Prediksi Pengagguran Menggunakan Decision Tree Dengan Algoritma C5.0 Pada Data Penduduk Kecamatan Caringin Kabupaten Bogor
DOI:
https://doi.org/10.36423/index.v4i2.913Abstract
Tingkat kesejahteraan dalam kehidupan bermasyarakat dapat dilihat dari tingkat penganggurannya. Pemerintah daerah biasanya mengadakan sebuah program untuk membantu mengurangi jumlah pengangguran, entah itu dengan mengadakan sebuah pelatihan atau hal lain yang dapat mendorong kreativitas masyarakat dan meningkatkan kemampuan hardskill agar dapat bersaing di dunia kerja. Ada banyak penelitian yang memprediksi tingkat pengangguran dan juga ada penelitian yang menggunakan algoritma C5.0 untuk melakukan prediksi, namun belum ada penelitian yang menggabungkan subjek dan metode tersebut. penelitian ini bertujuan untuk membuat sebuah model prediksi menggunakan algoritma C5.0 terhadap data penduduk kecamatan caringin dan mencari skenario dengan hasil akurasi yang paling tinggi. namun terdapat beberapa permasalahan yang harus dihadapi seperti bagaimana tingkat akurasi Model klasifikasi Decision Tree dengan algoritma C5.0 terhadap dataset penduduk Kecamatan Caringin dan Bagaimana resio data latih data uji dan penggunaan pruning memengaruhi tingkat akurasi prediksi yang akan dilakukan. Penelitian ini dievaluasi menggunakan beberapa skenario rasio data latih dan data uji yang berbeda beda dan penggunaan pruning yang berbeda. Hasil dari penelitian ini adalah model prediksi pengangguran berhasil dibuat dengan tingkat akurasi paling tinggi yaitu pada skenario data latih 70% dan data uji 30% dengan menerapkan teknik post pruning.References
S. Hermuningsih, A. D. Rahmawati, and M. Mujino, “Faktor-Faktor Yang Mempengaruhi Return Saham,” J. Ekon. dan Bisnis, vol. 19, no. 3, p. 78, 2018, doi: 10.30659/ekobis.19.3.78-89.
B. Zhao and B. Xue, “Genomics Improving prediction accuracy using decision-tree-based meta-strategy and multi-threshold sequential-voting exempli fi ed by miRNA target prediction,” Genomics, 2017, doi: 10.1016/j.ygeno.2017.04.003.
S. Agarwal, Data mining: Data mining concepts and techniques. 2014.
D. M. Informatika, F. I. Terapan, U. Telkom, J. Telekomunikasi, and B. Batu, “PREDIKSI NILAI PROYEK AKHIR MAHASISWA MENGGUNAKAN,” no. November, pp. 2–3, 2015.
L. Vanfretti and V. S. N. Arava, “Electrical Power and Energy Systems Decision tree-based classi fi cation of multiple operating conditions for power system voltage stability assessment,” Electr. Power Energy Syst., vol. 123, no. April, p. 106251, 2020, doi: 10.1016/j.ijepes.2020.106251.
C. Hutabarat, “Penerapan Data Mining Untuk Memprediksi Permintaan Produk Kartu Perdana Internet Menggunakan Algoritma C5.0 (Studi Kasus: Vidha Ponsel),” J. Pelita Inform., vol. 6, no. 4, pp. 419–424, 2018.
A. Kantono, I. Y. Purbasari, and F. T. Anggraeny, “Penerapan pruning pada algoritma c5.0 untuk mendiagnosis penyakit diabetes melitus 1,” no. September, pp. 184–189, 2019.
M. Santoso and P. Musa, “REKOMENDASI KESEHATAN JANIN DENGAN PENERAPAN ALGORITMA C5.0 MENGGUNAKAN CLASSIFYING CARDIOTOCOGRAPHY DATASET,” vol. 9, no. 2, pp. 65–76, 2021.
S. Nurnaningsih, Y. Susanti, and S. S. Handajani, “Implementasi Algoritma C5.0 Untuk Klasifikasi Penyakit Gagal Ginjal Kronik,” INTEK J. Inform. dan Teknol. Inf., vol. 2, no. 1, pp. 26–31, 2019, doi: 10.37729/intek.v2i1.89.
M. Riadi, Y. Azhar, and G. W. Wicaksono, “Implementasi Algoritma C5.0 Dan K-Medoids Untuk Klasterisasi Ibu Hamil Beresiko Tinggi,” J. Repos., vol. 2, no. 4, p. 511, 2020, doi: 10.22219/repositor.v2i4.696.
U. S. Aayi, T. W. Diwangkara, and R. T. Kurniawan, “Diagnosa Penyakit Disk Hernia Dan Spondylolisthesis Menggunakan Algoritma C5,” Telematika, vol. 16, no. 2, p. 81, 2020, doi: 10.31315/telematika.v16i2.3181.
V. Rahmayanti, Y. Azhar, and A. E. Pramudita, “Penerapan algoritma C5.0 pada analisis faktor-faktor pengaruh kelulusan tepat waktu mahasiswa Teknik Informatika UMM,” J. Repos., vol. 1, no. 2, p. 131, 2020, doi: 10.22219/repositor.v1i2.545.
M. I. A. Vachroni and A. Hermawan, “Prediksi kelulusan mahasiswa menggunakan metode backpropagation,” Univ. Teknol. Yogyakarta, vol. 4, pp. 230–238, 2021.
A. Nusari, I. Purbasari, and E. Puspaningrum, “PREDIKSI KETEPATAN WAKTU KELULUSAN MAHASISWA DENGAN METODE ALGORITMA C5.0,” vol. 1, no. 3, pp. 817–825, 2020.
F. N. Umma, B. Warsito, and D. A. I. Maruddani, “Klasifikasi Status Kemiskinan Rumah Tangga Dengan Algoritma C5.0 Di Kabupaten Pemalang,” J. Gaussian, vol. 10, no. 2, pp. 221–229, 2021, doi: 10.14710/j.gauss.v10i2.29934.
D. Wintana, H. Hikmatullah, N. Ichsan, J. J. Purnama, and A. Rahmawati, “KLASIFIKASI PENENTUAN PENERIMA MANFAAT PROGRAM KELUARGA HARAPAN (PKH) MENGGUNAKAN ALGORITMA C5.0 (Studi kasus: Desa Sukamaju, Kec.Kadudampit),” Klik - Kumpul. J. Ilmu Komputer., vol. 6, no. 3, p. 254, 2019, doi: 10.20527/klik.v6i3.206.
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.
S. Wahyuningsih and D. R. Utari, “Perbandingan Metode K-Nearest Neighbor , Naive Bayes dan Decision Tree untuk Prediksi Kelayakan Pemberian Kredit,” Konf. Nas. Sist. Inf. 2018 STMIK Atma Luhur Pangkalpinang, 8 – 9 Maret 2018, pp. 619–623, 2018.
D. Sartika and D. Indra, “Perbandingan Algoritma Klasifikasi Naive Bayes, Nearest Neighbour, dan Decision Tree pada Studi Kasus Pengambilan Keputusan Pemilihan Pola Pakaian,” J. Tek. Inform. Dan Sist. Inf., vol. 1, no. 2, pp. 151–161, 2017.
I. C. Wibowo, A. C. Fauzan, M. D. P. Yustiana, and FAQ habib, “Komparasi Algoritma Naive Bayes dan Decision Tree Untuk Memprediksi Lama Studi Mahasiswa,” Ilk. J. Comput. Sci. Appl. Informatics, vol. 1, no. 2, pp. 65–74, 2019, doi: 10.28926/ilkomnika.v1i2.21.
A. Wardhana, B. Kharisma, and Y. F. Ibrahim, “Pengangguran Usia Muda Di Jawa Barat (Menggunakan Data Sakernas),” E-Jurnal Ekon. dan Bisnis Univ. Udayana, vol. 9, p. 1049, 2019, doi: 10.24843/eeb.2019.v08.i09.p04.
S. Prawira, “Pengaruh Pertumbuhan Ekonomi, Upah Minimum Provinsi, Dan Tingkat Pendidikan Terhadap Pengangguran Terbuka Di Indonesia,” J. Ecogen, vol. 1, no. 4, p. 162, 2018, doi: 10.24036/jmpe.v1i1.4735.
P. Kapoor, R. Rani, and R. JMIT, “Efficient Decision Tree Algorithm Using J48 and Reduced Error Pruning,” Int. J. Eng. Res. Gen. Sci, vol. 3, no. 3, pp. 1613–1621, 2015.
J. Ye et al., “A Chi-MIC Based Adaptive Multi-Branch Decision Tree,” IEEE Access, vol. 9, pp. 78962–78972, 2021, doi: 10.1109/ACCESS.2021.3077125
Downloads
Published
Issue
Section
License
Copyright (c) 2023 Muhammad Dzatul Kahfi, Fajri Rakhmat Umbara, Herdi Ashaury
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
