Analisis Perbandingan Decision Tree Dan Algoritma C4.5 Untuk Mengklasifikasi Penerimaan Mahasiswa Elektro

Abstract

Penelitian ini mengkaji dan membandingkan metode Decision Tree dan algoritma C4.5
dalam mengklasifikasikan penerimaan mahasiswa pada program studi Teknik Elektro.
Decision Tree adalah metode klasifikasi yang membangun model dalam bentuk pohon
keputusan berdasarkan pembagian atribut. Algoritma C4.5 merupakan pengembangan
dari Decision Tree yang memanfaatkan gain ratio untuk memilih atribut terbaik serta
memiliki keunggulan dalam menangani atribut kontinu dan data hilang.Dataset yang
digunakan dalam penelitian ini mencakup berbagai atribut, seperti nilai ujian,
pengalaman sebelumnya, dan keterampilan relevan lainnya. Kedua algoritma
diterapkan untuk mengevaluasi kinerja mereka dalam hal akurasi dan efisiensi
komputasi pada berbagai skenario data, terutama pada dataset dengan atribut kontinu
dan data hilang.Hasil penelitian menunjukkan bahwa algoritma C4.5 memberikan
akurasi yang lebih tinggi dibandingkan dengan Decision Tree konvensional, khususnya
dalam menangani dataset yang kompleks. Kemampuannya dalam mengelola atribut
kontinu dan data hilang membuatnya lebih andal dalam aplikasi dunia nyata. Namun,
kelemahannya adalah membutuhkan waktu komputasi yang lebih lama karena C4.5
memerlukan sumber daya pemrosesan yang lebih besar dibandingkan Decision Tree
biasa.Kesimpulannya, algoritma C4.5 lebih cocok digunakan untuk tugas klasifikasi
yang melibatkan dataset kompleks dengan atribut kontinu dan data hilang, sementara
Decision Tree tetap menjadi pilihan yang efisien untuk dataset yang lebih sederhana
dan terstruktur. Penelitian ini memberikan wawasan penting bagi peneliti dan praktisi
dalam memilih algoritma klasifikasi yang sesuai berdasarkan kompleksitas data dan
kebutuhan aplikasi tertentu.