Studi Algoritma CART dengan Induksi Fuzzy dalam Mengklasifikasikan Data

STUDI ALGORITMA CART DENGAN INDUKSI FUZZY
DALAM MENGKLASIFIKASIKAN DATA
ABSTRAK

Metode pohon keputusan digunakan untuk mengekstraksi informasi tentang
himpunan data dalam masalah klasifikasi, meskipun tidak dapat menangani
ketidakpastian yang tertanam dalam data terkait dengan pemikiran dan persepsi
manusia. Makalah ini menjelaskan pengembangan algoritma induksi pohon yang
meningkatkan akurasi klasifikasi induksi pohon keputusan. Penelitian ini
dirancang dengan mengintegrasikan prinsip Algoritma CART (Classification and
Regressin Tree) dan konsep himpunan Fuzzy, memungkinkan model untuk
menangani data yang tidak pasti dan tidak tepat, serta untuk melunakkan batas
keputusan tajam yang melekat dalam algoritma pohon keputusan tegas. CART
adalah algoritma pohon keputusan dengan fitur utama pengujian Indeks Gini
(indeks keragaman) pada setiap tingkat, yang mengarah ke pembentukan pohon
dengan proses pemangkasan untuk menemukan pohon yang optimal. Penerapan
logika fuzzy untuk pohon keputusan CART dapat memperlihatkan pengetahuan
klasifikasi yang lebih alami dan sejalan dengan pemikiran manusia, serta lebih
kuat ketika menangani informasi yang tidak tepat. Hasil penerapan logika fuzzy
untuk pohon keputusan CART disajikan dalam makalah ini. Hasil penelitian ini
diperoleh dari database nyata, dan menunjukkan bahwa algoritma inferensi fuzzy

baru meningkatkan akurasi lebih dari pohon CART tegas.

Kata kunci : Pohon Keputusan, Klasifikasi, CART, Fuzzy

v

Universitas Sumatera Utara

STUDY OF CART ALGORITHM WITH FUZZY INDUCTION
IN CLASSIFYING DATA
ABSTRACT

Decision tree methods used for extracting information about dataset in
classification problems, although unable to deal with uncertainties embedded
within the data associated with human thinking and perception. This paper
describes the development of a tree induction algorithm which improves the
classification accuracy of decision tree induction. The research is designed by
integrating the principles of CART (Classification and Regression Tree) algorithm
and the fuzzy set-theoretic concepts, enabling the model to handle uncertain and
imprecise data, and in order to soften the sharp decision boundaries which are

inherent in crisp decision tree algorithms. CART is a decision tree algorithm with
the main feature of Gini Index testing (homogenity index) at each level, leading to
the production of trees with pruning process to find the optimal tree. The
application of fuzzy logic to CART decision trees can represent classification
knowledge more naturally and inline with human thinking, and are more robust
when it comes to handling imprecise information. The results of applying fuzzy
logic to CART decision trees are presented in this paper. These have been
obtained from sets of real data, and show that the new fuzzy inference algorithm
improves the accuracy over crisp CART trees.

Keywords : Decision Tree, Classification, CART, Fuzzy

vi

Universitas Sumatera Utara