Penerapan Metode Klasifikasi Random Forest Dalam Mengidentifikasi Faktor Penting Penilaian Mutu Pendidikan

Ramadhan, Aditya; Susetyo, Budi; Indahwati, Indahwati

doi:10.24832/jpnk.v4i2.1327

Cited by 8 publications

(7 citation statements)

References 0 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Setelah sejumlah besar tree telah di-generate, maka tree di-voting guna memilih kelas yang paling populer. Tahapan voting tree secara keseluruhan ini dijelaskan sebagai random forest (Ramadhan et al, 2019).…”

Section: Random Forest Regressionunclassified

Perbandingan Metode Supervised Machine Learning untuk Prediksi Prevalensi Stunting di Provisi Jawa Timur

Haris¹,

Khudori²,

Kusuma³

2022

JTIIK

View full text Add to dashboard Cite

Stunting atau kasus balita kerdil/pendek adalah salah satu masalah di bidang kesehatan yang saat ini sedang dihadapi oleh masyarakat Indonesia. Provinsi Jawa Timur memiliki nilai prevalensi stunting sebesar 26,8% berdasarkan integrasi data Kementerian Kesehatan dan Badan Pusat Statistik. Nilai tersebut masih tergolong tinggi karena standar minimal yang ditetapkan oleh World Health Organization (WHO) adalah sebesar 20%. Oleh karena itu, penelitian ini bertujuan untuk memberikan kontribusi dalam penyelesaian permasalahan stunting di Provinsi Jawa Timur dengan cara menganalisis faktor-faktor yang diprediksi bisa memengaruhi tingkat prevalensi stunting berdasarkan data sekunder hasil survei dari beberapa lembaga resmi dan terpercaya di bidang kesehatan yang telah dipublikasikan. Supervised machine learning merupakan pendekatan dalam pembuatan kecerdasan buatan (artificial intelligence) yang menggunakan data-data berlabel sebagai data latihnya. Pendekatan ini dirasa sangat sesuai digunakan dalam prediksi nilai prevalensi stunting pada suatu wilayah berdasarkan data-data lain yang relevan. Penelitian-penelitian sebelumnya tentang prediksi prevalensi stunting rata-rata hanya menggunakan salah satu metode supervised machine learning saja dan data sekunder yang digunakan hanya bersumber dari salah satu sumber survei saja. Hasil penelitian menunjukkan bahwa faktor-faktor penyebab yang memiliki korelasi tinggi terhadap nilai prevalensi stunting bukan hanya Berat Badan Lahir Rendah (BBLR) saja, namun juga Indeks Pembangunan Manusia, sanitasi, dan Indeks Penduduk Miskin. Selain itu, beberapa metode dalam supervised machine learning juga dibandingkan yaitu, linier regression, support vector regression, dan random forest regression.Metode support vector regression dalam penelitian ini memiliki nilai galat yang lebih rendah yaitu 0,91 untuk MAE dan 1,30 untuk MSE. AbstractStunting or the case of stunted/short toddlers is one of the problems in the health sector that is currently being faced by the people of Indonesia. East Java Province has a stunting prevalence value of 26.8% based on data integration from the Ministry of Health and the Central Statistics Agency. This value is still relatively high because the minimum standard set by the World Health Organization (WHO) is 20%. Therefore, this study aims to contribute to solving the stunting problem in East Java Province by analyzing the factors that are predicted to affect the stunting prevalence rate based on published secondary data from surveys from several official and trusted institutions in the health sector. Supervised machine learning is an approach in making artificial intelligence that uses labeled data as training data. This approach is considered very suitable to be used in predicting the value of stunting prevalence in an area based on other relevant data. Previous studies on predicting the prevalence of stunting on average only used one supervised machine learning method and the secondary data used was only sourced from one survey source. The results showed that the causative factors that have a high correlation to the prevalence of stunting are not only low birth weight (BBLR), but also the Human Development Index, sanitation, and the Poor Population Index. In addition, several methods in supervised machine learning are also compared, namely, linear regression, support vector regression, and random forest regression. The support vector regression method in this study has a lower error value, namely 0.91 for MAE and 1.30 for MSE.

show abstract

Section: Random Forest Regressionunclassified

Perbandingan Metode Supervised Machine Learning untuk Prediksi Prevalensi Stunting di Provisi Jawa Timur

Haris¹,

Khudori²,

Kusuma³

2022

JTIIK

View full text Add to dashboard Cite

show abstract

“…Penelitian ini menggunakan Algoritma Klasifikasi Random Forest. Algoritma pemodelan klasifikasi random forest atau hutan acak adalah pohon klasifikasi (classification tree) yang dapat digunakan untuk mengklasifikasikan data dalam respons multikelas [20]. Pengambilan keputusan menggunakan pohon keputusan dan random forest ditunjukkan pada gambar ke 4.…”

Section: Preprocessingunclassified

Klasifikasi Penjualan berdasarkan Platform pada UMKM Omah Branded Menggunakan Random Forest

et al. 2022

View full text Add to dashboard Cite

UMKM have a role in development growth to increase state income. Omah Branded which is an UMKM in the Fashion category from small children to adults in the Mungkid area, Magelang Regency, Indonesia. Currently the resulting sales transaction data has not been used to classify or classify sales products based on the sales platform that can affect the revenue of the Branded Omah. Selling products on online platforms is often referred to as digital marketing. It has become widespread and widely applied in Indonesia due to the development of the internet and changing consumers. Easy internet access using wifi or gadgets makes it easier for people to access information about a product or service they are looking for. One of the data mining for classification is the Random Forest Algorithm. The Random Forest algorithm has a random selection in generating child nodes for each node (top node), the classification of each tree is accumulated and the classification results that appear frequently can improve accuracy. In this study, by classifying Omah Branded sales data based on the sales platform using the random forest method, it is hoped that the results of this study can be used as a development solution for taking Omah Branded marketing strategies. The accuracy value using the Random Forest classification on the sales data of this Omah Branded product produces an accuracy of 92% based on the results of the confusion matrix calculation.

show abstract

“…Metode ini adalah pengembangan dari metode Classification and Regression Tree (CART) yang menerapkan random feature selection dan bootstrap aggregating. Kelebihan metode ini yaitu dapat menghasilkan akurasi yang lebih tinggi dalam jumlah data yang besar (Ramadhan, Susetyo and Indahwati, 2019).…”

Section: Random Forestunclassified

Analisis Sentimen Pelaksanaan Vaksinasi Covid-19 secara Massal pada Media Sosial Twitter

Nuraini¹,

Pertiwi²,

Subarkah³

et al. 2022

semnasoffstat

View full text Add to dashboard Cite

Virus corona atau Covid-19 menyerang hampir seluruh negara di dunia, begitu juga Indonesia. Pemerintah Indonesia melaksanakan beberapa kebijakan untuk menangani penyebaran virus Covid-19 di masyarakat yaitu dengan vaksinasi massal. Pelaksanaan vaksinasi massal menjadi pembicaraan masyarakat salah satunya di media sosial Twitter. Penelitian ini bertujuan untuk menganalisis sentimen pelaksanaan vaksinasi massal di Indonesia menggunakan perbandingan antara klasifikasi Naïve Bayes, Random Forest, dan Support Vector Machine (SVM). Hasil penelitian menunjukan bahwa penggunaan metode klasifikasi SVM menghasilkan F1-Score Weighted Average lebih tinggi daripada metode lain yaitu sebesar 84%. Selain itu, dapat disimpulkan bahwa sebagian besar masyarakat pro terhadap pelaksanaan vaksin massal. Sehingga metode SVM dapat digunakan pemerintah untuk mengklasifikasikan sentimen masyarakat terhadap pengadaan vaksinasi massal selanjutnya dan dijadikan dasar pemerintah untuk mempertahankan program vaksinasi massal ini sebagai upaya mencegah penyebaran Covid-19.

show abstract

Penerapan Metode Klasifikasi Random Forest Dalam Mengidentifikasi Faktor Penting Penilaian Mutu Pendidikan

Cited by 8 publications

References 0 publications

Perbandingan Metode Supervised Machine Learning untuk Prediksi Prevalensi Stunting di Provisi Jawa Timur

Perbandingan Metode Supervised Machine Learning untuk Prediksi Prevalensi Stunting di Provisi Jawa Timur

Klasifikasi Penjualan berdasarkan Platform pada UMKM Omah Branded Menggunakan Random Forest

Analisis Sentimen Pelaksanaan Vaksinasi Covid-19 secara Massal pada Media Sosial Twitter

Contact Info

Product

Resources

About