PENERAPAN METODE RANDOM FOREST UNTUK KLASIFIKASI VARIAN MINUMAN KOPI DI KEDAI KOPI KONIJIWA BANTAENG
Keywords:
Random Forest, Varian Minuman, Akurasi
Abstract
Random Forest (RF) adalah metode yang dapat meningkatkan hasil akurasi dalam membangkitkan atribut untuk setiap node yang dilakukan secara acak. Penelitian ini bertujuan untuk mengetahui tingkat akurasi metode RF dalam memprediksi varian minuman kopi di kedai Konijiwa Bantaeng yang paling diminati pelanggan. Berdasarkan hasil analisis diperoleh bahwa model dengan error klasifikasi terkecil adalah dengan menggunakan mtry 2 dan ntree 500. Model yang dihasilkan dievaluasi dengan menggunakan confusion matrix dimana diperoleh bahwa varian minuman kategori coffee based lebih diminati daripada signature coffee dengan nilai akurasi sebesar 94,12%.
References
Adrian, M., R., Putra, M., P., Rafialdy, M., H., dan Rakhmawati, N., A.. (2021). Perbandingan Metode Klasifikasi Random Forest Dan SVM Pada Analisis Sentimen PSBB. Jurnal Informatika Upgris. 7(1): 36–40.
Badan Pusat Statistik. (2020). Statistik Kopi Indonesia. Indonesia.
Breiman, L. (2001). Random Forests. Manufactured in The Netherlands. 5–32.
Debby, Alita, & Rahman, A.. (2020). Pendeteksian Sarkasme Pada Proses Analisis Sentimen Menggunakan Random Forest Classifier. Jurnal Komputasi. 8(2): 50–58.
Devella, Siska, Yohannes, & Rahmawati, F. N.. (2020). Implementasi Random Forest Untuk Klasifikasi Motif Songket Palembang Berdasarkan SIFT. Jurnal Teknik Informatika dan Sistem Informasi. 7(2): 310–20.
Fadilah, Laili. (2018). Klasifikasi Random Forest Pada Data Imbalanced. Jakarta: Unuversitas Islam Negeri Syarif Hidayatullah.
Fachruddin, M. I. (2015). Classification Dan Support Vector Machine Untuk Deteksi Epilepsi Menggunakan Data Rekaman Electroencephalograph ( EEG ). Surabaya: Institut Teknologi Sepuluh Nopember.
Fanani, Zainal, N., Sooai, A. G., Sumpeno, S., & Purnomo, M. H.. (2021). Penentuan Kemampuan Motorik Halus Anak Dari Proses Menulis Hanacaraka Menggunakan Random Forest. Jurnal Nasional Teknik Elektro dan Teknologi Informasi. 9(2): 148-154
Genuer, Robin. (2020). Use R ! Random Forests with R. Switzerland: Springer Nature
Geneur, R., Poggi, J. M., & Malot, C., T. (2009). Variable Selection using Random Forests. France : Laboratoire de Mathematiques, Universite Paris-Sud 11, Bat. 425, 91405.
Grandini, Margherita, Bagli, E., & Visani, G.. 2020. Metrics for Multi-Class Classification: An Overview. Italy: Bologna (BO). 1–17.
Hanun, Nugraha, L., & Zailani, A., U,. (2020). Penerapan Algoritma Klasifikasi Random Forest Untuk Penentuan Kelayakan Pemberian Kredit Di Koperasi Mitra Sejahtera. Journal of Technology Information. 6(1): 7–14.
Haristu, R., & Rosa, P.,H., P.. (2019). Penerapan Metode Random Forest Untuk Prediksi Win Ratio Pemain Player Unknown Battleground. Jurnal MEANS (Media Informasi Analisa dan Sistem). 4(2): 120–28.
Kahpi, Ashabul. (2017). Budidaya Dan Produksi Kopi Di Sulawesi Bagian Selatan Pada Abad Ke-19. Lensa Budaya. 12(1): 13–26.
Kantardzic, Mehmed. (2020). DATA MINING Concepts, Models, Methods, and Algorithms. Canada: Wiley.
Luque, Amalia, Carrasco, A., Martín, A., & Ana De. (2019). The Impact of Class Imbalance in Classification Performance Metrics Based on the Binary Confusion Matrix. Jurnal Homepage. 91: 216–31.
Markoulidakis, Ioannis et al. (2021). Multiclass Confusion Matrix Reduction Method and Its Application on Net Promoter Score Classification Problem. Article Technologies MDPI.
Octhaviani, Shisillia, & Sibarani, H., J.. (2021). Analisis Pengaruh Citra Merek Produk, Kualitas Produk, Dan Harga Diskon Terhadap Keputusan Pembelian Produk Minuman Kopi Pada Pengguna Aplikasi Grab Food Di Kota Medan. Scientific Journal. 4(3): 521–28.
Pradadimara, Dias. (2015). Rice in Colonial and Post-Colonial Southeast Asia, Paramita, 25, (1).
Prasetyo, W. B. (2020). 2020 Kedai Kopi Diprediksi Tumbuh 15%. beritasatu.com. https://www.beritasatu.com/ekonomi/601687/2020-kedai-kopidiprediksi-tumbuh-15.
Primajaya, Aji, & Betha N., S.. (2018). Random Forest Algorithm for Prediction of Precipitation. Indonesian Journal of Artificial Intelligence and Data Mining (IJAIDM). 1(1): 27–31.
Siburian, Wanika, V., & Mulyana, I., E.. (2018). Prediksi Harga Ponsel Menggunakan Metode Random Forest. Repository Proceeding Seminar Fakultas Imu Komputer. 4(1): 978–79.
Tebibel, B., Thouraya, & Rubin, H., S.. (2016). Theoretical information reuse dan integration. Switzerland: Springer.
Badan Pusat Statistik. (2020). Statistik Kopi Indonesia. Indonesia.
Breiman, L. (2001). Random Forests. Manufactured in The Netherlands. 5–32.
Debby, Alita, & Rahman, A.. (2020). Pendeteksian Sarkasme Pada Proses Analisis Sentimen Menggunakan Random Forest Classifier. Jurnal Komputasi. 8(2): 50–58.
Devella, Siska, Yohannes, & Rahmawati, F. N.. (2020). Implementasi Random Forest Untuk Klasifikasi Motif Songket Palembang Berdasarkan SIFT. Jurnal Teknik Informatika dan Sistem Informasi. 7(2): 310–20.
Fadilah, Laili. (2018). Klasifikasi Random Forest Pada Data Imbalanced. Jakarta: Unuversitas Islam Negeri Syarif Hidayatullah.
Fachruddin, M. I. (2015). Classification Dan Support Vector Machine Untuk Deteksi Epilepsi Menggunakan Data Rekaman Electroencephalograph ( EEG ). Surabaya: Institut Teknologi Sepuluh Nopember.
Fanani, Zainal, N., Sooai, A. G., Sumpeno, S., & Purnomo, M. H.. (2021). Penentuan Kemampuan Motorik Halus Anak Dari Proses Menulis Hanacaraka Menggunakan Random Forest. Jurnal Nasional Teknik Elektro dan Teknologi Informasi. 9(2): 148-154
Genuer, Robin. (2020). Use R ! Random Forests with R. Switzerland: Springer Nature
Geneur, R., Poggi, J. M., & Malot, C., T. (2009). Variable Selection using Random Forests. France : Laboratoire de Mathematiques, Universite Paris-Sud 11, Bat. 425, 91405.
Grandini, Margherita, Bagli, E., & Visani, G.. 2020. Metrics for Multi-Class Classification: An Overview. Italy: Bologna (BO). 1–17.
Hanun, Nugraha, L., & Zailani, A., U,. (2020). Penerapan Algoritma Klasifikasi Random Forest Untuk Penentuan Kelayakan Pemberian Kredit Di Koperasi Mitra Sejahtera. Journal of Technology Information. 6(1): 7–14.
Haristu, R., & Rosa, P.,H., P.. (2019). Penerapan Metode Random Forest Untuk Prediksi Win Ratio Pemain Player Unknown Battleground. Jurnal MEANS (Media Informasi Analisa dan Sistem). 4(2): 120–28.
Kahpi, Ashabul. (2017). Budidaya Dan Produksi Kopi Di Sulawesi Bagian Selatan Pada Abad Ke-19. Lensa Budaya. 12(1): 13–26.
Kantardzic, Mehmed. (2020). DATA MINING Concepts, Models, Methods, and Algorithms. Canada: Wiley.
Luque, Amalia, Carrasco, A., Martín, A., & Ana De. (2019). The Impact of Class Imbalance in Classification Performance Metrics Based on the Binary Confusion Matrix. Jurnal Homepage. 91: 216–31.
Markoulidakis, Ioannis et al. (2021). Multiclass Confusion Matrix Reduction Method and Its Application on Net Promoter Score Classification Problem. Article Technologies MDPI.
Octhaviani, Shisillia, & Sibarani, H., J.. (2021). Analisis Pengaruh Citra Merek Produk, Kualitas Produk, Dan Harga Diskon Terhadap Keputusan Pembelian Produk Minuman Kopi Pada Pengguna Aplikasi Grab Food Di Kota Medan. Scientific Journal. 4(3): 521–28.
Pradadimara, Dias. (2015). Rice in Colonial and Post-Colonial Southeast Asia, Paramita, 25, (1).
Prasetyo, W. B. (2020). 2020 Kedai Kopi Diprediksi Tumbuh 15%. beritasatu.com. https://www.beritasatu.com/ekonomi/601687/2020-kedai-kopidiprediksi-tumbuh-15.
Primajaya, Aji, & Betha N., S.. (2018). Random Forest Algorithm for Prediction of Precipitation. Indonesian Journal of Artificial Intelligence and Data Mining (IJAIDM). 1(1): 27–31.
Siburian, Wanika, V., & Mulyana, I., E.. (2018). Prediksi Harga Ponsel Menggunakan Metode Random Forest. Repository Proceeding Seminar Fakultas Imu Komputer. 4(1): 978–79.
Tebibel, B., Thouraya, & Rubin, H., S.. (2016). Theoretical information reuse dan integration. Switzerland: Springer.
Published
2022-12-06
How to Cite
Suci Amaliah, Nusrang, M., & Aswi, A. (2022). PENERAPAN METODE RANDOM FOREST UNTUK KLASIFIKASI VARIAN MINUMAN KOPI DI KEDAI KOPI KONIJIWA BANTAENG. VARIANSI: Journal of Statistics and Its Application on Teaching and Research, 4(3), 121-127. https://doi.org/10.35580/variansiunm31
Issue
Section
Articles
