Prediksi Rating Aplikasi App Store Menggunakan Algoritma Random Forest

Green Arther Sandag

doi:10.31154/cogito.v6i2.270.167-178

Authors

Green Arther Sandag Universitas Klabat

DOI:

https://doi.org/10.31154/cogito.v6i2.270.167-178

Abstract

Rating merupakan suatu penilaian yang diberikan oleh user dengan tujuan untuk menilai apakah aplikasi yang digunakan sudah baik atau tidak. Dimana semakin tinggi rating yang diberikan oleh user, berarti user menyukai aplikasi tersebut dan dapat menjadi tolak ukur bagi user yang lain untuk men-download aplikasi tersebut. Saat ini tidak dapat dipungkiri bahwa semakin hari semakin banyak aplikasi yang terdapat pada AppStore sehingga tidak memungkinkan bagi user untuk menyeleksi satu persatu aplikasi yang terdapat pada AppStore. Maka dibutuhkan sistem prediksi rating untuk menentukan aplikasi yang tepat berdasarkan rating yang diberikan oleh pengguna terhadap suatu aplikasi, Pada penelitian ini diterapkan teknik data mining untuk melakukan prediksi dengan menggunakan metode Random Forest (RF) untuk mengetahui seberapa banyak pengguna yang kurang menyukai aplikasi-aplikasi yang telah dibuat sebelumnya. Pada metode Random Forest, data maupun atribut diambil secara acak sehingga menghasilkan berbagai model pohon keputusan. Data yang digunakan pada penelitian ini adalah Apple’s AppStore dataset. Dataset ini memiliki 7198 rows dan 16 attributes. Dari hasil pengujian yang didapatkan dengan menggunakan metode Random Forest didapati nilai accuracy 86.27%, recall 84.68%, preccission 84.64% dan nilai RMSE 0.313.

Author Biography

Green Arther Sandag, Universitas Klabat

Program Studi Teknik Informatika

References

‘App Store - Apple’. [Online]. Available: https://www.apple.com/lae/ios/app-store/. [Accessed: 21-Nov-2018].

A. Byna, ‘Analisis Perbandingan Algoritma C.45, Random Forest Dengan Chaid Decision Tree Untuk Klasifikasi Tingkat Kecemasan Ibu Hamil’, p. 6, 2017.

M. Dhawangkhara and E. Riksakomara, ‘Prediksi Intensitas Hujan Kota Surabaya dengan Matlab menggunakan Teknik Random Forest dan CART (Studi Kasus Kota Surabaya)’, Jurnal Teknik ITS, vol. 6, no. 1, Feb. 2017.

J. Zhuang, N. C. Dvornek, X. Li, D. Yang, P. Ventola, and J. S. Duncan, ‘Prediction of Pivotal response treatment outcome with task fMRI using random forest and variable selection’, in 2018 IEEE 15th International Symposium on Biomedical Imaging (ISBI 2018), Washington, DC, 2018, pp. 97–100.

I. Pujadayanti, M. A. Fauzi, and Y. A. Sari, ‘Prediksi Rating Otomatis pada Ulasan Produk Kecantikan dengan Metode Naïve Bayes dan N-gram’, p. 8.

R. W. Pratiwi, ‘Prediksi Rating Film Menggunakan Metode Naïve Bayes’, vol. 8, no. 2, p. 4, 2016.

‘Mobile App Store ( 7200 apps)’. [Online]. Available: https://www.kaggle.com/ramamet4/app-store-apple-data-set-10k-apps. [Accessed: 05-Dec-2018].

G. A. Sandag, J. Leopold, and V. F. Ong, ‘Klasifikasi Malicious Websites Menggunakan Algoritma K-NN Berdasarkan Application Layers dan Network Characteristics’, CogITo Smart Journal, vol. 4, no. 1, pp. 37–45, Jun. 2018.

E. S. Y. Pandie, ‘Implementasi Algoritma Data Mining Naive Bayes Pada Koperasi’, vol. 6, no. 1, p. 6, 2018.

L. Breiman, ‘Random Forests’, Machine Learning, vol. 45, no. 1, pp. 5–32, 2001.

F. A. Kurniawan and A. P. Kurniati, ‘Analisis Dan Implementasi Random Forest Dan Classification Dan Regression Tree (Cart) Untuk Klasifikasi Pada Misuse Intrusion Detection System’, p. 7, 2011.

Y. S. Nugroho, ‘Sistem Klasifikasi Variabel Tingkat Penerimaan Konsumen Terhadap Mobil Menggunakan Metode Random Forest’, vol. 9, no. 1, p. 6, 2017.

C. Molnar, ‘5.5 Feature Importance | Interpretable Machine Learning /> https://christophm.github.io/interpretable-ml-book/feature-importance.html. [Accessed: 11-Dec-2018].

Herdiawan, ‘Analisis Sentimen Terhadap Telkom Indihome Berdasarkan Opini Publik Menggunakan Metode Improved K-Nearest Neighbor’, Jurnal Ilmiah Komputer dan Informatika (KOMPUTA).

P. Mayadewi and E. Rosely, ‘Prediksi Nilai Proyek Akhir Mahasiswa Menggunakan Algoritma Klasifikasi Data Mining’, p. 6, 2015.