Performance Comparison of Data Mining Techniques for Rain Prediction Models in Indonesia

Anwar, Muchamad Taufiq; Hadikurniawati, Wiwien; Winarno, Edy; Widiyatmoko, Wahyu

doi:10.1109/isriti51436.2020.9315460

Cited by 6 publications

(4 citation statements)

References 22 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Dengan ditemukannya model yang terbaik, maka model akhir yang digunakan akan memiliki akurasi yang tinggi dalam kemampuan prediksinya. Riset tentang perbandingan teknik DM semacam ini sesungguhnya umum untuk dikerjakan, seperti misalnya riset (M T Anwar, Hadikurniawati, Winarno, & Widiyatmoko, 2020) yang membandingkan performa tiga teknik data mining untuk prediksi hujan, riset (Arbain & Balakrishnan, 2019) yang membandingkan enam teknik DM untuk prediksi penyakit hati, riset (Luo et al, 2017) yang membandingkan tiga teknik DM untuk prediksi penyakit jantung bawaan, dan lain sebagainya. Dalam alur kerja pengembangan model prediksi, hendaknya memang diperlukan tahapan pembandingan performa teknik DM untuk menentukan teknik atau model apa yang paling tepat untuk digunakan.…”

Section: Pendahuluanunclassified

Perbandingan Performa Model Data Mining untuk Prediksi Dropout Mahasiwa

Anwar

Permana

2021

JTM

Self Cite

View full text Add to dashboard Cite

Penentuan teknik/model data mining yang tepat pada sebuah kasus sangat penting untuk mendapatkan model yang baik (tingkat akurat tinggi dan kesesuaiannya dengan masalah yang dipecahkan). Penelitian ini bertujuan untuk membandingkan performa teknik data mining untuk diterapkan pada kasus prediksi dropout mahasiswa. Perbandingan performa dilakukan menggunakan library PyCaret pada Python untuk melakukan pemodelan menggunakan 14 model / teknik data mining yaitu: Extreme Gradient Boosting, Ada Boost Classifier, Light Gradient Boosting Machine, Random Forest Classifier, Gradient Boosting Classifier, Extra Trees Classifier, Decision Tree Classifier, K Neighbors Classifier, Naive Bayes, Ridge Classifier, Linear Discriminant Analysis, Logistic Regression, SVM - Linear Kernel, dan Quadratic Discriminant Analysis. Metrik evaluasi performa model yang digunakan yaitu Accuracy, AUC, Recall, Precision, F1, Kappa, dan MCC (Matthews correlation coefficient). Hasil eksperimen menunjukkan bahwa kasus prediksi dropout mahasiswa lebih tepat jika dimodelkan dengan model berbasis ensemble learner dan pohon keputusan dengan akurasi mencapai 99%. Pohon keputusan memiliki keunggulan dibandingkan model lain seperti SVM - Linear Kernel dan Quadratic Discriminant Analysis karena ia dapat dengan lebih detil dalam memisahkan data ke dalam kedua kelas target. Setelah dilakukan penyesuaian atribut, pembuangan data dengan missing values, dan parameter tuning, didapatkan hasil akurasi yang mirip dari berbagai model yaitu sebesar 87%. Perbedaan akurasi antar model menjadi sangat kecil di saat atribut data yang digunakan sedikit.

show abstract

Section: Pendahuluanunclassified

Perbandingan Performa Model Data Mining untuk Prediksi Dropout Mahasiwa

Anwar

Permana

2021

JTM

Self Cite

View full text Add to dashboard Cite

show abstract

“…C4.5 uses a single tree to make a prediction. C4.5 itself is a simple yet versatile classification method and had been used in wildfire modeling [2], rain prediction [3], [4], drug resistance prediction [5], etc. Bagging and boosting methods are a class of classification techniques that increase (boost) its performance by adding bags of models or by iteratively improve the model.…”

Section: -03mentioning

confidence: 99%

“…RF was introduced in 2014 by Breiman [6]. RF had been recently used in various fields including rain prediction [4], drug resistance prediction [5], geospatial pattern alaysis [7], prediction of electricity production [8], battery modeling [9], and landslide susceptibility mapping [10].…”

Section: -03mentioning

confidence: 99%

See 1 more Smart Citation

Automatic Complaints Categorization Using Random Forest and Gradient Boosting

Anwar

Pratiwi

Udhayana

2021

ASSET

Self Cite

View full text Add to dashboard Cite

Capturing and responding to complaints from the public is an important effort to develop a good city/country. This project aims to utilize Data Mining to automatize complaints categorization. More than 35,000 complaints in Bangalore city, India, were retrieved from the “I Change My City” website (https://www.ichangemycity.com). The vector space of the complaints was created using Term Frequency–Inverse Document Frequency (TF-IDF) and the multi-class text classifications were done using Random Forest (RF) and Gradient Boosting (GB). Results showed that both RF and GB have similar performance with an accuracy of 73% on the 10-classes multi-class classification task. Result also showed that the model is highly dependent on the word usage in the complaint's description. Future research directions to increase task performance are also suggested.

show abstract