Dokumen ini menjelaskan algoritma klasifikasi dalam data mining, yang berfungsi untuk mengidentifikasi dan mengelompokkan data berdasarkan atribut tertentu. Metode yang dibahas termasuk decision tree, random forest, dan k-nearest neighbor, masing-masing dengan keunggulan dan aplikasi spesifik dalam klasifikasi. Contoh penerapan algoritma k-NN juga diilustrasikan melalui analisis data siswa untuk prediksi kelulusan.

1. CLASSIFICATION
ALGORITHM
Disusun Oleh kelompok 6:
1.Rizqy Bastanta
2.Silvia Ramadhani
3.Dian Suharta
4.Dian Sri Agustini

2. PENGERTIAN KLASIFIKASI
ALGORITMA
Algoritma Klasifikasi adalah salah satu metode
dalam proses KDD yang ada pada tahap data mining
untuk mengidentifikasi setiap kelompok
berdasarkan kasus dan kemudian dikelompokkan
datanya berdasarkan atribut

3. KLASIFIKASI ALGORITMA DI
DATA MINING
Data mining adalah sebuah cara dalam menemukan sebuah informasi penting yang
sebelumnya tidak diketahui. Data mining juga memiliki beberapa peran penting,
diantaranya adalah klasifikasi dan prediksi. Klasifikasi sendiri merupakan sebuah
kegiatan dalam menilai suatu objek data untuk mengelompokkanya kedalam kelas
tertentu dari beberapa jenis kelas yang tersedia Beberapa tahun terakhir banyak
metode data mining yang telah dibuat dan disarankan dalam melakukan proses
klasifikasi dan prediksi, diantaranya decision tree, random forest dan K-Nearest
Neighbor . Lima metode tersebut pastinya memilki keunggulan.

4. •- Decision tree sering digunakan dalam penambangan data dan
pembelajaran mesin untuk mengatasi masalah klasifikasi.
•- Keuntungan decision tree termasuk arsitektur yang jelas dan
sederhana, kualitas yang sangat baik, dan ketahanan.
•- Algoritma decision tree dikembangkan dengan berbagai kriteria
pemilihan atribut dan mengikuti strategi partisi top-down.
•- Efektivitas decision tree dipengaruhi oleh pilihan metode pemisahan
yang digunakan.
DECISION TREE

5. METHOD DALAM
DECISION TREE
•Terdiri dari tiga metode yang sudah dikenal, yaitu
ID3, C4.5, dan CART.
•Selain itu, ada tiga metodologi baru, yaitu PCC-Tree,
DR, dan algoritma FWDT.

6. RANDOM FOREST
•Metode Random Forest adalah pengembangan darimetode
CART, yaitu dengan menerapkan metodebootstrap
aggregating (bagging) dan random featureselection[11].
Dalam Random Forest, banyak pohonditumbuhkan
sehingga terbentuk hutan (forest),kemudian analisis
dilakukan pada kumpulan pohontersebut.

7. K-Nearest
Neighbor
Classification
Algoritma K-Nearest Neighbor (KNN)
sebagian besar digunakan dalam memecahkan
masalah klasifikasi.

8. Contoh penerapan
Algoritma K-NN
Algoritma klasifikasi K-NN diterapkan kumpulan data siswa di mana nilai
siswa diberikan, dan hasilnya ditautkan dengan data berlabel
berdasarkan lulus dan gagal. Sekarang berikan tanda siswa baru kepada
Himpunan data. Kemudian algoritma K-NN akan menentukan apakah
siswa baru tersebut akan lulus atau gagal. Evaluasi dan hasil percobaan
algoritma klasifikasi K-NN adalah dijelaskan dengan kumpulan data kecil
dan teknik yang efektif.

9. REFERENCE RIZQY BASTANTA

10. REFERENCE DIAN SUHARTA

11. REFERENCE SILVIA RAMADHANI

12. REFERENCE DIAN SRI AGUSTINI