ABSTRAKSI: Metode klasifikasi Decision Tree, merupakan metode yang mudah diinterpretasikan, efisien dan cepat dengan fungsi-fungsi pendekatan yang bernilai diskrit. Metode Decision Tree khususnya dengan algoritma id3 memiliki kelemahan ketika atribut yang digunakan bertipe numerik maka harus dilakukan diskritisasi untuk membagi range domain tertentu. Pembagian range domain akan sulit dilakukan jika tidak ada pengetahuan tentang karakteristik data. Oleh karena itu digunakan pendekatan fuzzy pada algoritma fuzzy id3, dimana nilai-nilai fuzzy akan memudahkan dalam proses pembagian range menjadi nilai linguistik dengan derajat keanggotaan tertentu. Penggunaan fuzzy sendiri, mengalami kesulitan jika tidak dikatahui batas-batas dan bentuk keanggotaan yang tepat, untuk itu digunakan algoritma genetika, sehingga proses untuk menemukan tree dengan akurasi tinggi akan lebih mudah.
Dengan menggabungkan metode-metode tersebut menjadi fuzzy decision tree dengan algoritma genetika(AG-FDT), performansi terbaik sistem diukur berdasarkan nilai akurasinya diperoleh saat ukuran populasi sebesar 40, probabilitas crossover 0.75, fuzziness control threshold 80% dan leaf decision threshold 12%. Dan dengan membandingkan akurasi AG-FDT dengan id3 diketahui bahwa akurasi AG-FDT lebih tinggi dibandingkan klasifikasi dengan id3.Kata Kunci : Klasifikasi, Fuzzy Decision Tree, Algoritma genetikaABSTRACT: Decision tree classification method, a method that is easily interpreted, efficient and fast with the functions of discrete-value approach. Methods especially Decision Tree with id3 algorithm has a weakness when the type attribute is used to do numerical discretization is to divide the certain domain range. Distribution of domain range would be difficult if there is no knowledge about the characteristics of data. Therefore used a fuzzy approach to fuzzy id3 algorithm, where the fuzzy values will facilitate the process of division into the linguistic range with a certain degree of membership. The use of fuzzy itself, had a difficult if not dikatahui boundaries and membership of appropriate forms, for the use of genetic algorithms, so the process to find a tree with higher accuracy will be easier.
By combining these methods into a fuzzy decision tree with genetic algorithm (GA-FDT), the best system performance is measured based on the value of accuracy is obtained when the population size of 40, crossover probability 0.75, fuzziness control threshold of 80% and 12% leaf decision threshold. And by comparing the accuracy of FDT with AG-id3-AG is known that the accuracy is higher than the classification of FDT with id3.Keyword: Classification, Fuzzy Decision Tree, Genetic Algorithm