Reduct dan Core TINJAUAN PUSTAKA

Discernibility matrix untuk data pada Tabel 2.2 ditunjukkan pada Tabel 2.3, untuk atribut dengan nilai keputusan sama diberi tanda “-“ : Tabel 2.3 Discernibility matrix untuk data pada Tabel 2.2 X 1 X 2 X 3 X 4 X 5 X 6 X 2 - X 3 b, c, d b, c X 4 b b, d c, d X 5 a, b, c, d a, b, c - a, b, c, d X 6 a, b, c, d a, b, c - a, b, c, d - X 7 - - a, b, c, d a, b c, d c, d Reduct untuk data dari tabel 2.2 adalah {b, c} dan {b, d}. Matriks Boolean MB untuk data pada Tabel 2.2 ditunjukkan pada Tabel 2.4 di bawah ini : Tabel 2.4 Matriks Boolean untuk data pada Tabel 2.3 a b c d X 1 X 3 1 1 1 X 1 X 4 1 X 1 X 5 1 1 1 1 X 1 X 6 1 1 1 1 X 2 X 3 1 1 X 2 X 4 1 1 X 2 X 5 1 1 1 X 2 X 6 1 1 1 X 3 X 4 1 1 X 3 X 7 1 1 1 1 X 4 X 5 1 1 1 1 X 4 X 6 1 1 1 1 X 4 X 7 1 1 X 5 X 7 1 1 X 6 X 7 1 1

2.6 Reduct Based Decision Tree

Algoritma RDT adalah algoritma yang lahir dengan memanfaatkan kelebihan-kelebihan dari teori himpunan kasar dan algoritma pohon keputusan yang seudah ada sebelumnya, maka akan meningkatkan efisiensi, kesederhanaan dan kemampuan generalisasi dari kedua algoritma tersebut Yellasiri, 2008. Algoritma Reduct Based Decision Tree RDT sebagian besar memiliki dua langkah penting, yaitu Reduct Computation dan pembentukan pohon DT Construction atau pembentukan pohon keputusan. RDT juga memiliki banyak jenis-jenis nya, yang merupakan pengembangan lebih lanjut dari RDT itu sendiri, dan letak pengembangan adalah dengan memodifikasi salah satu langkah dalam proses reduct nya Adhiguru, Minz and Jain, 2006 . Perbedaan dan deskripsi dari masing-masing algoritma tersebut bisa dilihat dalam tabel 2.5 berikut, data diambil dari hasil pengujian pada sebuah dataset nutrisi Jain,2006 : Tabel 2.5 Algoritma dan varian RDT Dari tabel diatas bisa dilihat bahwa, algoritma Rough Set RS sendiri menggunakan Full Discernibility dan keputusannya dibuat dengan relative reduct. Relative Reduct adalah algoritma yang digunakan pada data set untuk melakukan reduct dan memperoleh rule dan kemudian bisa melakukan klasifikasi dan prediksi. Sedangkan RDT sendiri hanya menggunakan global reduct, yakni

Dokumen yang terkait

Implementasi algoritma reduct based decision tree untuk mengenali pola klasifikasi mahasiswa yang terkena sisip program.

0 1 229

Pencarian karakteristik calon mahasiswa baru Universitas Sanata Dharma yang tidak mendaftar ulang dengan menggunakan algoritma pohon.

0 0 125

MANAJEMEN WAKTU MAHASISWA TERHADAP KURIK

0 1 17

Pencarian karakteristik calon mahasiswa baru Universitas Sanata Dharma yang tidak mendaftar ulang dengan menggunakan algoritma pohon - USD Repository

0 0 123

Klasifikasi Data Penerimaan Mahasiswa Baru dan Prestasi akademik mahasiswa Jurusan Teknik Informatika Universitas Sanata Dharma dengan menggunakan algoritma naive bayesian - USD Repository

0 1 145

Pencarian pola klasifikasi mahasiswa yang tidak memenuhi sisip program berdasarkan nilai tes masuk penerimaan mahasiswa baru dan latar belakang mahasiswa Universitas Sanata Dharma dengan menggunakan algoritma C4.5 - USD Repository

0 0 175

Prediksi calon mahasiswa baru Universitas Sanata Dharma yang tidak mendaftar ulang menggunakan algoritma Naive Bayessian - USD Repository

0 0 119

Pengenalan pola klasifikasi status registrasi calon mahasiswa baru Universitas Sanata Dharma dengan algoritma Reduct Based Decision Tree (RDT) - USD Repository

0 1 151

Pencarian pola klasifikasi karya pengembangan profesi guru berdasarkan data sertifikasi guru dengan algoritma Reduct Based Decision Tree (RDT) - USD Repository

0 0 231

Implementasi algoritma reduct based decision tree untuk mengenali pola klasifikasi mahasiswa yang terkena sisip program - USD Repository

0 0 227