 −C30 −C31 −C32 +C33
Berdasarkan confusion matrix, maka dapat dihitung beberapa parameter kinerja sebagai berikut [18]:
a. Akurasi merupakan suatu pengukuran yang digunakan untuk mengukur keakuratan suatu metode yang digunakan untuk mengenali suatu objek, rumus akurasi pada Persamaan (5).
𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = 𝑇𝑃 + 𝑇𝑁
𝑇𝑃 + 𝐹𝑁 + 𝐹𝑃 + 𝑇𝑁× 100% (5)
b. Precision merupakan suatu sistem pengukuran untuk menghitung perulangan pengukuran, rumus precision pada Persamaan (6).
𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 = 𝑇𝑃
𝐹𝑃 + 𝑇𝑃× 100% (6)
c. Recall merupakan kemampuan sistem yang berhasil menentukan data, rumus recall pada Persamaan (7).
𝑅𝑒𝑐𝑎𝑙𝑙 = 𝑇𝑃
𝐹𝑁 + 𝑇𝑃× 100% (7)
d. Laju Error merupakan mengetahui tingkat ketidak akuratan sistem, rumus laju error pada Persamaan (8).
𝐿𝑎𝑗𝑢 𝐸𝑟𝑟𝑜𝑟 = 𝐹𝑃 + 𝐹𝑁
𝑇𝑃 + 𝐹𝑁 + 𝐹𝑃 + 𝑇𝑁× 100% (8)
Keterangan:
TP (True Positive) = jumlah data positif hasil awal yang sama menjadi hasil positif di hasil klasifikasi.
TN (True Negative) = jumlah data negatif hasil awal yang sama dengan hasil negatif klasifikasi.
FP (False Positive) = jumlah data negatif hasil awal yang berubah menjadi hasil positif di hasil klasifikasi.
FN (False Negative) = jumlah data positif hasil awal yang berubah menjadi hasil negatif klasifikasi.
3. HASIL DAN PEMBAHASAN
Data yang digunakan pada penelitian ini sebanyak 250 data. Variabel yang digunakan sebanyak 9 variabel. Variabel tersebut terdiri dari kesesuaian pelayanan, pemahaman prosedur, kecepatan pelayanan, biaya, standar pelayanan, kemampuan petugas, perilaku petugas, sarana prasarana, dan pengaduan pelayanan. Perbandingan tersebut menghasilkan keputusan Algoritma C5.0 berupa sangat baik, baik, dan kurang baik. Pohon keputusan yang dihasilkan terdapat perbedaan antara hasil keputusan manual dengan hasil sistem.
3.1 Data Kepuasan pelayanan
Data Kepuasan Pelayanan diambil menggunakan kuesioner survei. Data Kepuasan Pelayanan yang digunakan pada tahun 2021, yaitu dari Bulan Januari sampai Desember. Data latih dan uji akan disajikan dalam bentuk tabel dengan data pribadi pengisi kuesioner (responden) kepuasan pelayanan yang akan disimbolkan dengan R1, R2, R3, sampai dengan R250.
Berikut Data Kepuasan Pelayanan Tahun 2021 yang terdapat pada Tabel 2.
Tabel 2. Data Kepuasan Pelayanan Tahun 2021
No Responden Kesesuian Pelayanan
Pemahaman Prosedur
Kecepatan
Pelayanan Biaya Standar Pelayanan
Kemampuan Petugas
Perilaku Petugas
Sarana Prasarana
Pengaduan Pelayanan
Hasil Manual
1 R1 Sangat
Sesuai
Sesuai Sesuai Gratis Sesuai Kompeten Sopan dan Ramah
Baik Berfungsi Kurang maksimal
Baik
2 R2 Sangat
Sesuai
Sangat Sesuai Sangat Sesuai
Gratis Sangat Sesuai
Sangat Kompeten
Sangat Sopan dan
Ramah
Sangat Baik Dikelola dengan Baik
Sangat Baik
3 R3 Sangat
Sesuai
Sangat Sesuai Sesuai Gratis Sangat Sesuai
Sangat Kompeten
Sangat Sopan dan
Ramah
Sangat Baik Dikelola dengan Baik
Sangat Baik
… … … … … … … … … … … …
248 R248 Sangat Sesuai
Sangat Sesuai Sangat Sesuai
Gratis Sangat Sesuai
Sangat Kompeten
Sangat Sopan dan
Ramah
Sangat Baik Dikelola dengan Baik
Sangat Baik 249 R249 Sesuai Sangat Sesuai Sesuai Gratis Sangat
Sesuai
Kompeten Sopan dan Ramah
Baik Berfungsi Kurang maksimal
Baik
JURIKOM (Jurnal Riset Komputer), Vol. 9 No. 4, Agustus 2022 e-ISSN 2715-7393 (Media Online), p-ISSN 2407-389X (Media Cetak) DOI 10.30865/jurikom.v9i4.4632 Hal 1200−1209 http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom 250 R250 Sangat
Sesuai
Sesuai Sesuai Murah Sangat Sesuai
Kompeten Sopan dan Ramah
Baik Berfungsi Kurang maksimal
Baik
3.2 Hasil Perhitungan Algoritma C5.0
Perhitungan ini menggunakan perbandingan 70:30 untuk mengetahui node yang akan dihasilkan. Dari 250 data yang digunakan, maka didapatkan hasil data latih dan uji sebagai berikut:
𝐽𝑢𝑚𝑙𝑎ℎ 𝑑𝑎𝑡𝑎 𝑡𝑟𝑎𝑖𝑛𝑖𝑛𝑔 = 70% × 250 = 70
100× 250 = 175 data 𝐽𝑢𝑚𝑙𝑎ℎ 𝑑𝑎𝑡𝑎 𝑡𝑟𝑎𝑖𝑛𝑖𝑛𝑔 = 30% × 250 = 30
100× 250 = 75 data
Kemudian langkah-langkah perhitungan untuk menghasilkan pohon keputusan (decision tree) menggunakan Algoritma C5.0 sebagai berikut:
a. Menghitung jumlah data dan jumlah data dari setiap artibut/variabel yang digunakan. Perhitungan jumlah data tersebut terdapat pada Tabel 3.
Tabel 3. Jumlah Data Untuk Perhitungan Menggunakan Algoritma C5.0
No. Variabel Atribut Jumlah
Kasus
Kategori Pelayanan
Sangat Baik Baik Kurang Baik Tidak Baik
Total 175 130 30 15 0
1. kesesuaian_pelayanan
Sangat Sesuai 122 113 6 3 0
Sesuai 51 17 24 10 0
Kurang Sesuai 2 0 0 2 0
Tidak Sesuai 0 0 0 0 0
2. pemahaman_prosedur
Sangat Sesuai 121 106 10 5 0
Sesuai 53 24 20 9 0
Kurang Sesuai 1 0 0 1 0
Tidak Sesuai 0 0 0 0 0
3. kecepatan_pelayanan
Sangat Sesuai 124 112 5 7 0
Sesuai 47 17 25 5 0
Kurang Sesuai 4 1 0 3 0
Tidak Sesuai 0 0 0 0 0
4. biaya
Sangat Mahal 0 0 0 0 0
Cukup Mahal 0 0 0 0 0
Murah 24 15 4 5 0
Gratis 151 115 26 10 0
5. standar_pelayanan
Sangat Sesuai 123 114 8 1 0
Sesuai 46 16 22 8 0
Kurang Sesuai 6 0 0 6 0
Tidak Sesuai 0 0 0 0 0
6. kemampuan_petugas
Sangat Kompeten 119 113 6 0 0
Kompeten 49 17 24 8 0
Kurang Kompeten 7 0 0 7 0
Tidak Kompeten 0 0 0 0 0
7. perilaku_petugas
Sangat Sopan dan Ramah 126 119 6 1 0
Sopan dan Ramah 44 10 24 10 0
Kurang Sopan dan Ramah 5 1 0 4 0
Tidak Sopan dan Ramah 0 0 0 0 0
8. sarana_prasarana
Sangat Baik 130 120 5 5 0
Baik 36 9 23 4 0
Cukup 9 1 2 6 0
Tidak Baik 0 0 0 0 0
9. pengaduan_pelayanan
Dikelola dengan Baik 161 129 23 9 0
Berfungsi Kurang Maksimal 14 1 7 6 0
Ada Tetapi Tidak Berfungsi 0 0 0 0 0
Tidak Ada 0 0 0 0 0
JURIKOM (Jurnal Riset Komputer), Vol. 9 No. 4, Agustus 2022 e-ISSN 2715-7393 (Media Online), p-ISSN 2407-389X (Media Cetak) DOI 10.30865/jurikom.v9i4.4632 Hal 1200−1209 http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom b. Menghitung Entropy Total dengan menggunakan Persamaan (1).
𝐸𝑛𝑡𝑟𝑜𝑝𝑦(𝑡𝑜𝑡𝑎𝑙) = (−130
175𝑙𝑜𝑔2(130
175)) + (− 30
175𝑙𝑜𝑔2(30
175)) + (− 15
175𝑙𝑜𝑔2(15 175)) + 0 = 1,05853744
c. Menghitung Entropy pada masing-masing atribut menggunakan Persaman (1).
Perhitungan yang dilakukan adalah perhitungan Entropy dari atribut kesesuaian_pelayanan.
𝐸𝑛𝑡𝑟𝑜𝑝𝑦(𝑠𝑎𝑛𝑔𝑎𝑡 𝑠𝑒𝑠𝑢𝑎𝑖) = (−113
122𝑙𝑜𝑔2(113
122)) + (− 6
122𝑙𝑜𝑔2( 6
122)) + (− 3
122𝑙𝑜𝑔2( 3
122)) + 0 = 0,4475825404
𝐸𝑛𝑡𝑟𝑜𝑝𝑦(𝑠𝑒𝑠𝑢𝑎𝑖) = (−17
51𝑙𝑜𝑔2(17
51)) + (−24
51𝑙𝑜𝑔2(24
51)) + (−10
51𝑙𝑜𝑔2(10 51)) + 0 = 1,500949866
𝐸𝑛𝑡𝑟𝑜𝑝𝑦(𝑘𝑢𝑟𝑎𝑛𝑔 𝑠𝑒𝑠𝑢𝑎𝑖) = 0 + 0 + (−2 2𝑙𝑜𝑔2(2
2)) + 0 = 0 𝐸𝑛𝑡𝑟𝑜𝑝𝑦(𝑡𝑖𝑑𝑎𝑘 𝑠𝑒𝑠𝑢𝑎𝑖) = 0
d. Menghitung Information Subset menggunakan Persamaan (2).
Perhitungan yang dilakukan adalah perhitungan Information Subset dari atribut kesesuaian_pelayanan.
𝐸𝑛𝑡𝑟𝑜𝑝𝑦𝐴(𝑘𝑒𝑠𝑒𝑠𝑢𝑎𝑖𝑎𝑛_𝑝𝑒𝑙𝑎𝑦𝑎𝑛𝑎𝑛) = (122
175× 0,4475825404) + (51
175× 1,500949866) + ( 2
175× 0) + (0) = 0,7494486463
e. Menghitung Information Gain menggunakan Persamaan (3).
Perhitungan yang dilakukan adalah perhitungan Information Gain dari atribut kesesuaian_pelayanan.
𝐼𝑛𝑓𝑜𝑟𝑚𝑎𝑡𝑖𝑜𝑛𝐺𝑎𝑖𝑛(𝑘𝑒𝑠𝑒𝑠𝑢𝑎𝑖𝑎𝑛_𝑝𝑒𝑙𝑎𝑦𝑎𝑛𝑎𝑛) = 1,05853744 − 0,74944486463 = 0,3090887937 f. Menghitung Gain Ratio menggunakan Persamaan (4).
Perhitungan yang dilakukan adalah perhitungan Gain Ratio dari atribut kesesuaian_pelayanan.
𝐺𝑎𝑖𝑛 𝑅𝑎𝑡𝑖𝑜(𝑘𝑒𝑠𝑒𝑠𝑢𝑎𝑖𝑎𝑛_𝑝𝑒𝑙𝑎𝑦𝑎𝑛𝑎𝑛) = 0,3090887937
0,4475825404 + 1,500949866 + 0 + 0= 0,1586264579 Perhitungan menggunakan Persamaan (1) hingga Persamaan (4) terus diulangi untuk menghasilkan node akar yang didapatkan dari nilai Gain Ratio tertinggi. Dari 9 variabel yang digunakan akan menghasilkan Gain Ratio yang tertinggi. Gain Ratio tertinggi tersebut akan digunakan untuk menghitung node cabang selanjutnya. Hasil perhitungan node 1 (node akar) terdapat pada Tabel 4.
Tabel 4. Perhitungan Node 1 (Node Akar)
No Variabel Atribut Jumlah Kasus
Kategori Pelayanan
Entropy
Infor- Mation
Subset
Infor- mation
Gain
Gain Ratio Sangat
Baik Baik Kurang Baik
Tidak Baik
Total 175 130 30 15 0 1,058537
44 1. kesesuaian_
pelayanan Sangat Sesuai
122 113 6 3 0 0,447582
5404
0,749448 6463
0,309088 7937
0,1586 264579 Sesuai
51 17 24 10 0 1,500949
866 Kurang
Sesuai 2 0 0 2 0 0
Tidak Sesuai 0 0 0 0 0 0
2. pemahaman_
prosedur Sangat Sesuai 121 106 10 5 0 0,654495
5546
0,901524 3387
0,157013 1013
0,0734 735685 3
Sesuai 53 24 20 9 0 1,482505
607 Kurang
Sesuai
1 0 0 1 0 0
Tidak Sesuai 0 0 0 0 0 0
3. kecepatan_
pelayanan Sangat Sesuai 124 112 5 7 0 0,553511
8249
0,775733 3788
0,282804 0612
0,1038 276046
JURIKOM (Jurnal Riset Komputer), Vol. 9 No. 4, Agustus 2022 e-ISSN 2715-7393 (Media Online), p-ISSN 2407-389X (Media Cetak) DOI 10.30865/jurikom.v9i4.4632 Hal 1200−1209 http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom
Sesuai 47 17 25 5 0 1,358994
947 Kurang
Sesuai
4 1 0 3 0 0,811278
1245
Tidak Sesuai 0 0 0 0 0 0
4. biaya
Sangat Mahal 0 0 0 0 0 0
1,040932 267
0,017605 17282
0,0075 398176 63
Cukup Mahal 0 0 0 0 0 0
Murah 24 15 4 5 0 1,326087
525
Gratis 151 115 26 10 0 0,995609
5772 5. standar_
pelayanan Sangat Sesuai 123 114 8 1 0 0,414470
102
0,679749 5823
0,378787 8577
0,2001 82046
Sesuai 46 16 22 8 0 1,477746
834 Kurang
Sesuai
6 0 0 6 0 0
Tidak Sesuai 0 0 0 0 0 0
6. kemampuan_
petugas Sangat Kompeten
119 113 6 0 0
0,288179 1267
0,605075 0293
0,453462 4107
0,2592 253964
Kompeten 49 17 24 8 0
Kurang Kompeten
7 0 0 7 0
Tidak Kompeten
0 0 0 0 0
7. perilaku_
petugas Sangat Sopan dan Ramah
126 119 6 1 0
0,631378 0075
0,427159 4325
0,169985 4311
0,6313 780075 Sopan dan
Ramah
44 10 24 10 0
Kurang Sopan dan Ramah
5 1 0 4 0
Tidak Sopan dan Ramah
0 0 0 0 0
Sangat Sopan dan Ramah
126 119 6 1 0
8. sarana_
prasarana Sangat Baik 130 120 5 5 0
0,671012 9333
0,387524 5067
0,131020 9583
0,6710 129333
Baik 36 9 23 4 0
Cukup 9 1 2 6 0
Tidak Baik 0 0 0 0 0
9. pengaduan_
peayanan Dikelola dengan Baik
161 129 23 9 0
0,922284 3478
0,136253 0922
0,062340 19324
0,9222 843478 Berfungsi
Kurang Maksimal
14 1 7 6 0
Ada Tetapi Tidak Berfungsi
0 0 0 0 0
Tidak Ada 0 0 0 0 0
Berdasarkan Tabel 4 bahwa variabel yang memiliki nilai Gain Ratio tertinggi adalah kemampuan_petugas dengan nilai Gain Ratio sebesar 0,2592253964 sehingga variabel tersebut menjadi node akar (node 1). Selanjutnya, terdapat cabang untuk node 1, yaitu sangat kompeten, kompeten, dan kurang kompeten. Variabel kemampuan_petugas terdapat dua cabang yang masih dilakukan perhitungan kembali untuk menghasilkan klasIfikasi keputusan, yaitu node 2 dan node 3. Node 4 disebut dengan node terminal dengan nilai kurang kompeten sudah menghasilkan klasIfikasi, yaitu kurang baik. Dari Tabel 4 tersebut menghasilkan node 1 seperti pada Gambar 1.
Gambar 2. Pohon Keputusan Node 1
JURIKOM (Jurnal Riset Komputer), Vol. 9 No. 4, Agustus 2022 e-ISSN 2715-7393 (Media Online), p-ISSN 2407-389X (Media Cetak) DOI 10.30865/jurikom.v9i4.4632 Hal 1200−1209 http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom Perhitungan node cabang atau node 2 menggunakan data nilai (value) sangat kompeten dan node 3 menggunakan data nilai kompeten yang terdapat pada variabel kemampuan_petugas yang akan menjadi data total. Perhitungan node 2 dan node 3 menggunakan delapan variabel, karena variabel dengan nilai Gain Ratio tertinggi tidak dihitung kembali.
Kemudian mendapatkan perhitungan Entropy, Information Subset, Information Gain, dan Gain Ratio pada setiap atribut selanjutnya. Perhitungan node 2 dan node 3 dihasilkan, maka akan melakukan perhitungan lagi hingga node cabang tersebut hanya menghasilkan node terminal. Setelah perhitungan untuk menghasilkan node dilakukan, maka akan menghasilkan pohon keputusan keseluruhan seperti pada Gambar 2.
Gambar 3. Pohon Keputusan Keseluruhan
Proses perhitungan pada semua variabel sudah mendapatkan pohon keputusan dan menghasilkan keputusan.
Setelah terbentuk pohon keputusan tersebut, maka dapat disimpulkan aturan (rules) sebagai berikut.
a. If kemampuan_petugas= sangat kompeten, and standar_pelayanan= sangat sesuai, and perilaku_petugas= sangat sopan dan ramah, then hasil= sangat baik.
b. If kemampuan_petugas= sangat kompeten, and standar_pelayanan= sangat sesuai, and perilaku_petugas= sopan dan ramah, and pemahaman_prosedur= sangat sesuai, then hasil= sangat baik.
c. If kemampuan_petugas= sangat kompeten, and standar_pelayanan= sangat sesuai, and perilaku_petugas= sopan dan ramah, and pemahaman_prosedur= sesuai, then hasil= sangat baik.
d. If kemampuan_petugas= sangat kompeten, and standar_pelayanan= sangat sesuai, and perilaku_petugas= kurang sopan dan ramah, then hasil= sangat baik.
e. If kemampuan_petugas= sangat kompeten, and standar_pelayanan= sesuai, and sarana_prasarana= sangat baik, and biaya= murah, and kesesuaian_pelayanan= sangat sesuai, and pemahaman_prosedur= sangat sesuai, then hasil=
sangat baik.
f. If kemampuan_petugas= sangat kompeten, and standar_pelayanan= sesuai, and sarana_prasarana= sangat baik, and biaya= murah, and kesesuaian_pelayanan= sangat sesuai, and pemahaman_prosedur= sesuai, then hasil= sangat baik.
g. If kemampuan_petugas= sangat kompeten, and standar_pelayanan= sesuai, and sarana_prasarana= sangat baik, and biaya= murah, and kesesuaian_pelayanan= sesuai, then hasil= baik.
h. If kemampuan_petugas= sangat kompeten, and standar_pelayanan= sesuai, and sarana_prasarana= sangat baik, and biaya= gratis, then hasil= sangat baik.
i. If kemampuan_petugas= sangat kompeten, and standar_pelayanan= sesuai, and sarana_prasarana= baik, and kesesuaian_pelayanan= sangat sesuai, and pemahaman_prosedur= sangat sesuai, and biaya= murah, then hasil=
sangat baik.
j. If kemampuan_petugas= sangat kompeten, and standar_pelayanan= sesuai, and sarana_prasarana= baik, and kesesuaian_pelayanan= sangat sesuai, and pemahaman_prosedur= sangat sesuai, and biaya= gratis, then hasil= sangat baik.
k. If kemampuan_petugas= sangat kompeten, and standar_pelayanan= sesuai, and sarana_prasarana= baik, and kesesuaian_pelayanan= sangat sesuai, and pemahaman_prosedur= sesuai, then hasil= sangat baik.
l. If kemampuan_petugas= sangat kompeten, and standar_pelayanan= sesuai, and sarana_prasarana= baik, and kesesuaian_pelayanan= sesuai, then hasil= baik.
m. If kemampuan_petugas= sangat kompeten, and standar_pelayanan= sesuai, and sarana_prasarana= cukup, then hasil=
baik.
JURIKOM (Jurnal Riset Komputer), Vol. 9 No. 4, Agustus 2022 e-ISSN 2715-7393 (Media Online), p-ISSN 2407-389X (Media Cetak) DOI 10.30865/jurikom.v9i4.4632 Hal 1200−1209 http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom n. If kemampuan_petugas= kompeten, and kecepatan_pelayanan= sangat sesuai, and kesesuaian_pelayanan= sangat
sesuai, then hasil= sangat baik.
o. If kemampuan_petugas= kompeten, and kecepatan_pelayanan= sangat sesuai, and kesesuaian_pelayanan= sesuai, and perilaku_petugas= sangat sopan dan ramah, then hasil= sangat baik.
p. If kemampuan_petugas= kompeten, and kecepatan_pelayanan= sangat sesuai, and kesesuaian_pelayanan= sesuai, and perilaku_petugas= sopan dan ramah, then hasil= sangat baik.
q. If kemampuan_petugas= kompeten, and kecepatan_pelayanan= sesuai, and perilaku_petugas= sangat sopan dan ramah, and kesesuaian_pelayanan= sesuai, then hasil= baik.
r. If kemampuan_petugas= kompeten, and kecepatan_pelayanan= sesuai, and perilaku_petugas= sangat sopan dan ramah, and kesesuaian_pelayanan= sangat sesuai, then hasil= sangat baik.
s. If kemampuan_petugas= kompeten, and kecepatan_pelayanan= sesuai, and perilaku_petugas= sopan dan ramah, and pengaduan_pelayanan= dikelola dengan baik, then hasil= baik.
t. If kemampuan_petugas= kompeten, and kecepatan_pelayanan= sesuai, and perilaku_petugas= sopan dan ramah, and pengaduan_pelayanan= berfungsi kurang maksimal, and sarana_prasarana= baik, and pemahaman_prosedur= sangat sesuai, then hasil= baik.
u. If kemampuan_petugas= kompeten, and kecepatan_pelayanan= sesuai, and perilaku_petugas= sopan dan ramah, and pengaduan_pelayanan= berfungsi kurang maksimal, and sarana_prasarana= baik, and pemahaman_prosedur= sesuai, and kesesuaian_pelayanan= sangat sesuai, then hasil= baik.
v. If kemampuan_petugas= kompeten, and kecepatan_pelayanan= sesuai, and perilaku_petugas= sopan dan ramah, and pengaduan_pelayanan= berfungsi kurang maksimal, and sarana_prasarana= baik, and pemahaman_prosedur= sesuai, and kesesuaian_pelayanan= sesuai, then hasil= sangat baik.
w. If kemampuan_petugas= kompeten, and kecepatan_pelayanan= sesuai, and perilaku_petugas= sopan dan ramah, and pengaduan_pelayanan= berfungsi kurang maksimal, and sarana_prasarana= cukup, then hasil= sangat baik.
x. If kemampuan_petugas= kompeten, and kecepatan_pelayanan= sesuai, and perilaku_petugas= kurang sopan dan ramah, then hasil= sangat baik.
y. If kemampuan_petugas= kompeten, and kecepatan_pelayanan= kurang sesuai, and pemahaman_prosedur= sesuai, then hasil= sangat baik.
z. If kemampuan_petugas= kompeten, and kecepatan_pelayanan= kurang sesuai, and pemahaman_prosedur= kurang sesuai, then hasil= sangat baik.
aa. If kemampuan_petugas= kurang kompeten, then hasil= kurang baik.
3.3 Hasil Pengujian Confusion Matrix
Setelah proses pelatihan dilakukan, proses pengujian menggunakan confusion matrix dengan menggunakan perbandingan hasil manual yang didapat dengan hasil sistem yang dihasilkan oleh Algoritma C5.0. Data yang digunakan untuk pengujian mengunakan Algoritma C5.0 sebanyak 75 data. Pengujian ini dilakukan untuk menghasilkan nilai akurasi, recall, precision, dan laju error. Berdasakan hasil yang diperoleh terdapat beberapa perbedaan hasil manual dengan hasil sistem pada perbandingan 70:30, maka didapatkan nilai TP, TN, FP, dan FN untuk melakukan perhitungan menggunakan confusion matrix. Confusion matrix yang digunakan adalah matrix 4×4 seperti Tabel 5 sebagai berikut:
Tabel 5. Nilai TP, TN, FP, dan FN untuk Pengujian Perbandingan 70:30
Perbandingan 70:30 Classified
Sangat Baik Baik Kurang Baik Tidak Baik
Actual
Sangat Baik 50 2 0 0
Baik 1 16 0 0
Kurang Baik 1 3 2 0
Tidak Baik 0 0 0 0
Berdasarkan Tabel 5, maka didapatkan akurasi, precision, recall, dan laju error sebagai berikut:
Akurasi = 50 + 16 + 2 + 0
50 + 2 + 0 + 0 + 1 + 16 + 0 + 0 + 1 + 3 + 2 + 0 + 0 + 0 + 0 + 0
× 100% = 90,67%
𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 =
(( 50
1 + 1 + 0 + 50× 100%) + ( 16
2 + 3 + 0 + 16× 100%) + ( 2
0 + 0 + 0 + 2× 100%) + 0)
4 = 68,085%
𝑅𝑒𝑐𝑎𝑙𝑙𝑟𝑎𝑡𝑎−𝑟𝑎𝑡𝑎=
(( 50
2 + 0 + 0 + 50× 100%) + ( 16
1 + 0 + 0 + 16× 100%) + ( 2
1 + 3 + 0 + 2) + 0)
4 = 55,89%
𝐿𝑎𝑗𝑢 𝐸𝑟𝑟𝑜𝑟 =
2 + 0 + 0 + 1 + 0 + 0 + 1 + 3 + 0 + 0 + 0 + 0 + 0 50 + 2 + 0 + 0 + 1 + 16 + 0 + 0 +
1 + 3 + 2 + 0 + 0 + 0 + 0 + 0
× 100% = 9,33%
JURIKOM (Jurnal Riset Komputer), Vol. 9 No. 4, Agustus 2022 e-ISSN 2715-7393 (Media Online), p-ISSN 2407-389X (Media Cetak) DOI 10.30865/jurikom.v9i4.4632 Hal 1200−1209 http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom Pengujian menggunakan confusion matrix tidak hanya menggunakan perbandingan 70:30 tetapi juga dapat menghasilkan perbandingan 80:20 dan 90:10. Data kepuasan pelayanan menghasilkan hasil sistem dari rules yang telah dihasilkan. Maka, hasil pengujian data uji dari ketiga perbandingan tersebut pada Tabel 6 sebagai berikut:
Tabel 6. Hasil Pengujian Menggunakan Confusion Matrix
No. Data Latih Data Uji Akurasi (%) Precision (%) Recall (%) Laju Error (%)
1. 175 75 90,67 68,085 55,89 9,33
2. 200 50 86 66,71 68,18 14
3. 225 25 84 41,66 41,66 16
4. KESIMPULAN
Berdasarkan hasil keseluruhan penelitian yang dilakukan, terdapat unsur penilaian yang paling berpengaruh terhadap kepuasan masyarakat terhadap pelayanan menggunakan Algoritma C5.0 adalah kemampuan petugas. Unsur tersebut didapatkan dari node tertinggi (node akar) pohon keputusan Algoritma C5.0. Kemudian hasil pengujian yang dilakukan menggunakan confusion matrix terdapat tiga akurasi dengan besar akurasi yang berbeda. Hal tersebut disebabkan oleh data latih dan uji yang digunakan berbeda. Akurasi dengan nilai tertinggi menggunakan data latih sebanyak 175 data dan data uji sebanyak 75 data menghasilkan akurasi sebesar 90,67% yang dilakukan saat pengujian.
REFERENCES
[1] I. N. Sulistyo and Sotya Partiwi Ediwijoyo, “Analisis Kepuasan Masyarakat Terhadap Pelayanan Publik Berdasarkan Indeks Kepuasan Masyarakat di Kantor Kecamatan Ayah Kabupaten Kebumen,” J. E-Bis, vol. 4, no. 2, pp. 276–286, 2020, doi:
10.37339/e-bis.v4i2.386.
[2] Aslinda, “Survei Kepuasan Masyarakat Terhadap Pelayanan,” 2020.
[3] A. Reseal, J. E. Kaawoan, and F. N. Pangemanan, “Disiplin Pegawai Dalam Meningkatkan Kualitas Pelayanan Publik di Kantor Kecamatan Tikala,” Disiplin Pegawai Dalam Meningkat. Kualitas Pelayanan Publik di Kant. Kec. Tikala, vol. 1, no. 1, p. 4, 2021.
[4] P. W. Kastawan, D. M. Wiharta, and M. Sudarma, “Implementasi Algoritma C5.0 pada Penilaian Kinerja Pegawai Negeri Sipil,”
Maj. Ilm. Teknol. Elektro, vol. 17, no. 3, p. 371, 2018, doi: 10.24843/mite.2018.v17i03.p11.
[5] G. Muhammad Siddik, Hendri, Ramalia Noratama Putri, Yenny Desnelita, “Klasifikasi Kepuasan Mahasiswa Terhadap Pelayanan Perguruan Tinggi Menggunakan Algoritma Naïve Bayes,” J. Inf. Technol. Comput. Sci., vol. 3, no. 2, pp. 162–166, 2020, [Online]. Available: [email protected]
[6] S. Nurhaningsih, Y. Susanti, and S. S. Handajani, “Implementasi Algoritma C5.0 Untuk Klasifikas Penyakit Gagal Ginjal Kronik,” INTEK J. Inform. dan Teknol. Inf., vol. 2, no. 1, pp. 26–31, 2019, doi: 10.37729/intek.v2i1.89.
[7] E. S. Pribadi, P. Poningsih, and H. S. Tambunan, “Analisa Tingkat Kepuasan Masyarakat Terhadap Pelayanan Pengadilan Agama Pematangsiantar Menggunakan Algoritma C4.5,” Brahmana J. Penerapan Kecerdasan Buatan, vol. 2, no. 1, pp. 33–40, 2020, doi: 10.30645/brahmana.v2i1.46.
[8] U. U. S. dan I. E. Mustika, Y. Ardilla, A. Manuhutu, N. Ahmad, I. Hasbi, G. M. A. Manuhutu, M. Ridwan, H. A. K. Wardhani, S. Alim, I. Romli, Y. Religia, D. T. Octafian, DATA MINING DAN APLIKASINYA. 2021.
[9] B. M. Werdiningsih, Indah; Nuqoba, Data Mining Menggunakan Android, Weka, dan Spss. 2020.
[10] Y. A. Adinugroho, Sigit; Sari, Implementasi Data Mining Menggunakan WEKA, Terbitan P. Malang: UB Press, 2018.
[11] M. Z. Deny Jollyta, William Ramdhan, Konsep Data Mining Dan Penerapan. Yogyakarta: Deepublish, 2020.
[12] F. Itiqomah, Y. Susanti, and E. Zukhronah, “Klasifikasi Status Kredit Nasabah Bmt Menggunakan,” Klarifikasi Status Kredit Nasabah Bmt Menggunakan Algoritm. C5.0, vol. 0, pp. 73–78, 2019.
[13] B. Lantz, Machine Learning with R: Expert techniques for predictive modeling, 3rd Edition, no. 4. 2019.
[14] M. Kantardzic, Data Mining: Concepts, Models, Methods, and Algorithms, Third Edit. New Jersey: Wiley, 2020.
[15] A. I. S. . Z. Santoso, Budy; Azis, Machine Learning & Reasoning Fuzzy Logic Algoritma, Manual, Matlab, & Rapid Miner.
Yogyakarta: Deepublish, 2020.
[16] C. Desai, “Journal of Critical Reviews Classification of Orthopedic Patients Based on Biochemical Features Using Machine Learning Algorithms,” vol. 7, no. December, p. 2020, 2020, doi: 10.31838/jcr.07.18.449.
[17] A. Mishra, No TitMachine Learning in the AWS Cloud: Add Intelligence to Applications with Amazon SageMaker and Amazon Rekognitionle. 2019.
[18] A. J. Larner, Introduction. 2009. doi: 10.1017/cbo9780511545009.001.
