Analisis Algoritme Klasifikasi Random Forest, Decision Tree C4.5 dan Simple Cart pada Data Pasien Donor Darah Menggunakan Model RFMTC

disusun oleh Kelompok 6 - Grup Praktikum 1:Shofyan NRP: G64134009Resa Rukmigayatri NRP: G64134011D’trio Arno Priasaji NRP: G64134004

Departemen Ilmu KompputerFakultas Ilmu Pengetahuan Alam dan MatematikaInstitut Pertanian Bogor2015

Indonesia kekurangan 1.3 juta kantong darah pertahun (Antara News 2014).

Pendonor yang loyal sedikit

Persediaan darah berkurang 80% dari persediaan normal ketika lebaran (Metro Tempo 2014)

Kebutuhan darah tetap ada walaupun tidak banyak ketika ramadhan

Bagaimana Memodelkan Pendonor yang akan Mendonorkan darahnya Kembali?

Data

Ilustrasi Data di WEKA

RFMTC (Yeh 2008)

metode analisis nilai pelanggan terkenal luas diterapkan untuk segmen pelanggan

Recency (bulan sejak donasi terakhir)Frequency, (total banyaknya donasi) Monetary value,(total darah yang didonasikan)Time, (bulan sejak donasi pertama)Churn probability (representasi dari mendonasikan darah/tidak)

K Fold Validation-------------------------- | K1 | K2 | K3 | K4 | K5 | --------------------------

------------------------------------------- | Eksperimen Ke | Data Latih  | Data Test | ------------------------------------------- |       1       | K2,K3,K4,K5 |     K1    | ------------------------------------------- |       2      | K1,K3,K4,K5 |     K2    | ------------------------------------------- |       3       | K1,K2,K4,K5 |     K3    | ------------------------------------------- |       4       | K1,K2,K3,K5 |     K4    | ------------------------------------------- |       5       | K1,K2,K3,K4 |     K5    | -------------------------------------------

CART(Breiman 1984)

Pohon biner tiap simpul wajib memiliki 2 cabang.

mengembangkan decision tree dengan memilih percabangan yang paling optimal tiap simpul.

Information Gain Measures the expected reduction in entropy.

The higher the IG, more is the expected reduction in entropy.

where

Values(A) is the set of all possible values for attribute A,

Sv is the subset of S for which attribute A has value v.

Entropy Entropy measures the impurity of an arbitrary collection of examples.

For a collection S, entropy is given as:

For a collection S having positive and negative examples

Entropy(S) = -p+log2p+ - p-log2p-

where p+ is the proportion of positive examples

and p- is the proportion of negative examples

In general, Entropy(S) = 0 if all members of S belong to the same class.

Entropy(S) = 1 (maximum) when all members are split equally.

C4.5 (Quinlan 1993)

pengembangan dari algoritma ID3 membangun suatu pohon keputusan menggunakan informasi gain/entropy

Random Forest (Breiman 2005)

pengembangan metode CART

tree yang dihasilkan tidak hanya satu seperti Single Decision Tree

Tahapan enelitian

Hasil C4.5 Tree

Hasil

C4.5 CART Random Forest0

100

200

300

400

500

600

700

582 580544

166 168204

Grafik Hasil Klasifikasi

Correctly Classified Instances Incorrectly Classified Instances

Hasil

C4.5 CART Random Forest70.00%

71.00%

72.00%

73.00%

74.00%

75.00%

76.00%

77.00%

78.00%

79.00%77.81% 77.54%

72.73%

Grafik Akurasi

Classification Accuracy (%)

Kamulah Pendonor yang Loyal (76.83%)

Terima Kasih