PENERAPAN DATA MINING UNTUK MENENTUKAN PEMBERIAN BANTUAN KELOMPOK TANI MENGGUNAKAN ALGORITMA C.50 PADA DINAS
PERKEBUNAN SUMATERA UTARA
Saut Parsaoran Tamba1), Jodi Daniel Pransisko Manalu2), Villa Delfya Sarumaha3), Erika Girsang4), Verli Vernando S. Colia5), Putra Edi Mujahid6)
1-6Fakultas Sains dan Teknologi, Universitas Prima Indonesia
email: [email protected], [email protected], [email protected], [email protected], [email protected], [email protected]
Abstract
The Plantation Service is an implementing element of the regional autonomy of the Provincial Government led by a head of service who is domiciled under and responsible to the governor through the regional secretary. The duties of the plantation office include carrying out the function of formulating policies in the fields of plantation production, plantation protection, farming, plantation business facilities, licensing implementation, guidance, assistance in the plantation sector. The plantation office is ready to grow young agricultural entrepreneurs by providing business capital assistance to the community and farmer groups every year. With the existence of farmer group capital assistance, it will create more young farmers who will change the image of farmers, farmer group assistance is one of the activities in order to realize the regeneration of farmers designed for the development, skills, and entrepreneurial spirit of the younger generation in agriculture. problems that occur in providing farmer group assistance, one of which is still the provision of assistance that is not on target, causing the provision of assistance not to people who need help, so that the utilization of this assistance is not optimal. In addition, the provision of assistance is done manually, making it less efficient in any way. To overcome these problems, a system is needed that can help assess real and objective prospective beneficiaries. This assessment uses calculations based on the criteria for prospective beneficiaries with the highest ranking system. In this system, the calculation is done using datamining with the C5.0 algorithm. In testing the methods and algorithms in this study, it produces a decision tree with the first root of information and technology services, then the next root is bookkeeping administration, then the last rood is routine meetings. With the root, researchers can decide which farmer groups receive assistance. the results of the decision tree are implemented into the RStudio programming language.
Keywords: Plantation, Datamining, C5.0, Decision Tree, RStudio.
1. PENDAHULUAN
Dinas Perkebunan merupakan bagian dari Pemerintah Provinsi yang bertanggung jawab dalam melaksanakan urusan pemerintahan di bidang perkebunan. Dinas ini dipimpin oleh Kepala Dinas yang bertanggung jawab kepada Gubernur melalui Sekretaris Daerah. Tugas Dinas Perkebunan meliputi produksi perkebunan, perlindungan perkebunan, usaha tani perkebunan, sarana usaha perkebunan, dan tugas pembantuan. Untuk menjalankan tugasnya, Dinas Perkebunan melaksanakan fungsi perumusan kebijakan, penyelenggaraan urusan pemerintahan dan pelayanan umum, pemberian perizinan, pembinaan, pelaksanaan
tugas pembantuan, pelayanan administrasi, dan tugas lain yang diberikan oleh Gubernur sesuai dengan fungsinya.
Dalam upaya mendorong generasi muda menjadi wirausahawan pertanian, Dinas Perkebunan memberikan bantuan modal usaha kepada masyarakat dan kelompok tani setiap tahun. Bantuan ini bertujuan untuk mendorong generasi muda menjadi agripreneur atau pengusaha muda di sektor pertanian melalui program bantuan kelompok tani perkebunan.
Bantuan modal kepada kelompok tani akan menciptakan lebih banyak petani muda dan membantu mengubah citra petani. Program bantuan kelompok tani perkebunan merupakan
salah satu kegiatan Dinas Perkebunan Sumatera Utara yang bertujuan untuk menyadarkan, menumbuhkan, mengembangkan, dan memberdayakan minat, keterampilan, dan jiwa kewirausahaan generasi muda di bidang pertanian. Selain itu, program ini juga bertujuan untuk mengembangkan peluang bisnis bagi lulusan dan mendorong pertumbuhan kapasitas lembaga pendidikan pertanian sebagai pusat pengembangan agripreneur berbasis inovasi agribisnis.
Salah satu masalah yang dihadapi dalam pemberian bantuan kelompok tani perkebunan adalah ketidaktepatan sasaran bantuan, yang mengakibatkan bantuan tidak tepat bagi mereka yang membutuhkan modal usaha dan kurang optimalnya pemanfaatan bantuan tersebut.
Selain itu, proses pemberian bantuan dilakukan secara manual, sehingga tidak efisien dari segi waktu.
Untuk mengatasi masalah tersebut, diperlukan suatu sistem yang dapat membantu dalam melakukan penilaian yang objektif terhadap calon kelompok tani penerima bantuan.
Sistem ini menggunakan perhitungan berdasarkan variabel-variabel calon penerima bantuan dengan metode perankingan. Dalam sistem ini, digunakan teknik data mining dengan menggunakan Algoritma C5.0.
Data mining merupakan serangkaian proses untuk menggali nilai tambah dari kumpulan data yang belum diketahui secara manual, dengan tujuan memperoleh pengetahuan yang berguna [1], [2]–[9]. Data Mining memecahkan masalah dengan menganalisis data yang telah ada dalam database sehingga menghasilkan keputusan [10], [11]. Data Mining adalah merupakan proses menemukan pengetahuan yang menarik, seperti asosiasi, pola, perubahan, struktur signifikan dan anomali, dari sejumlah besar data yang disimpan dalam database atau gudang data atau repositori informasi lainnya [12], [13]. Data Mining proses yang memperkerjakan satu atau lebih teknik pembelajaran komputer (machine learning) untuk menganalisa dan mengekstraksi pengetahuan (knowledge) secara otomatis [14].
Dalam mempermudah proses analisis data dalam data mining maka di gunakan Metode Decision Tree. Decision Tree digunakan untuk mempelajari klasifikasi dan prediksi pola dari data dan menggambarkan relasi dari variabel atribut x dan variabel target y dalam bentuk pohon [15], [16]. Decision Tree suatu proses yang bisa menentukan beberapa model dengan kelas-kelas yang dipisahkan dan digunakan untuk pembeda antar tiap kelasnya [17].
Decision Tree sebuah metode machine learning dengan kemampuan digunakan untuk membuat sebuah keputusan yang divisualisasikan dalam bentuk pohon keputusan[18], [12]. Metode decision tree mengubah fakta yang sangat besar menjadi pohon keputusan yang mempresentasikan aturan. Aturan dapat dengan mudah dipahami dengan bahasa alam [13].
Algoritma yang digunakan ialah algoritma C5.0. Algoritma C5.0 merupakan penyempurnaan dari algoritma ID3 dan C4.5.
Dalam proses pembentukan pohon keputusan nilai informasi gain tertinggi akan terpilih sebagai root bagi node selanjutnya. [21], [22].
Meskipun terus dikembangkan, algoritma C5.0 tetap diakui sebagai algoritma yang sangat bermanfaat untuk melakukan klasifikasi data.
Algoritma ini memungkinkan pengguna untuk mendapatkan karakteristik data yang telah diklasifikasikan dengan jelas, baik dalam bentuk struktur pohon keputusan maupun aturan if-then.
Kejelasan ini memudahkan pengguna dalam menggali informasi yang terkait dengan data tersebut. Algoritma C5.0 dapat membantu mengolah data dalam mengambil suatu keputusan dengan cara klasifikasi. Algoritma tersebut memberikan tingkat akurasi yang besar.
Selain itu pada penelitian lain algoritma tersebut banyak di gunakan dalam kelayakan penerima keringanan UKT mahasiswa [23], kelulusan peserta ujian, kemahiran berbahasa Indonesia [24], serta mengetahui pola kepuasan mahasiswa di masa pembelajaran daring [25].
Selain menggunakan algoritma C5.0 dalam penelitian lainnya juga menerapkan bantuan kelompok tani menggunakan metode Profile Matching pada sistem pendukung
keputusan, dari penelitian tersebut algoritma yang di gunakan cenderung banyak dalam bidang akademik. Dalam penelitian dengan penelitian sebelumnya yang membedakan ialah lokasi penelitian dan sumber data yang di gunakan. Maka permasalahan yang akan dibahas yaitu pemberian bantuan kepada kelompok tani berupa bibit tanaman. Bibit tanaman yang akan di berikan kepada kelompok tani ialah bibit yang unggul, pemberian bantuan bibit kepada kelompok tani berdasarkan klasifikasi perhitungan algoritma C5.0. bibit yang di berikan sesuai kebutuhan di daerah masing- masing di Dinas Perkebunan Sumatera Utara.
2. METODE PENELITIAN
Penelitian ini dilakukan pada Dinas Perkebunan Sumatera Utara Jalan Jenderal Besar Dr. Abdul Haris Nasution No. 24 Medan. Data penelitian yang digunakan adalah data kelompok tani yang terdaftar 5 tahun terakhir pada Dinas Perkebunan Sumatera Utara. Adapun variable yang di gunakan sebanyak 9 variabel berikut ini variabel yang digunakan.
Tabel 1 Variabel
No Variabel
1 Struktur Organisasi
2 Aturan dan Norma
3 Administrasi Pembukuan
4 Pertemuan Rutin
5 Pelaksanaan Belajar
6 Melaksanakan Usaha
7 Penumpukan Modal
8 Pelayanan Informasi dan Teknologi 9 Evaluasi Usaha Kelompok
Data yang diperoleh saat melaksanakan penelitian sebanyak 300 data, namun data sampel yang digunakan dalam melakukan tes sebanyak 29 data.
Rancangan penelitian dengan melakukan sebuah pengamatan, selanjutnya mengumpulkan data, setelah itu data tersebut dimasukan ke
Microsoft Excel kemudian data diolah melalui perhitungan dan langkah-langkah algoritma C5.0. hasil perhitungan tersebut diimplementasikan ke bahasa pemrograman RStudio. Berikut ini perancangan penelitian yang di lakukan.
Gambar 1. Rancangan Penelitian 3. HASIL DAN PEMBAHASAN
Sebagai mana telah di jelaskan sebelumnya bahwa Dinas Perkebunan Pemerintah Provinsi Sumatera Utara sudah memberi bantuan kepada kelompok tani yang tidak tepat sasaran, salah satu penyebabnya ialah penilaian bantuan kelompok tani tidak terpenuhi dan kurangnya pengetahuan. Pemberian bantuan kelompok tani dinilai berdasarkan beberapa variabel dan variabel sebagai berikut :
1. Variabel Kelompok Tani Tabel 2.Variabel
No Variabel
1 Struktur Organisasi
2 Aturan dan Norma
3 Administrasi Pembukuan
4 Pertemuan Rutin
5 Pelaksanaan Belajar
6 Melaksanakan Usaha
7 Penumpukan Modal
8 Pelayanan Informasi dan Teknologi Identifikasi Masalah
Analisa Masalah Studi Pustaka Pengumpulan Data
Mengolah Data Menguji Data
9 Evaluasi Usaha Kelompok 2. Sub Variabel
Setiap variabel memiliki sub variabel yang digunakan sebagai batasan dalam pemberian nilai:
Tabel 3. Sub Variabel
Kode Variabel Bobot
Nilai
Range
SO StrukturOrganisasi
0-45 Pemul a (P) 46-75 Madya
(M) 76-100 Utama
(U)
AN AturandanNorma
0-45 Cukup Baik (CB) 46-75 Baik (B) 76-100 Sangat
Baik (SB)
AP AdminitrasiPembuk uan
0-45 Cukup Baik 46-75 Baik 76-100 Sangat
Baik
PR PertemuanRutin
0-50 Malas (MS) 51-100 Rajin (R) PB PelaksanaanBelajar
0-50 Malas 51-100 Rajin
MU MelaksanakanUsaha
0-45 Cukup Baik 46-75 Baik 76-100 Sangat
Baik PM PenumpukanModal
0-50 Baik 51-100 Sangat
Kode Variabel Bobot
Nilai
Range
Baik
PIT
PelayananInformasi dan
Teknologi
0-50 Baik 51-100 Sangat
Baik
EUK Evaluasi UsahaKelompok
0-45 Cukup Baik 46-75 Baik 76-100 Sangat
Baik
3. Sampel Data
Dengan menerapkan algoritma C5.0 dapat membantu Dinas perkebunan dalam menentukan klasifikasi bantuan kepada kelompok tani yang tepat sasaran. 29 sampel data yang digunakan dalam menentukan klasifikasi bantuan kelompok tani. Berikut ini adalah sample data kelompok tani Dinas Pertanian Provinsi Sumatera Utara.
Tabel 4. Sample Data Kelompok Tani No
Kel Tani
S O
A N
A P
P R
P B
M U
P M
P I T
E U K
Ban tuan 1 Mak
mur M S B B
R J
R J
S B
S B
S
B B Yes 2 Karya
Maju U B B M S
M
S B B S
B B No 3 Sri
Reze
ki P B S B
R J
R J
S
B B B B Yes 4
Sadar U B S B
R J
R J B
S B B
S B Yes 5 Sei
Mera
h M
S B
C B
R J
M S
C B B
S
B B No 6
Subur M S B B
R J
M
S B B B S B Yes 7 Cema
ri U S B
C B
M S
R J
S
B B B B Yes 8 Nusa
Indah U B B M S
R J B
S B
S
B B No 9 Dewi
Sri M C B
S B
R J
M
S B B S B
C B Yes 10
Mulia M B C B
R J
R J
C B
S B
S B
C B No 11 Karya
Jadi U C B B
M S
R J B
S B B
S B Yes
12 Setia Mak mur P
S B B
M S
R J
S B B
S
B B No 13 Sumb
er Rejek
i P
S B
S B
R J
R J B
S B
S B
S B Yes 14 Paluh
Datar M B C B
R J
R J
S
B B B S B Yes 15 Suar
Segar
a M B B M S
M S B
S B
S
B B No 16 Cemp
aka U C B
S B
M S
R J
S B
S B
S B
S B Yes 17 Tunas
Bang
sa U B S B
M S
R J
S B
S B
S B
C B Yes 18 Caha
ya
Nur M S B B
M S
R J B
S B
S
B B No 19 Bung
a
Indah U S B B
R J
R
J B B S
B B Yes 20
Siluet M B S B
R J
M S
S
B B B S B No 21 Karya
Jaya P C B
C B
M S
M S
C B
S B B
S B Yes 22 Seme
sta M C B
C B
R J
R J B
S B
S
B B No 23 Cema
ra
Asri M B S B
M S
R J
S
B B B B Yes 24 Abdi
Jaya P S B B
R J
M S B
S B
S B
S B Yes 25 Boge
nvil U S B
C B
R J
M S
S B B
S B
C B No 26 Suka
Maju
Indah M B S B
M S
R J
C B
S
B B B Yes 27 Pond
ok Kelap
a U
S B
S B
R J
R J
S
B B B S B No 28 Sedap
Mala
m U B B R J
M
S B B S
B B Yes 29 Maju
Jaya M C B
S B
R J
R J
S B
S B
S B
S B Yes 30
..
. .
. .
. .
. .
. . ..
. .
. .
. . ..
Kemudian dari tabel diatas diproses menggunakan algoritma C5.0. dengan tahapan yang di lakukan ialah memilih atribut sebagai akar, berdasarkan pada nilai gain tertinggi dari atribut-atribut tersebut. Untuk mendapatkan nilai
gain, maka dicari terlebih dahulu nilai dari entropy. Maka nilai entropy dan gain yang di dapatkan digunakan sebagai akar dalam membuat pohon keputusan. Berikut ini perhitungan algoritma C5.0.
4. Menghitung Entropy Total
Entropy total dihitung berdasarkan jumlah data Yes dan No
Total Kelompok : 29 Jumlah kategori Terima : 18 Jumlah kategori Tolak : 11 E(total)=(−18
29∗ 𝑙𝑜𝑔2(18
29)) + (− 1
29∗ 𝑙𝑜𝑔2(11
2)) E(total)= 0,95755
5. Menghitung Entropy StrukturOrganisasi (SO)
a. Kategori Pemula
= (−4
5∗ 𝑙𝑜𝑔2(4
5)) + (−1
5∗ 𝑙𝑜𝑔2(1
5))
= 0,72193 b. Kategori Madya
=(− 7
13∗ 𝑙𝑜𝑔2(7
13)) + (− 6
13∗ 𝑙𝑜𝑔2(6
13))
= 0,99573 c. Kategori Utama
=(− 7
11∗ 𝑙𝑜𝑔2(7
11)) + (− 4
11∗ 𝑙𝑜𝑔2(4
11))
= 0,94566
6. Perhitungan Entropy begitu seterusnya sampai kepada EvaluasiUsahaKelompok (EUK)
a. Kategori Cukup Baik
= (−2
4∗ 𝑙𝑜𝑔2(2
4)) + (−2
4∗ 𝑙𝑜𝑔2(2
4))
= 1
b. Kategori Baik
=(− 7
14∗ 𝑙𝑜𝑔2(7
14)) + (− 7
14∗ 𝑙𝑜𝑔2(7
14))
= 1
c. Kategori Sangat Baik
=(− 9
11∗ 𝑙𝑜𝑔2(9
11)) + (− 2
11∗ 𝑙𝑜𝑔2(112))
= 0,68404
7. Proses perhitungan mencari nilai gain masing-masing entropy.
a. Gain Jumlah StrukturOrganisasi (SO)
= 0,95755 - ((295) ∗ 0,72193) + ((13
29) ∗ 0,99573) + ((11
29) ∗ 0,94566)
= 1,63814
b. Begitu juga proses nilai gain sampai kepada EvaluasiUsahaKelompok (EUK)
= 0,95755 - ((4
29) ∗ 1) + ((14
29) ∗ 1) + ((11
29) ∗ 0,68404)
= 1,56184
Setelah semua perhitungan selesai, maka didapat nilai gain tertinggi, berikut ini perhitungan disusun dalam bentuk tabel.
Tabel 4. Hasil Perhitungan No
de 1
Var iabe l
Ju ml ah
Ye s
N o
Entr opy
Ga in
Gain Rasio To
tal 29 18 11 0,9 575
535
S O
1, 63 81 4
0,615 0762 93 Pe
mul
a 5 4 1
0,7 219
281 Ma
dya 13 7 6 0,9 957
275 Uta
ma 11 7 4 0,9 456
603
A N
1, 60 55 7
0,611 8990 33 Cuk
up
B 6 5 1
0,6 500
224 Bai
k 12 7 5
0,9 798
688 San
gat Bai
k 11 6 5
0,9 940
302
A 1, 0,509
P 35
62 5
2367 48 Cuk
up
B 7 3 4
0,9 852
281 Bai
k 11 6 5
0,9 940
302 San
gat Bai
k 11 9 2
0,6 840
384
PR
0, 81 39 4
0,424 6909 42 Raji
n 17 11 6 0,9 366
674 Mal
as 12 7 5 0,9 798
688
PB
0, 71 28 9
0,375 2578 61 Raji
n 19 13 6 0,8 997
438 Mal
as 10 5 5 1
M U
1, 63 05 1
0,566 2398 79 Cuk
up
B 4 2 2 1
Bai
k 13 8 5
0,9 612
366 San
gat Bai
k 12 8 4
0,9 182
958 P
M
0, 95 69 1
0,502 7027 38 Bai 14 8 6 0,9
k 852 281 San
gat Bai
k 15 10 5 0,9 182
958
PI T
1, 31 87 8
0,783 1058 1 Bai
k 11 9 2
0,6 840
384 San
gat Bai
k 18 9 9 1
E U K
1, 56 18 4
0,581 9007 3 Cuk
up
B 4 2 2 1
Bai
k 14 7 7 1
San gat Bai
k 11 9 2
0,6 840
384 Dari tabel hasil perhitungan diatas bahwa node 1 dengan nilai gain rasio tertinggi pada variabel pelayananinformasidanteknologi (PIT) yaitu 0,78310581. Dengan demikian PIT dapat menjadi node akar. Ada 2 nilai kategori dari PIT yaitu baik, dan sangat baik. maka terbentuklah pohon keputusan seperti pada gambar dibawa ini.
Gambar 2. Node 1
Pada gambar di atas node 1 variabel PIK menjadi node akar. Ada 2 variabel yaitu baik diterima (Yes) dan sangat baik belum ada hasil keputusan, masih perlu dilakukan perhitungan.
Maka kembali dicari nilai entropy dan gain dari setiap kriteria PIK = sangat baik, karena sangat baik memiliki jumlah paling besar.
Selanjutnya menghitung nilai seperti tabel sebelumnya, berdasarkan tabel yang sudah di hitung sebelumnya, maka untuk root selanjutnya pada pohon keputusannya dapat terlihat pada gambar berikut ini:
Gambar 3. Node 2 sampai 3
Pada gambar diatas merupakan keputusan terakhir yang terbentuk. Maka basis pengetahuan atau aturan yang terbentuk yaitu:
PIT = Baik: Yes {Yes=9, No=2}
PIT = Sangat Baik
| AP = Baik
| | PR = Malas: No {Yes=0, No=5}
| | PR = Rajin: Yes {Yes=4, No=0}
| AP = Cukup: No {Yes=0, No=4}
| AP = Sangat Baik: Yes {Yes=5, No=0}
8. Decision Tree C5.0 Sangat Baik
Baik
PIK
Yes ?
Gambar 4. Decision Tree 9. Pohon Keputusan
Gambar 5. Tampilan Pohon Keputusan 4. KESIMPULAN
Untuk pemberian bantuan kelompok tani pada dinas pertanian perkebunan sumatera utara menggunakan algoritma C5.0 berdasarkan kriteria kelompok tani dan variabel yang sudah ditentukan sebelumnya. Dalam pengujian metode dan algoritma dalam penelitian ini menghasilkan pohon keputusan dengan root pertama Pelayanan Informasi Dan Teknologi, kemudian root selanjutnya Administrasi Pembukuan, selanjutnya rood yang terakhir
Pertemuan Rutin. Dengan adanya root terakhir maka peneliti dapat memutuskan kesimpulan kelompok tani yang menerima bantuan adalah administrasi pembukuan yang sangat baik yang menerima bantuan dari dinas pertanian. hasil pohon keputusan tersebut diimplementasikan ke bahasa pemrograman RStudio.
REFERENCES
[1] P. Kasih, “Pemodelan Data Mining Decision Tree Dengan Classification Error Untuk Seleksi Calon Anggota Tim Paduan Suara,” Innov. Res. Informatics, vol. 1, no. 2, pp. 63–69, 2019, doi:
10.37058/innovatics.v1i2.918.
[2] W. N. Purba, D. Situmorang, Y. Alfani, D. Hutabarat, and F. W. Anggiono,
“Implementasi Data Mining Dengan Metode Pohon Keputusan Algoritma Id3 Untuk Menentukan Memprediksi Penjualan Pada CV. Mitra Baja Cemerlang,” J. Mantik Penusa, vol. 2, no. 1, pp. 82–86, 2019.
[3] B. Budiman, “Perbandingan Algoritma Klasifikasi Data Mining untuk Penelusuran Minat Calon Mahasiswa Baru,” Nuansa Inform., vol. 15, no. 2, pp.
37–52, 2021, doi:
10.25134/nuansa.v15i2.4162.
[4] R. R. Rerung, “Penerapan Data Mining dengan Memanfaatkan Metode Association Rule untuk Promosi Produk,” J. Teknol. Rekayasa, vol. 3, no.
1, p. 89, 2018, doi:
10.31544/jtera.v3.i1.2018.89-98.
[5] Y. Mardi, “Data Mining Rekam Medis Untuk Menentukan Penyakit Terbanyak Menggunakan Decision Tree C4.5,” J.
Sains dan Inform., vol. 4, no. 1, pp. 40–
53, Apr. 2018, doi:
10.22216/jsi.v4i1.3077.
[6] S. Saefudin and D. Fernando, “Penerapan Data Mining Rekomendasi Buku Menggunakan Algoritma Apriori,” JSiI (Jurnal Sist. Informasi), vol. 7, no. 1, p.
50, 2020, doi: 10.30656/jsii.v7i1.1899.
[7] K. Fatmawati and A. P. Windarto, “Data Mining: Penerapan Rapidminer Dengan K-Means Cluster Pada Daerah Terjangkit Demam Berdarah Dengue (Dbd) Berdasarkan Provinsi,” Comput. Eng.
Sci. Syst. J., vol. 3, no. 2, p. 173, 2018, doi: 10.24114/cess.v3i2.9661.
[8] Yuda Irawan, “PENERAPAN DATA MINING UNTUK EVALUASI DATA
PENJUALAN MENGGUNAKAN
METODE CLUSTERING DAN
ALGORITMA HIRARKI DIVISIVE DI
PERUSAHAAN MEDIA WORLD
PEKANBARU,” J. Teknol. Inf. Univ.
Lambung Mangkurat, vol. 4, no. 1, pp.
13–20, Apr. 2019, doi:
10.20527/jtiulm.v4i1.34.
[9] A. A. Fajrin and A. Maulana,
“PENERAPAN DATA MINING
UNTUK ANALISIS POLA
PEMBELIAN KONSUMEN DENGAN ALGORITMA FP- GROWTH PADA DATA TRANSAKSI PENJUALAN,”
Kumpul. J. Ilmu Komput., vol. 05, no. 01, pp. 27–36, 2018.
[10] Rismayanti, “Decision Tree Penentuan Masa Studi Mahasiswa Prodi Teknik Informatika (Studi Kasus : Fakultas Teknik dan Komputer Universitas Harapan Medan ),” J. Sist. Inf., vol. 02, no. 01, pp. 16–24, 2018.
[11] D. Dalbergio, M. N. Hayati, and Y. N.
Nasution, “Klasifikasi Lama Studi Mahasiswa Menggunakan Metode C5.0 pada Studi Kasus Data Kelulusan Mahasiswa Fakultas Matematika Dan Ilmu Pengetahuan Alam Universitas Mulawarman Tahun 2017,” Pros. Semin.
Nas. Mat. Stat. dan Apl. 2019, vol. 1, no.
1, pp. 36–42, 2019.
[12] S. Bahri and A. Lubis, “Metode Klasifikasi Decision Tree Untuk Memprediksi Juara English Premier League,” J. Sintaksis, vol. 2, no. 1, pp.
63–70, 2020.
[13] A. C. Wijaya, N. A. Hasibuan, and P.
Ramadhani, “Implementasi Algoritma C5 . 0 Dalam Klasifikasi Pendapatan Masyarakat ( Studi Kasus : Kelurahan Mesjid Kecamatan Medan Kota ),” Inf.
dan Teknol. Ilm., vol. 13, pp. 192–198, 2018.
[14] F. Hadi, “Penerapan Data Mining Dalam Menganalisa Pemberian Pinjamana Dengan Menggunakan Metode Algoritma C5 . 0 ( Studi Kasus : Koperasi Jasa Keuangan Syariah Kelurahan Lambung Bukik ),” J.
KomTekInfo, vol. 4, no. 2, pp. 214–223, 2017.
[15] I. Sutoyo, “Implementasi Algoritma Decision Tree Untuk Klasifikasi Data Peserta Didik,” J. Pilar Nusa Mandiri, vol. 14, no. 2, p. 217, 2018, doi:
10.33480/pilar.v14i2.926.
[16] L. G. R. Putra, M. Mayadi, and I. N. D.
Setiaji, “Klasifikasi Jenis Client Menggunakan Algoritma Decision Tree Cart,” JSI J. Sist. Inf., vol. 14, no. 2, pp.
2842–2855, 2022, doi:
10.30812/jsi.v14i2.18826.
[17] Robianto ; Sampe Hotlan Sitorus ; Uray Ristian, “Penerapan Metode Decision Tree Untuk Mengklasifikasikan Mutu Buah Jeruk BerdasarkanFitur Warna Dan Ukuran,” J. Komput. dan Apl., vol. 9, no.
01, pp. 76–86, 2021.
[18] O. Somantri, W. E. Nugroho, and A. R.
Supriyono, “Penerapan Feature Selection Pada Algoritma Decision Tree Untuk Menentukan Pola Rekomendasi Dini Konseling,” J. Sist. Komput. dan Inform., vol. 4, no. 2, pp. 272–279, 2022, doi:
10.30865/json.v4i2.5345.
[19] N. Aprilyani, I. Zulfa, and H. Syahputra,
“Penerapan Algoritma Decision Tree C4.5 Untuk Model Penentuan Penerima Beasiswa Program Indonesia Pintar (Pip) Studi Kasus Sma Negeri 3 Timang Gajah,” J. JUTEI, vol. 5, no. 1, pp. 96–
109, 2022.
[20] M. Solehuddin, W. A. Syafei, and R.
Gernowo, “Metode Decision Tree untuk Meningkatkan Kualitas Rencana Pelaksanaan Pembelajaran dengan Algoritma C4.5,” J. Penelit. dan Pengemb. Pendidik., vol. 6, no. 3, pp.
510–519, 2022, doi:
10.23887/jppp.v6i3.52840.
[21] R. Pratiwi, M. N. Hayati, and S. Prangga,
“Perbandingan Klasifikasi Algoritma C5.0 Dengan Classification and Regression Tree (Studi Kasus : Data Sosial Kepala Keluarga Masyarakat Desa Teluk Baru Kecamatan Muara Ancalong Tahun 2019),” BAREKENG J. Ilmu Mat.
dan Terap., vol. 14, no. 2, pp. 273–284,
2020, doi:
10.30598/barekengvol14iss2pp273-284.
[22] I. Kurniawan and R. A. Saputra,
“Penerapan Algoritma C5.0 Pada Sistem
Pendukung Keputusan
KelayakanPenerimaan BerasMasyarakat Miskin,” J. Inform., vol. 4, no. 2, pp.
236–240, 2017.
[23] R. N. Amalda, N. Millah, and I. Fitria,
“Implementasi Algoritma C5.0 Dalam Menganalisa Kelayakan Penerima Keringanan Ukt Mahasiswa Itk,”
Teorema Teor. dan Ris. Mat., vol. 7, no.
1, p. 101, 2022, doi:
10.25157/teorema.v7i1.6692.
[24] M. Pardede, E. Buulolo, and E. Ndruru,
“Implementasi Algoritma C5.0 Pada Kelulusan Peserta Ujian Kemahiran Berbahasa Indonesia (Ukbi) Pada Balai Bahasa Sumatera Utara,” KOMIK (Konferensi Nas. Teknol. Inf. dan Komputer), vol. 3, no. 1, pp. 64–72, 2019, doi: 10.30865/komik.v3i1.1569.
[25] D. Putro Utomo and S. Aripin,
“Penerapan Algoritma C5.0 Untuk Mengetahui Pola Kepuasan Mahasiswa di Masa Pembelajaran Daring,” Pros.
Semin. Nas. Ris. Dan Inf. Sci., vol. 3, pp.
7–12, 2021.
