Komparasi Performa Algoritma ID3, C4.5, CHAID Dalam Profiling Tersangka Kasus Narkoba Di Jawa Barat

  • Asep Permana Magister Ilmu Komputer, Teknik Informatika, Universitas Budi Luhur
  • Arief Wibowo Magister Ilmu Komputer, Teknik Informatika, Universitas Budi Luhur
  • Agustia Hananto Magister Ilmu Komputer, Teknik Informatika, Universitas Budi Luhur
  • Sigit Budi Nugroho Magister Ilmu Komputer, Teknik Informatika, Universitas Budi Luhur
Keywords: C4.5, CHAID, ID3, Data Mining

Abstract

Strategi dalam pengendalian kejahatan narkoba tidak bisa didasari melalui intervensi berupa larangan saja, akan tetapi memahami pola kejahatan narkoba akan menjadi lebih baik dalam pengendaliannya, terutama untuk pencegahan dan kewaspadaan. Dengan menggunakan teknik data mining, insigth terhadap kejahatan narkoba dapat didefinisikan dengan baik, salah satunya dengan algoritma klasifikasi decision tree. Ada beberapa algoritma dengan basis decision tree, seperti ID3, C4.5, dan CHAID. Dengan banyaknya pilihan algoritma, maka metode perbandingan algoritma dipilih oleh penulis dalam penelitian ini, tujuannya untuk menentukan algoritma yang paling tepat dalam menganalisis data. Performa akurasi menjadi tolok ukur dalam perbandingannya, dan hasil dari perbandingan yang dilakukan, penulis memilih algoritma CHAID sebagai pemodelannya dengan nilai akurasi sebesar 73.89%, sedangkan yang lainnya masing-masing memiliki nilai akurasi sebesar 70.14% untuk ID3 dan 72.44% untuk C4.5.

References

[1] F. C. Tsai, M. C. Hsu, C. T. Chen, and D. Y. Kao, “Exploring drug-related crimes with social network analysis,” Procedia Comput. Sci., vol. 159, pp. 1907–1917, 2019.
[2] PUSLITDATIN, “Penggunaan Narkotika di Kalangan Remaja Meningkat,” BNN, 2019.
[3] Z. Qiao, T. Chai, Q. Zhang, X. Zhou, and Z. Chu, “Predicting potential drug abusers using machine learning techniques,” ICIIBMS 2019 - 4th Int. Conf. Intell. Informatics Biomed. Sci., pp. 283–286, 2019.
[4] N. H. M. Shamsuddin, N. A. Ali, and R. Alwee, “An overview on crime prediction methods,” 6th ICT Int. Student Proj. Conf. Elev. Community Through ICT, ICT-ISPC 2017, vol. 2017-Janua, no. May, pp. 1–5, 2017.
[5] L. McClendon and N. Meghanathan, “Using Machine Learning Algorithms to Analyze Crime Data,” Mach. Learn. Appl. An Int. J., vol. 2, no. 1, pp. 1–12, 2015.
[6] S. Wahyuni, “Implementation of Data Mining to Analyze Drug Cases Using C4.5 Decision Tree,” J. Phys. Conf. Ser., vol. 970, no. 1, pp. 0–6, 2018.
[7] J. R. Quinlan, “Induction of decision trees,” Mach. Learn., vol. 1, no. 1, pp. 81–106, 1986.
[8] I. D. Mienye, Y. Sun, and Z. Wang, “Prediction performance of improved decision tree-based algorithms: A review,” Procedia Manuf., vol. 35, pp. 698–703, 2019.
[9] A. O. Ogunde, G. O. Ogunleye, and O. Oreoluwa, “A Decision Tree Algorithm Based System for Predicting Crime in the University,” Mach. Learn. Res., vol. 2, no. 1, pp. 26–34, 2017.
[10] J. R. Quinlan, “Programs for machine learning,” Inf. Control, no. 1, pp. 235–240, 1993.
[11] H. Hao, T. Chen, J. Lu, J. Liu, and X. Ma, “The Research and Analysis in Decision Tree Algorithm Based on C4.5 Algorithm,” Proc. 2018 IEEE 3rd Adv. Inf. Technol. Electron. Autom. Control Conf. IAEAC 2018, no. 2, pp. 1882–1886, 2018.
[12] G. V. Kass, “An Exploratory Technique for Investigating Large Quantities of Categorical Data,” Appl. Stat., vol. 29, no. 2, p. 119, 1980.
Published
2021-03-29