ANALISIS PERBANDINGAN TINGKAT AKURASI LOGIKA FUZZY DENGAN NATURAL PARTITION UNTUK PREPROCESSING DATA PERBANKAN

Sumarni Adi

Abstract


Preprocessing adalah kegiatan pembersihan data agar data dapat diproses untuk analisis selanjutnya. Tujuan dari preprocessing data adalah untuk mengubah data input mentah menjadi format yang sesuai untuk analisis selanjutnya. Langkah-langkah yang dilakukan antara lain dengan memperbaiki data yang ‘kotor’, memilih fitur-fitur dari data yang relevan dengan proses pengolahan selanjutnya. Karena banyak cara dalam proses pengumpulan data dan penyimpanan data, maka proses preprocessingn data mungkin akan memakan waktu yang lama dalam keseluruhan proses penemuan pengetahuan, karena hasil preprocessing data dapat meningkatkan kualitas data serta meningkatkan akurasi dan efisiensi proses mining. Natural partitioning dan logika fuzzy merupakan metode yang sering digunakan untuk preprocessing data pada tahapan Discretization and concept hierarchy generation. Dimana nilai data diubah kedalam bentuk range atau menjadi level yang lebih tinggi. Teknik discretization dapat digunakan untuk mengurangi jumlah nilai yang diberikan atribut kontinyu, dengan membagi range pada atribut menjadi suatu interval tertentu. Label interval dapat digunakan untuk merubah nilai data actual. Hasil akurasi yang didapatkan dengan menggunakan 463 data perbankan dengan 3 variabel yaitu variabel gaji, jaminan dan angsuran adalah hasil pengujian kelas prediksi menggunakan logika fuzzy dan natural partition adalah sama yaitu sebesar 312 kelas aman, 150 kelas tidak aman dan 1 data unknow. Sedangkan pengujian akurasi model probabilitas menggunakan logika fuzzy dan natural partition, hasil akurasinya juga sama yaitu 0,68 untuk probabilitas aman dan 0,32 untuk probabilitas tidak aman. Sementara pengujian akurasi menggunakan cross validation untuk logika fuzzy adalah 66,98 % dan natural partition 66.95 %, sedangkan menggunakan bootstrapping validation untuk logika fuzzy 64,97 %dan natural partition 64,79 %.


References


Han, J., & Kamber, M., Data Mining Concept and Technique, San Fransisco: Morgan Kaufman Publisher, 2006.

Tan, P. N., Stenbach, M., & Kumar, V., Introduction to Data Mining, Boston: Pearson Education, 2006.

Cichosz, P, Data Mining Algorithms : Explained Using R, United Kingdom : John Wiley& Sons, Ltd, 2015


Refbacks

  • There are currently no refbacks.