<![CDATA[ABSTRACTThis research aims to find the best accuracy from the decision tree model so that the model can perform well for bestselling sales classification and make the model usable and integrated with other systems through the Application Programming Interface (API). This analysis uses the decision tree method and the Cross-Industry Standard Process for Data Mining (CRISP-DM) as the research process flow. The research results that have been obtained in the early stages of the model can produce an accuracy of 90.85% in RapidMiner modeling. In comparison, in python, the resulting accuracy is 92.83%, but when the parameter tuning process is carried out the highest accuracy produced reaches 95.68% on RapidMiner while in modeling using python the quality of accuracy is 95.09% and based on the deployment process, the prediction function of the model can be accessed properly through the Application Programming Interface (API).Keywords: Data Mining, Decision Tree C4.5, ClassificationABSTRAKPenelitian ini bertujuan untuk mencari akurasi terbaik dari model Decision Tree sehingga model dapat menghasilkan performa yang baik untuk tujuan klasifikasi penjualan terlaris dan juga membuat model dapat digunakan dan terintegrasi pada sistem lain melalui Application Programming Interface (API). Analisis ini menggunakan metode decision tree, dan Cross-Industry Standard Process for Data Mining (CRISP-DM) sebagai alur proses penelitian. Hasil penelitian yang telah didapatkan pada tahap awal model dilatih dapat menghasilkan akurasi 90.85% pada pemodelan RapidMiner, sedangkan pada python akurasi yang dihasilkan 92.83%, akan tetapi pada saat proses tuning parameter dilakukan akurasi paling tertinggi yang dihasilkan mencapai 95.68% pada RapidMiner sedangkan pada pemodelan menggunakan python menghasilkan akurasi sebesar 95.09%, dan berdasarkan proses deployment, fungsi prediksi model dapat dengan baik diakses melalui Application Programming Interface (API).Kata Kunci: Data Mining, Decision Tree C4.5, Klasifikasi]]>
Copyrights © 2022
