Download - Pembahasan Decision Tree
BAB I
PENDAHULUAN
1.1. Latar Belakang Masalah
Sebagian besar keputusan yang dibuat manusia, terutama di bidang bisnis dan
konstruksi akan selalu beresiko karena informasi yang tersedia adalah informasi yang
tidak sempurna atau imperfect information. Hal inilah yang menyebabkan para
pembuat keputusan tidak pernah lelah dalam mencari informasi tambahan untuk
memperoleh hasil keputusan terbaik. Visualisasi tersebut menggambarkan bagaimana
putusan harus memilih berbagai alternatif yang berdasar perhitungan dengan nilai
keputusan berbeda.
Dalam suatu analisis keputusan, Decision Tree (Pohon Keputusan) merupakan
salah satu alat untuk mencapai keputusan terbaik tersebut. Dimana Decision Tree
adalah suatu decision support tool yang menggunakan sebuah grafik atau model suatu
keputusan dan konsekuensi-konsekuensi dari keputusan tersebut. Disebut Decision
Tree karena bila digambarkan mirip sebuah pohon dengan cabang-cabang dan
ranting-rantingnya. Decision Tree biasanya digunakan untuk mengidentifikasi strategi
terbaik yang harus digunakan untuk mencapai tujuan.
Kegunaan lain dari Decision Tree adalah sebagai alat deskriptif untuk
menghitung probabilitas kondisional. Dibandingkan dengan decision support tools
yang lain, Decision Tree memiliki beberapa kelebihan yakni mudah dimengerti dan
diinterpretasikan. Orang akan mudah memahami model dari Decision Tree setelah
memperoleh penjelasan singkat. Selain itu Decision Tree tetap memiliki nilai bahkan
dengan data yang sulit. Untuk pengertian yang lebih mendalam dapat diperoleh
berdasarkan gambaran dari tenaga ahli mengenai situasinya (alternatifnya,
probabilitasnya, dan biaya-biayanya) dan pilihan mereka untuk hasilnya.
Decision Tree menggunakan white box model. Jika kita memperoleh hasil dari
model tersebut maka penjelasannya akan dapat dengan mudah dimengerti dengan
matematika sederhana. Decision Tree juga bisa dikombinasikan dengan teknik
pengambilan keputusan yang lainnya contohnya dengan metode NPV, PERT dan
distribusi linear. Bukan hanya itu, Decision Tree dapat digunakan untuk
mengoptimalisasikan suatu investasi.
1
Berdasarkan hal tersebut, makan dalam penyusunan makalah ini akan dibahas
lebih lanjut mengenai Decision Tree.
1.2. Rumusan Masalah
Dari latar belakang tersebut, maka permasalahan yang penulis angkat dalam
tugas ini adalah :
1. Apa saja manfaat dari penggunanaa Decision Tree?
2. Bagaimana penerapan Decision Tree dalam suatu kasus?
1.3. Sistematika Penulisan.
Sistematika penulisan dalam tugas ini, meliputi :
BAB I PENDAHULUAN
Pada bab ini diuraikan tentang latar belakang, rumusan masalah dan sistematika
penulisan.
BAB II KONSEP DAN TEORI
Bab ini menguraikan tentang konsep dan teori yang diperlukan sebagai pendukung
dalam pembahasan.
BAB III METODE PEMBAHASAN
Bab ini menguraikan secara singkat tentang metode yang digunakan.
BAB IV PEMBAHASAN
Bab ini berisi proses pembahasan yang relevan dengan permasalahan.
BAB V SIMPULAN
Bab ini berisi simpulan terhadap hasil pembahasan.
2
BAB II
KONSEP DAN TEORI
2.1. Pengertian Decision Tree
Secara konsep Decision Tree adalah salah satu dari teknik decision
analysis.Tries sendiri pertama kali diperkenalkan pada tahun 1960-an oleh Fredkin. Trie
atau digital tree berasal dari kata retrival (pengambilan kembali) sesuai dengan
fungsinya. Secara etimologi kata ini diucapkan sebagai ‘tree’. Meskipun mirip dengan
penggunaan kata ‘try’ tetapi hal ini bertujuan untuk membedakannya dari general tree.
Dalam ilmu komputer, trie, atau prefix tree adalah sebuah struktur data dengan
representasi ordered tree yang digunakan untuk menyimpan associative array yang
berupa string. Berbeda dengan binary search tree (BST) yang tidak ada node di tree
yang menyimpan elemen yang berhubungan dengan node sebelumnya dan, posisi setiap
elemen di tree sangat menentukan. Semua keturunan dari suatu node mempunyai prefix
string yang mengandung elemen dari node itu, dengan root merupakan string kosong.
Values biasanya tidak terkandung di setiap node, hanya di daun dan beberapa node di
tengah yang cocok dengan elemen tertentu.
Secara singkat bahwa Decision Tree merupakan salah satu metode klasifikasi
pada Text Mining. Klasifikasi adalah proses menemukan kumpulan pola atau fungsi-
fungsi yang mendeskripsikan dan memisahkan kelas data satu dengan lainnya, untuk
dapat digunakan untuk memprediksi data yang belum memiliki kelas data tertentu
(Jianwei Han, 2001).
Decision Tree adalah sebuah struktur pohon, dimana setiap node pohon
merepresentasikan atribut yang telah diuji, setiap cabang merupakan suatu pembagian
hasil uji, dan node daun (leaf) merepresentasikan kelompok kelas tertentu. Level node
teratas dari sebuah Decision Tree adalah node akar (root) yang biasanya berupa atribut
yang paling memiliki pengaruh terbesar pada suatu kelas tertentu. Pada umumnya
Decision Tree melakukan strategi pencarian secara top-down untuk solusinya. Pada
proses mengklasifikasi data yang tidak diketahui, nilai atribut akan diuji dengan cara
melacak jalur dari node akar (root) sampai node akhir (daun) dan kemudian akan
diprediksi kelas yang dimiliki oleh suatu data baru tertentu.
3
2.2 Node dan Algoritma Penyusun Decision Tree
Decision Tree merupakan salah satu metode klasifikasi yang menggunakan
representasi struktur pohon (tree) dimana setiap node merepresentasikan atribut, cabang
nya merepresentasikan nilai dari atribut, dan daun merepresentasikan kelas. Node yang
paling atas dari Decision Tree disebut sebagai root. Decision Tree merupakan metode
klasifikasi yang paling populer digunakan. Selain karena pembangunannya relatif cepat,
hasil dari model yang dibangun mudah untuk dipahami.
Pada Decision Tree terdapat 3 jenis node, yaitu:
a. Root Node, merupakan node paling atas, pada node ini tidak ada input dan bisa tidak
mempunyai output atau mempunyai output lebih dari satu.
b. Internal Node , merupakan node percabangan, pada node ini hanya terdapat satu
input dan mempunyai output minimal dua.
c. Leaf node atau terminal node , merupakan node akhir, pada node ini hanya terdapat
satu input dan tidak mempunyai output.
Decision Tree menggunakan algoritma ID3 atau C4.5, yang diperkenalkan dan
dikembangkan pertama kali oleh Quinlan yang merupakan singkatan dari Iterative
Dichotomiser 3 atau Induction of Decision “3″ (baca: Tree). Algoritma ID3 membentuk
pohon keputusan dengan metode divide-and-conquer data secara rekursif dari atas ke
bawah. Strategi pembentukan Decision Tree dengan algoritma ID3 adalah:
• Pohon dimulai sebagai node tunggal (akar/root) yang merepresentasikan semua
data.
• Sesudah node root dibentuk, maka data pada node akar akan diukur dengan
information gain untuk dipilih atribut mana yang akan dijadikan atribut
pembaginya.
• Sebuah cabang dibentuk dari atribut yang dipilih menjadi pembagi dan data akan
didistribusikan ke dalam cabang masing-masing.
• Algoritma ini akan terus menggunakan proses yang sama atau bersifat rekursif
untuk dapat membentuk sebuah Decision Tree. Ketika sebuah atribut telah dipilih
menjadi node pembagi atau cabang, maka atribut tersebut tidak diikutkan lagi dalam
penghitungan nilai information gain.
• Proses pembagian rekursif akan berhenti jika salah satu dari kondisi dibawah ini
terpenuhi:
1. Semua data dari anak cabang telah termasuk dalam kelas yang sama.
4
2. Semua atribut telah dipakai, tetapi masih tersisa data dalam kelas yang
berbeda. Dalam kasus ini, diambil data yang mewakili kelas yang terbanyak
untuk menjadi label kelas pada node daun.
3. Tidak terdapat data pada anak cabang yang baru. Dalam kasus ini, node
daun akan dipilih pada cabang sebelumnya dan diambil data yang mewakili
kelas terbanyak untuk dijadikan label kelas.
Beberapa contoh pemakaian Decision Tree,yaitu :
• Diagnosa penyakit tertentu, seperti hipertensi, kanker, stroke dan lain-lain
• Pemilihan produk seperti rumah, kendaraan, komputerdanlain-lain
• Pemilihan pegawai teladan sesuai dengan kriteria tertentu
• Deteksi gangguan pada computer atau jaringan computer seperti Deteksi
Entrusi, deteksi virus (Trojan dan varians),dan lain-lain
5
BAB III
METODE PENULISAN
Metode pembahasan dalam penulisan tugas ini disampaikan secara deskriptif,
mengacu pada beberapa sumber literatur/pustaka sebagai acuan dan sarana
pendukung, baik cetak maupun elektronik. Selanjutnya dikaji secara mendalam
mengikuti kaidah-kaidah ilmiah.
6
BAB IV
HASIL DAN PEMBAHASAN
4.1. Decision Tree dan Manfaatnya
Pohon keputusan adalah salah satu metode klasifikasi yang paling populer
karena mudah untuk diinterpretasi oleh manusia. Pohon keputusan adalah model
prediksi menggunakan struktur pohon atau struktur berhirarki. Konsep dari pohon
keputusan adalah mengubah data menjadi pohon keputusan dan aturan-aturan
keputusan. Manfaat utama dari penggunaan pohon keputusan adalah kemampuannya
untuk mem-break down proses pengambilan keputusan yang kompleks menjadi lebih
simpel sehingga pengambil keputusan akan lebih menginterpretasikan solusi dari
permasalahan.
Pohon Keputusan juga berguna untuk mengeksplorasi data, menemukan
hubungan tersembunyi antara sejumlah calon variabel input dengan sebuah variabel
target. Pohon keputusan memadukan antara eksplorasi data dan pemodelan, sehingga
sangat bagus sebagai langkah awal dalam proses pemodelan bahkan ketika dijadikan
sebagai model akhir dari beberapa teknik lain.
Kelebihan dari metode pohon keputusan (Decision Tree) adalah:
• Daerah pengambilan keputusan yang sebelumnya kompleks dan sangat global,
dapat diubah menjadi lebih simpel dan spesifik.
• Eliminasi perhitungan-perhitungan yang tidak diperlukan, karena ketika
menggunakan metode pohon keputusan maka sample diuji hanya berdasarkan
kriteria atau kelas tertentu.
• Fleksibel untuk memilih fitur dari internal node yang berbeda, fitur yang terpilih
akan membedakan suatu kriteria dibandingkan kriteria yang lain dalam node yang
sama. Kefleksibelan metode pohon keputusan ini meningkatkan kualitas
keputusan yang dihasilkan jika dibandingkan ketika menggunakan metode
penghitungan satu tahap yang lebih konvensional
• Dalam analisis multivariat, dengan kriteria dan kelas yang jumlahnya sangat
banyak, seorang penguji biasanya perlu untuk mengestimasikan baik itu distribusi
dimensi tinggi ataupun parameter tertentu dari distribusi kelas tersebut. Metode
pohon keputusan dapat menghindari munculnya permasalahan ini dengan
7
menggunakan criteria yang jumlahnya lebih sedikit pada setiap node internal
tanpa banyak mengurangi kualitas keputusan yang dihasilkan.
Kekurangan dari metode pohon keputusan (Decision Tree) adalah:
• Terjadi overlap terutama ketika kelas-kelas dan criteria yang digunakan
jumlahnya sangat banyak. Hal tersebut juga dapat menyebabkan meningkatnya
waktu pengambilan keputusan dan jumlah memori yang diperlukan.
• Pengakumulasian jumlah eror dari setiap tingkat dalam sebuah pohon keputusan
yang besar.
• Kesulitan dalam mendesain pohon keputusan yang optimal.
• Hasil kualitas keputusan yang didapatkan dari metode pohon keputusan sangat
tergantung pada bagaimana pohon tersebut didesain.
4.3. Penerapan Decision Tree dalam Suatu Kasus
Pohon keputusan digunakan untuk memodelkan persoalan yang terdiri dari
serangkaian keputusan yang mengarah ke solusi. Tiap simpul dalam menyatakan
keputusan, sedangkan daun menyatakan solusi.
Pohon adalah graf tak-berarah terhubung yang tidak mengandung sirkuit.
Gambar 4.1 Contoh Pohon
Secara matematis, graf dapat didefinisikan sebagai berikut :
Graf G (V,E) adalah suatu sistem yang terdiri dari himpunan titik berhingga tak
kosong V = V (G) dan himpunan sisi E = E (G) yaitu himpunan pasangan tak
terurut dari anggotaanggota V. Sebagai contoh, gambar 1 adalah graf dengan
himpunan titik V(G) = {u, v, x, y ,z, w}dan himpunan sisi E (G) = {vx, vy, yz, zu,
zw}.
8
Gambar 4.2 Contoh Graf
Graf digunakan untuk merepresentasikan objek-objek diskrit dan hubungan anatara
objek-objek tersebut. Representasi visual dari graf adalah dengan menyatakan objek
sebagai noktah atau simpul, sedangkan hubungan antar objek sebagai garis atau sisi. Sisi
pada graf dapat mempunyai orientasi arah. Berdasarkan orientasi arah pada sisi, maka
secara umum graf dibedakan atas 2 jenis :
1) Graf tak-berarah (undirected graph)
Graf yang sisinya tidak mempunyai orientasi arah.
2) Graf berarah (directed graph atau digraph)
Graf yang setiap sisinya diberikan orientasi arah.
Keputusan dapat dijelaskan sebagai hasil pemecahan masalah, selain itu juga harus
didasari atas logika dan pertimbangan, penetapan alternatif terbaik, serta harus mendekati
tujuan yang telah ditetapkan. Seorang pengambil keputusan haruslah memperhatikan
logika, realita, rasional, dan pragmatis.
Teori pengambilan keputusan adalah teknik pendekatan yang digunakan dalam
proses pengambilan keputusan atau proses memilih tindakan sebagai cara pemecahan
masalah. Fungsi pengambilan keputusan adalah individual atau kelompok baik secara
institusional ataupun organisasional, sifatnya futuristik.
Terlepas dari kerumitan sebuah keputusan atau kecanggihan teknik yang digunakan
untuk menganalisis keputusan tersebut, semua pengambil keputusan dihadapkan dengan
berbagai alternatif dan “kondisi alami”. Pada saat membuat sebuah pohon keputusan,
harus dipastikan bahwa semua alternatif dan kondisi alami berada di tempat yang benar
dan logis serta semua alternatif yang mungkin serta kondisi alami telah disertakan. Notasi
yang digunakan adalah :
1. Istilah :
a. Alternatif – sebuah tindakan atau strategi yang dapat dipilih oleh seorang
pengambil keputusan.
9
b. Kondisi alami – sebuah kejadian atau situasi dimana pengambil keputusan
hanya memiliki sedikit kendali atau tidak sama sekali.
2. Simbol yang digunakan dalam sebuah pohon keputusan:
a. – sebuah titik keputusan dimana terdapat satu alternatif atau lebih yang dapat
dipilih.
b. – sebuah titik kondisi alami dimana kondisi alami mungkin akan terjadi.
Diagram pohon sering kali membantu dalam memahami dan menyelesaikan
persoalan probabilitas. Diagram pohon biasanya digambarkan dengan lambang yang
baku. Dimulai dengan suatu nokhta kemudian dibuat cabang-cabang sebanyak peristiwa
yang mungkin dapat dihasilkan dari percobaan. Pada masing-masing cabang dituliskan
probabilitas terjadinya peristiwa yang bersangkutan. Jika percobaan dilakukan lagi, maka
langkahlangkah itu diulang. Setiap cabang berakhir pada nokhta yang kemudian diisi
dengan probabilitas peristiwa bersama. Pada nokhta yang paling awal dituliskan angka 1
yang artinya jumlah probabilitas dari seluruh peristiwa yang mungkin.
Menganalisis masalah dengan menggunakan pohon keputusan mencakup lima
langkah :
1. Mendefinisikan masalah.
2. Menggambarkan pohon keputusan.
3. Menentukan peluang bagi kondisi alamiah.
4. Memperkirakan imbalan bagi setiap kombinasi alternatif keputusan dan
kondisi alamiah yang mungkin.
5. Menyelesaikan masalah dengan menghitung EMV bagi setiap titik kondisi
alamiah. Hal ini dilakukan dengan mengerjakannya dari belakang ke depan
(backward) – yaitu memulai dari sisi kanan pohon, terus menuju ke titik
keputusan di sebelah kirinya.
10
Sumber Gambar : Siswanto (2007, p56)
Gambar 4.3 Diagram Pohon
EMV merupakan kriteria yang paling sering digunakan untuk menganalisis pohon
keputusan. Satu dari langkah awal analisis ini adalah untuk menggambar pohon
keputusan dan menetapkan konsekuensi finansial dari semua hasil masalah tertentu. Nilai
harapan moneter (Expected Monetary Value – EMV) adalah nilai harapan moneter yang
diharapkan dari sebuah variabel yang memiliki beberapa kemungkinan kondisi alamiah
yang berbeda, masing-masing dengan peluang tersendiri. Saat peluang diketahui, nilai
maximax dan maximin menyatakan skenario perencanaan kasus terbaik – kasus terburuk.
Nilai ini mewakili nilai yang diharapkan atau rata-rata tingkat pengembalian modal jika
keputusan ini dapat diulangi berkali-kali. (Heizer dan Render, 2005, p324)
EMV sebuah alternatif merupakan jumlah semua keuntungan alternatif, yang
masing-masing diberikan bobot kemungkinan terjadinya.
EMV (Alternatif i) = (Hasil kondisi alamiah 1) x (Kemungkinan terjadi kondisi
alamiah 1) + (Hasil kondisi alamiah 2) x (Kemungkinan terjadi kondisi alamiah 2) + . . . +
(Hasil kondisi alamiah terakhir) x (Kemungkinan terjadi kondisi alamiah terakhir)
11
Atau dengan rumus :
Di mana,
NHi = Nilai harapan cabang keputusan ke-i.
pj = Probabilitas kemunculan keadaan ke-j.
hij = Nilai hasil keputusan jika alternatif keputusan ke-i diambil dan keadaan ke-j terjadi.
4.2.1 Contoh Kasus 1
Pada gambar 4.4, dapat dilihat bahwa kita dapat memilih :
1) melakukan investasi dalam bentuk saham sebesar $1000.
2) menabung di bank sebesar $1000.
Informasi lain yang dapat kita peroleh adalah perkiraan tentang nilai investasi saham tersebut
setahun mendatang dan nilai tabungan setahun mendatang. Masing-masing dalam dua
kondisi, yaitu naik atau turunnya harga saham.
Asumsinya adalah tabungan memperoleh bunga sebesar 5 % dan saham tidak memperoleh
pembayaran dividen. Dalam persoalan investasi yang sederhana ini, nilai harapan dan
investasi berupa tabungan akan tetap stabil (kecuali terjadi perubahan suku bunga ), tanpa
mempedulikan apa yang akan terjadi pada pasar saham. Cara penghitungannya adalah :
1) Alternatif pertama – investasi saham = (0.7 x $1400) + (0.3 x $880) = $1220
2) Alternatif kedua – menabung = (0.7 x $1050) + (0.3 x $1050) = $1050
12
Gambar 4.4 Pohon Keputusan untuk Memecahkan Persoalan Investasi
Berdasarkan analisis pohon keputusan pada gambar 4.4, kita dapat mengetahui nilai harapan
dari kedua alternatif pilihan tersebut dengan tanda 1 dan 2. keputusan dengan nilai harapan
yang lebih besar merupakan keputusan terbaik untuk dipilih, yaitu investasi dalam saham
sebesar $ 1000.
4.2.2 Contoh Kasus 2
Pembentukan Node :
• Hitung Entropy
13
• Hitung Information Gain
• Atribut dengan Infromation Gain tertinggi dijadikan Node
Entropy Awal :
• Jumlah instance = 8
• Jumlah instance positif = 3
• Jumlah instance negatif = 5
Entropy Usia :
• Jumlah instance = 8
• Instance Usia
– Muda
• Instance positif = 1
• Instance negatif = 3
– Tua
• Instance positif = 2
• Instance negatif = 2
• Entropy Usia
– Entropy(muda) = 0.906
– Entropy(tua) = 1
14
Gain Usia :
Entropy Berat :
• Jumlah instance = 8
• Intance Berat
– Overweight
• Instance positif = 3
• Instance negatif = 1
– Average
• Instance positif = 0
• Instance negatif = 2
– Underweight
• Instance positif = 0
• Instance negatif = 2
– Entropy(Overweight)=0.906
– Entropy(Average)=0.5
– Entropy(Underweight)=0.5
15
Gain Usia :
Entropy Jenis Kelamin :
• Jumlah instance = 8
• Intance Jenis Kelamin
– Pria
• Instance positif = 2
• Instance negatif = 4
– Wanita
• Instance positif = 1
• Instance negatif = 1
– Entropy(Pria)=1
– Entropy(Wanita)=0.75
Gain Usia :
16
• Atribut yang dipilih adalah atribut berat karena nilai Information Gainnya paling
tinggi
• Jumlah Instance untuk Overweight = 4
• Jumlah Instance untuk Average = 2
• Jumlah Instance untuk Underweight = 2
• Hitung Gain paling tinggi untuk dijadikan cabang berikutnya
Node untuk cabang Overweight :
• Jumlah instance = 4
• Instance (Berat = Overwight ) & Usia =
– Muda
• Instance positif = 1
• Instance negatif = 0
– Tua
• Instance positif = 2
• Instance negatif = 1
• Instance (Berat = Overwight ) & Jenis Kelamin =
– Pria
• Instance positif = 2
• Instance negatif = 1
– Wanita
• Instance positif = 1
• Instance negatif = 0
17
Decision Tree yang dihasilkan :
18
BAB V
PENUTUP
5.1. Simpulan
Dari uraian yang telah dikemukakan dapat ditarik simpulan yaitu Pohon adalah
contoh penerapan graf yang banyak digunakan dalam berbagai disiplin ilmu, salah
satunya adalah bisnis dan manajemen. Penggunaan pohon sebagai metode analisis dalam
pengambilan keputusan sangat bermanfaat dan memberikan kemudahan dalam
pengambilan keputusan. Analysis Decision Tree merupakan metode pengambilan
keputusan investasi dalam bisnis yang cukup efektif dan banyak digunakan, karena dapat
mempermudah dan memberikan kepastian keputusan investasi yang tepat untuk diambil.
Pengambilan keputusan investasi dalam perencanaan bisnis menjadi mudah dan efektif
dengan menggunakan analisis pohon keputusan.
5.2. Saran
Dari simpulan sebelumnya dapat disarankan bahwa penerapan Decision Tree pada
pengambilan keputusan baik itu untuk bisnis maupun dalam suatu pelaksanaan konstruksi
sebaiknya diterapkan untuk mencapai keputusan yang tepat dan sesuai harapan.
19
DAFTAR PUSTAKA
http://stefbenedict.blogspot.com/2009/12/teori-pohon-keputusan.html
http://www.google.com/url?
sa=t&rct=j&q=&esrc=s&source=web&cd=3&cad=rja&ved=0CEMQFjAC&url=http
%3A%2F%2Flibrary.binus.ac.id%2Fecolls%2Fethesis%2Fbab2%2F2009-2-00598-if
%2520bab%25202.pdf&ei=4DrsUNP-
Fo_ZkQXcjIDgBg&usg=AFQjCNGJHOT6Wi2hHrkYkPpBlUa5TnvcgQ&sig2=iFm
NyZCC0VCbZSXMb_gkeg&bvm=bv.1357316858,d.dGI
http://kuliahekonomi.blogspot.com/2012/09/decision-tree.html
http://www.google.com/url?
sa=t&rct=j&q=&esrc=s&source=web&cd=17&cad=rja&ved=0CGUQFjAGOAo&url
=http%3A%2F%2Flibrary.binus.ac.id%2FeColls%2FeThesis%2FBab2%2F2011-1-
00448-mn
%25202.pdf&ei=Pz_sUInuAYmokgXvvoGgDQ&usg=AFQjCNHXcrWb03Yh6dS1A
ZE0sDYMQSUVvg&sig2=A0TFhTnpluExkCrf-j9cNQ&bvm=bv.1357316858,d.dGI
http://library.gunadarma.ac.id/files/disk1/8/jbptgunadarma-gdl-course-2005-
timpengaja-388-handout-n.ppt
http://www.ns.ui.ac.id/seminar2005/Data/J2A-05.pdf
20