Implementasi Algoritma C5.0 Untuk Menganalisa Gejala Prioritas Pada Anak Yang Mengalami Bullying
Article Sidebar
Main Article Content
Abstract
Bullying sering terjadi pada anak-anak khususnya remaja dan meresahkan para orang tua. Maraknya kasus bullying di negeri ini bahkan sampai menyebabkan korban jiwa. Hal ini dapat dicegah dengan cara mengetahui gejala-gejala seorang anak yang mengalami bullying. Kondisi seorang anak yang tidak dapat mengungkapkan keluh kesahnya, tentu membuat orang tua dan juga guru di sekolah sukar dalam mengerti apa yang sedang menimpanya. Hal tersebut bisa saja dikarenakan anak sedang mengalami tindakan bullying oleh teman-temannya. Oleh karena itu peneliti memiliki tujuan untuk menghasilkan fitur yang telah terseleksi dengan menggunakan algoritma C5.0. Sehingga dengan menggunakan fitur yang telah terseleksi dapat meringankan pekerjaan dalam mengisi kuisioner dan juga mempersingkat waktu dalam menentukan seorang anak apakah terkena bullying atau tidak berdasarkan gejala yang ada di setiap pertanyaan pada kuisioner. Untuk menunjang data dalam penelitian ini, peneliti menggunakan kuisioner untuk mendapatkan jawaban dari pertanyaan yang berisi tentang gejala anak yang menjadi korban bullying. Jawaban dari responden akan diolah menjadi kumpulan data yang nantinya akan dibagi menjadi data latih dan data uji untuk selanjutnya diteliti dengan menggunakan Algoritma C5.0. Metode evaluasi yang digunakan pada penelitian ini yaitu 10 fold cross validation dan untuk menilai akurasi menggunakan confusion matrix. Penelitian ini juga melaukan perbandingan dengan beberapa algoritma klasifikasi lainnya yaitu Naive Bayes dan KNN yang bertujuan untuk melhat seberapa akurat algoritma C5.0 dalam melakukan seleksi fitur. Hasil pengujian menunjukkan bahwa algoritma C5.0 mampu melakukan seleksi fitur dan juga memiliki tingkat akurasi yang lebih baik jika dibandingkan dengan algoritma Naive Bayes dan KNN dengan hasil akurasi sebelum menggunakan seleksi fitur sebesar 92,77% dan setelah menggunakan seleksi fitur sebesar 93,33%.
Downloads
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
References
P. Ppds, P. F. K. Unair, S. P. Departemen, S. M. F. Psikiatri, F. K. Unair, and P. Ii, “Dokter, Peserta PPDS I Psikiatri FK UNAIR/RSUD Dr. Soetomo, Peneliti I ** Psikiater, Konsultan, Staf Pengajar Departemen/SMF Psikiatri FK UNAIR/RSUD Dr. Soetomo, Peneliti II *** Dokter, Staf Pengajar Ilmu Kesehatan Masyarakat FK UNAIR Surabaya, Konsultan ,” pp. 1–11.
B. Okeke-oti, “Page 1 1,” System, pp. 3–4, 2010.
E. S. Wahyuni, F. T. Industri, P. Studi, T. Elektro, U. I. Indonesia, and N. Bayes, “Penerapan metode seleksi fitur untuk meningkatkan hasil diagnosis kanker payudara,” vol. 7, no. 1, pp. 283–294, 2016.
B. N. Sari, “IMPLEMENTASI TEKNIK SELEKSI FITUR INFORMATION GAIN PADA ALGORITMA KLASIFIKASI MACHINE LEARNING UNTUK PREDIKSI PERFORMA AKADEMIK SISWA,” pp. 6–7, 2016.
K. P. Wirdhaningsih, D. E. Ratnawati, U. B. Malang, D. Mining, and D. Tree, “Penerapan Algoritma Decision Tree C5.0 Untuk Peramalan Forex,” pp. 1–6, 2012.
H. Deng and G. Runger, “Feature Selection via Regularized Trees,” pp. 10–15, 2012.
B. Azhagusundari and A. S. Thanamani, “Feature Selection based on Information Gain,” no. 2, pp. 18–21, 2013.
R. Pandya and J. Pandya, “C5.0 Algorithm to Improved Decision Tree with Feature Selection and Reduced Error Pruning,” Int. J. Comput. Appl., vol. 117, no. 16, pp. 18–21, 2015.
T. Informatika, U. Malikussaleh, and A. Utara, “PENERAPAN ALGORITMA NAIVE BAYES,” vol. 8, no. 1, pp. 884–898, 2014.
L. Data et al., “Algoritma K-Nearest Neighbor Classification Sebagai Sistem Prediksi Predikat Prestasi Mahasiswa,” vol. 13, no. 2, pp. 195–202, 2016.
A. L. B. Masalah, “No Title,” pp. 1–7, 2011.
B. Ramsay and E. Van Der Knaap, “Confusion Matrix-based Feature Selection Sofia Visa.”