Prediksi Gender Member GYM Menggunakan Algoritma Decision Tree

Abstract

Perkembangan data mining memberikan peluang untuk mengolah data member gym menjadi informasi prediktif yang dapat mendukung pengambilan keputusan dan peningkatan layanan. Penelitian ini bertujuan memprediksi gender member gym menggunakan algoritma Decision Tree pada aplikasi RapidMiner serta mengidentifikasi atribut yang paling berpengaruh dalam proses klasifikasi. Penelitian menggunakan pendekatan kuantitatif dengan desain eksperimen data mining. Dataset terdiri atas atribut usia, tinggi badan, berat badan, Body Mass Index (BMI), frekuensi latihan, durasi latihan, jenis aktivitas olahraga, dan gender sebagai label. Tahapan penelitian meliputi pengumpulan data, pembersihan nilai kosong dan duplikasi, transformasi atribut kategorikal, pembagian data training dan testing, pembentukan model Decision Tree, serta evaluasi menggunakan confusion matrix dan accuracy. Hasil pengujian menunjukkan bahwa model menghasilkan 45 prediksi laki-laki dan 46 prediksi perempuan yang benar, dengan lima false positive dan empat false negative. Berdasarkan hasil tersebut, model memperoleh accuracy sebesar 91%, yang menunjukkan kemampuan klasifikasi yang baik pada dataset yang digunakan. Struktur pohon keputusan memperlihatkan bahwa BMI dan frekuensi latihan menjadi atribut dominan dalam pembentukan aturan klasifikasi. RapidMiner memudahkan integrasi proses preprocessing, pemodelan, dan evaluasi melalui antarmuka visual yang sistematis. Temuan penelitian menunjukkan bahwa Decision Tree dapat digunakan sebagai metode yang efektif dan mudah diinterpretasikan untuk menganalisis karakteristik member gym. Meskipun demikian, penerapan model perlu memperhatikan representativitas data, potensi bias, perlindungan data pribadi, dan validasi pada dataset yang lebih besar sebelum digunakan dalam pengambilan keputusan operasional.