Pemodelan Pola Akses Website Pemerintah Menggunakan ClassificationViaRegression

Eni Yusriani

Abstract

Website pemerintah merupakan salah satu sarana pelayanan kepada masyarakat. Pola akses pengunjung pada website pemerintah bisa menjadi indikator atas mutu pelayanannya. Selain itu, pola tersebut bisa dijadikan dasar untuk melihat tren dan prediksi kebutuhan pelayanan untuk masyarakat terhadap website pemerintah di waktu yang akan datang. Metode yang digunakan adalah klasifikasi melalui regresi (ClassificationViaRegression), karena klasifikasi yang dibutuhkan bersifat multiclass, dengan atribut bernilai numerik, sehingga bisa mentransformasikan masalah klasifikasi menjadi fungsi prediksi. Metode ini berbasis pohon keputusan M5, dengan proses greedy pruning yaitu proses pemangkasan beberapa atribut yang dianggap tidak terlalu berpengaruh pada hasil prediksi sehingga fungsi yang dihasilkan lebih efektif dan efisien. Hasil pengujian dalam penelitian ini menunjukkan akurasi prediksi 80,42%, dan untuk website Pemerintah, hasil prediksi aksesnya berkorelasi positif terhadap waktu akses dan resource data.

Keywords

akses; website; pemerintah; classification; regression; m5

Full Text:

PDF

References

Breiman, L., & Friedman. (1984). Classification and Regression Trees. Wardsworth, Inc.

Cook, R. D. (1982). Critism and Influence Analysis in Regression. Sanford Weisberg, Sociological Methodology.

Daniel Schlosser, S. G. (2009). Internet Access Traffic Measurement and Analysis. University of Wurzburg.

Eni, Y., Suprapto, Y. K., & Pratomo, I. (2014). Analisis Trafik Pemanfaatan Internet di Instansi Pemerintah, Prosiding Temu Alumni Penerima Beasiswa Kementerian Komunikasi dan Informatika ke 5 (p. 456). Yogyakarta: Kementerian Komunikasi dan Informatika RI.

K.CCJ, H. J. (2006). Internet Traffic Classification for Scalable QoS Provision. IEEE International.

Liangxiao Jiang, Z. C. (2012). Improving Tree Augmented Naive Bayes for Class Probability Estimation. Knowledge Based Systems 26 , pp. 239-245.

Liu, B. (2006). Web Data Mining. New York: Springer.

Michalis Faloutsos, T. K. (2005). BLINC: Multilever Traffic Classification in the Dark. SIGCOMM'05.

Nguyen, G. A. (2008). A survey of techniques for Internet Traffic Classification Using Machine Learning. IEEE Communication and Survey and Tutorial , 10(4).

P. Lorier, A. M. (2004). Flow clustering using machine learning techniques. Development and Society .

Wang, Y., & Witten, I. H. (1996). Induction of Model Tree for Predicting Continous Classes. Department of Computer Science The University of Waikato.

Refbacks

  • There are currently no refbacks.