laporan tugas besar bdt algoritma c4.5

7/26/2019 Laporan Tugas Besar BDT Algoritma C4.5

1/39

BAB I

PENDAHULUAN

A. LATAR BELAKANG

Di dalam kehidupan manusia sehari-hari, manusia selalu dihadapkan oleh

berbagai macam masalah dari berbagai macam bidang. Masalah-masalah yang

dihadapi oleh manusia memiliki tingkatkesulitan dan kompleksitas yang sangat

bervariasi, mulai dari masalah yang teramat sederhana dengan sedikit faktor-faktor

yang terkait, sampai dengan masalah yang sangat rumit dengan banyak sekali faktor-

faktor yang terkait dan perlu untuk diperhitungkan.Untuk menghadapi masalah-

masalah ini, manusia mulai mengembangkan sebuah sistem yang dapat membantu

manusia agar dapat dengan mudah mampu untuk menyelesaikan masalah-masalah

tersebut.Kami menggunakan Algoritma C.! dalam pengolahan data mahasis"a

#$M%K &alangka 'aya. #edangkan untuk membuat pohon keputusannya kami

menggunakan aplikasi ()KA dengan algoritma *+. Adapun pohon keputusan ini

adalah sebuah a"aban akan sebuah sistem yang harus di kembangkan untuk

membantu mencari dan membuat keputusan dalam masalah-masalah tersebut dan

dengan memperhitungkan berbagai macam faktor yang ada di dalam lingkup

masalah tersebut. Dengan pohon keputusan, manusia dapat dengan mudah

mengidentifikasi dan melihat hubungan antara faktor-faktor yang mempengaruhi

suatu masalah dan dapat mencari penyelesaian terbaik dengan memperhitungkan

faktor-faktor tersebut.Dalam pengolahan data ini kami mengklasifikasikan data mahasis"a #$M%K

&alangka 'aya menadi beberapa atribut yaitu nomor urut, enis kelamin, urusan,

kelas, dan agama. amun, nilai hasil yang akan kami kemukaan dalam analisis ini

adalah membuat pohon keputusan mengenai mayoritas agamanya sehingga atribut

agama dicantumkan sebagai atribut hasil.

B. RUMUSAN MASALAH

Dalam analisis ini, masalah pokok yang akan kami ungkapkan adalah mengetahui

agama apa yang menadi mayoritas dalam lingkungan #$M%K &alangka 'aya

berdasarkan data mahasis"a. #ecara lebih khusus masalah penelitian ini dirumuskan

sebagai berikut

/


2/39

/. 0agaimana cara menemukan mayoritas agama yang dimiliki oleh mahasis"a

#$M%K &alangka 'aya dengan algoritma C.! berdasarkan atribut kelas,

urusan, enis kelamin, dan nomor urut1

2. 0agaimana cara membuat pohon keputusannya menggunakan algoritma *+ danseperti apa tampilan pohonnya1

C. TUJUAN DAN MANFAAT

Analisis ini bertuuan untuk/. Mengetahui mayoritas agama di lingkungan #$M%K &alangka 'aya berdasarkan

data mahasis"a.2. Memberikan tampilan desicion tress mayoritas agama mahasis"a #$M%K

&alangka 'aya.

Manfaat dari analisis ini adalah

/. Memberi kemudahan dalam mengambil keputusan tentang mayoritas agama di

#$M%K &alangka 'aya2. 3asil pemaparan analisis ini dapat diadikan bahan pembelaaran bagi rekan-

rekan pembaca agar dapat memahami proses pengolahan pohon keputusan

dengan algoritma C.!

BAB II

LANDASAN TEORI

A. POHON KEPUTUSAN (DECISION TRESS)

2


3/39

/. #earah &ohon Keputusan

Di dalam kehidupan manusia sehari-hari, manusia selalu dihadapkan oleh

berbagai macam masalah dari berbagai macam bidang. Masalah-masalah yang

dihadapi oleh manusia memiliki tingkat kesulitan dan kompleksitas yang sangat

bervariasi, mulai dari masalah yang teramat sederhana dengan sedikit faktor-

faktor yang terkait, sampai dengan masalah yang sangat rumit dengan banyak

sekali faktor-faktor yang terkait dan perlu untuk diperhitungkan. Untuk

menghadapi masalahmasalah ini, manusia mulai mengembangkan sebuah sistem

yang dapat membantu manusia agar dapat dengan mudah mampu untuk

menyelesaikan masalah-masalah tersebut.

Adapun pohon keputusan ini adalah sebuah a"aban akan sebuah sistemyang manusia kembangkan untuk membantu mencari dan membuat keputusan

untuk masalah-masalah tersebut dan dengan memperhitungkan berbagai macam

faktor yang ada di dalam lingkup masalah tersebut. Dengan pohon keputusan,

manusia dapat dengan mudah mengidentifikasi dan melihat hubungan antara

faktor-faktor yang mempengaruhi suatu masalah dan dapat mencari penyelesaian

terbaik dengan memperhitungkan faktor-faktor tersebut.

&ohon keputusan ini uga dapat menganalisa nilai resiko dan nilai suatu

informasi yang terdapat dalam suatu alternatif pemecahan masalah. &eranan

pohon keputusan sebagai alat bantu dalam mengambil keputusan 4decision

support tool5 telah dikembangkan oleh manusia seak perkembangan teori pohon

yang dilandaskan pada teori graf. Kegunaan pohon keputusan yang sangat

banyak ini membuatnya telah dimanfaatkan oleh manusia dalam berbagai

macam sistem pengambilan keputusan.

2. &engertian &ohon Keputusan

&ohon dalam analisis pemecahan masalah pengambilan keputusan adalah

pemetaan mengenai alternatif-alternatif pemecahan masalah yang dapat diambil

dari masalah tersebut. &ohon tersebut uga memperlihatkan faktor-faktor

kemungkinan6probablitas yang akan mempengaruhi alternatif-alternatif

keputusan tersebut, disertai dengan estimasi hasil akhir yang akan didapat bila

kita mengambil alternatif keputusan tersebut.

7


4/39

7. Manfaat &ohon Keputusan

&ohon keputusan adalah salah satu metode klasifikasi yang paling

populer karena mudah untuk diinterpretasi oleh manusia. &ohon keputusan

adalah model prediksi menggunakan struktur pohon atau struktur berhirarki.

Konsep dari pohon keputusan adalah mengubah data menadi pohon keputusan

dan aturan-aturan keputusan. Manfaat utama dari penggunaan pohon keputusan

adalah kemampuannya untuk mem-break downproses pengambilan keputusan

yang kompleks menadi lebih simpel sehingga pengambil keputusan akan lebih

menginterpretasikan solusi dari permasalahan.

&ohon Keputusan uga berguna untuk mengeksplorasi data, menemukanhubungan tersembunyi antara seumlah calon variabel input dengan sebuah

variabel target. &ohon keputusan memadukan antara eksplorasi data dan

pemodelan, sehingga sangat bagus sebagai langkah a"al dalam proses

pemodelan bahkan ketika diadikan sebagai model akhir dari beberapa teknik

lain. #ering teradi ta"ar mena"ar antara keakuratan model dengan transparansi

model. Dalam beberapa aplikasi, akurasi dari sebuah klasifikasi atau prediksi

adalah satu-satunya hal yang ditonolkan, misalnya sebuah perusahaan direct

mail membuat sebuah model yang akurat untuk memprediksi anggota mana

yang berpotensi untuk merespon permintaan, tanpa memperhatikan bagaimana

atau mengapa model tersebut bekera.

. Kelebihan &ohon Keputusan

Kelebihan dari metode pohon keputusan adalah

a5 Daerah pengambilan keputusan yang sebelumnya kompleks dan sangat

global, dapat diubah menadi lebih simpel dan spesifik.b5 )liminasi perhitungan-perhitungan yang tidak diperlukan, karena ketika

menggunakan metode pohon keputusan maka sample diui hanya

berdasarkan kriteria atau kelas tertentu.c5 8leksibel untuk memilih fitur dari internal node yang berbeda, fitur yang

terpilih akan membedakan suatu kriteria dibandingkan kriteria yang lain

dalam node yang sama.


5/39

d5 Kefleksibelan metode pohon keputusan ini meningkatkan kualitas keputusan

yang dihasilkan ika dibandingkan ketika menggunakan metode

penghitungan satu tahap yang lebih konvensional.

e5 Dalam analisis multivariat, dengan kriteria dan kelas yang umlahnya sangatbanyak, seorang pengui biasanya perlu untuk mengestimasikan baik itu

distribusi dimensi tinggi ataupun parameter tertentu dari distribusi kelas

tersebut. Metode pohon keputusan dapatf5 menghindari munculnya permasalahan ini dengan menggunakan criteria

yang umlahnya lebih sedikit pada setiap node internal tanpa banyak

mengurangi kualitas keputusan yang dihasilkan.

!. Kekurangan &ohon Keputusana5 $eradi overlap terutama ketika kelas-kelas dan criteria yang digunakan

umlahnya sangat banyak. 3al tersebut uga dapat menyebabkan

meningkatnya "aktu pengambilan keputusan dan umlah memori yang

diperlukan.b5 &engakumulasian umlah eror dari setiap tingkat dalam sebuah pohon

keputusan yang besar.c5 Kesulitan dalam mendesain pohon keputusan yang optimal.d5 3asil kualitas keputusan yang didapatkan dari metode pohon keputusan

sangat tergantung pada bagaimana pohon tersebut didesain.

B. ALGORITMA C4.5

Algoritma C.! adalah algoritma klasifikasi data dengan teknik pohon

keputusan yang terkenal dan disukai karena memiliki kelebihan-kelebihan.

Kelebihan ini misalnya dapat mengolah data numerik 4kontinyu5 dan diskret, dapat

menangani nilai atribut yang hilang, menghasilkan aturan-aturan yang mudah

diintrepetasikan dan tercepat diantara algoritma-algoritma yang lain. Keakuratan

prediksi yaitu kemampuan model untuk dapat memprediksi label kelas terhadap data

baru atau yang belum diketahui sebelumnya dengan baik. Dalam hal kecepatan atau

efisiensi "aktu komputasi yang diperlukan untuk membuat dan menggunakan

model. Kemampuan model untuk memprediksi dengan benar "alaupun data ada

nilai dari atribut yang hilang. Dan uga skalabilitas yaitu kemampuan untuk

membangun model secara efisien untuk data berumlah besar 4aspek ini akan

!


6/39

mendapatkan penekanan5. $erakhir interpretabilitas yaitu model yang dihasilkan

mudah dipahami.

Dalam algoritma C.! untuk membangun pohon keputusan hal pertama

yang dilakukan yaitu memilih atribut sebagai akar. Kemudian dibuat cabang untuk

tiap-tiap nilai didalam akar tersebut. 9angkah berikutnya yaitu membagi kasus

dalam cabang. Kemudian ulangi proses untuk setiap cabang sampai semua kasus

pada cabang memiliki kelas yang sama.

Untuk memilih atribut dengan akar, didasarkan pada nilai gain tertinggi dari

atribut-tribut yang ada. Untuk menghitung gain digunakan rumus sebagai berikut

:ain4#,A5 ; )ntropy 4#5 < i=1

n |Si||S|Entropy (Si)

Dengan # 3impunan kasusA Atributn *umlah partisi atribut A=#i= *umlah kasus pada partisi ke i=#= *umlah kasus dalam #

#ehingga akan diperoleh nilai gain dari atribut yang paling tertinggi. :ain

adalah salah satu atribute selection measure yang digunakan untuk memilih test

atribute tiap node pada tree. Atribut dengan information gain tertinggi dipilih

sebagai test atribut dari suatu node. #ementara itu, penghitungan nilai entropi dapat

dilihat pada persamaan

)ntropy 4#5 ; i=1

n

Pilog2Pi

Dengan # 3impunan kasusA 8itur n *umlah pertisi #&i &roporsi dari #i terhadap #

)ntropy adalah ukuran dari sebuah ketidakpastian dengan variabel yang

random 4acak5. Dalam hal stored instances, maka entropy adalah ukuran

ketidakpastian dari attribute.

>


7/39

C. STMIK PALANGKA RAYA

#ekolah $inggi Manaemen %nformatika dan Komputer 4#$M%K5

&alangkaraya yang dulunya bernama AM%K &alangkaraya, merupakan &erguruan

$inggi %nformatika dan Komputer yang pertama di Kalimantan $engah khususnya di

Kota Cantik &alangka 'aya. 0erdiri sesuai dengan iin yang dikeluarkan oleh Diren

Dikti Depdikbud omor ?@+6D66/BB!, tanggal 2+ #eptember /BB! dan iin

perubahan status menadi #$M%K &alangkaraya dari Menteri &endidikan asional

'epublik %ndonesia omor @/6D662??@ tanggal 2 Mei 2??@.

$anggal %in &erubahan #tatus dari AM%K &alangkaraya menadi #$M%K

&alangkaraya itulah yang diadikan sebagai tanggal untuk memperingati Diesatalis #$M%K &alangkaraya selanutnya.

D. WEKA DAN ALGORITMA J48

/. ()KA(eka adalah aplikasi data mining open source berbasis ava.Aplikasi ini

dikembangkan pertama kali oleh Universitas (aikato di #elendia 0aruse belum

menadi bagian dari &entaho.(eka terdiri dari koleksi algoritma machine

learning yang dapat digunakan untuk melakukan generalisasi6 formulasi dari

sekumpulan data sampling. (alaupun kekuatan "eka terletak pada algoritma

yang makin lengkap dan canggih, kesuksesan data mining tetap terletak pada

factor pengetahuan manusia implementornya. $ugas pengumpulan data yang

berkualitas tinggi dan pengetahuan permodelan dan penggunaan algoritma yang

tepat diperlukan untuk menamin ke akuratan formulasi yang diharapkan.

)mpat tombol diatas dapat digunakan untuk menalankan aplikasi

/. )plorer digunakan untuk menggali lebih auh data dengan aplikasi ()KA

@


8/39

2. )perimenter digunakanuntukmelakukanpercobaandenganpenguian statistic

skemabelaar7. Kno"ledge 8lo" digunakan untuk pengetahuan pendukung. #imple C9% antarmuka dengan menggunakan tampilan command-line yang

memungkinkan langsung mengeksekusi perintah "eka untuk #istem perasi

yang tidak menyediakan secara langsung.

+


9/39

BAB III

ANALISIS DAN HASIL

Untuk mendapatkan hasil analisa yang tepat digunakan tiga metode dalam

pengeraannya. Metode yang digunakan dalam analisis ini adalah perhitungan algoritma

C.! menggunakan perhitungan manual dan Microsoft ecel. Kemudian hasil analisis

akan dibuktikan dengan menggunakan aplikasi ()KA untuk menampilkan pohon

keputusannya.

A. ALGORITMA C4.5

#$M%K palangkaraya memiliki total mahasis"a pada tahun 2?/?-2?//adalah sebesar ?7 orang. $erdiri dari urusan $%, M%, #% dan memiliki kelas untuk

$% 4kelas A, kelas 0, kelas C, dan kelas D5, #% 4Kelas A dan kelas 05, dan M% 4Kelas

A dan kelas 05.0erikut ini adalah tabel data mahasis"a angkatan tahun 2?/?-2?// yang telah kami

ambil beberapa data atributnya untuk kami analisis.

No.JURUSAN

KELAS L/P

AGAMA

1 TI A L ISLAM

2 TI A

LKRIST

EN

3 TI A L ISLAM

4 TI A

LKRIST

EN

5 TI A L ISLAM

6 TI A

LKRIST

EN

7 TI A L ISLAM

8 TI A L ISLAM

9 TI A

L

KRIST

EN10 TI A L ISLAM

11 TI A L ISLAM

12 TI A L KRIST

EN

13 TI A L ISLAM

14 TI A L ISLAM

15 TI A L ISLAM

16 TI A

LKRIST

EN

B


10/39

17 TI A

LKRIST

EN

18 TI A P ISLAM

19 TI A

LKRIST

EN

20 TI A

LKRIST

EN

21 TI A L ISLAM

22 TI A L ISLAM

23 TI A

LKRIST

EN

24 TI A L ISLAM

25 TI A

LKRIST

EN

26 TI A

LKRIST

EN

27 TI A

LKRIST

EN

28 TI A L ISLAM

29 TI A

LKATOL

IK

30 TI A L ISLAM

31 TI A L ISLAM

32 TI A L ISLAM

33 TI A L ISLAM

34 TI A L ISLAM

35 TI A L ISLAM

36 TI A

PKRIST

EN

37 TI A

PKRIST

EN

38 TI A P ISLAM

39 TI A P ISLAM

40 TI A P ISLAM

41 TI A

PKRIST

EN

42 TI A P ISLAM

43 TI A P KRISTEN

44 TI A P ISLAM

45 TI A P ISLAM

46 TI A P ISLAM

47 TI A P ISLAM

48 TI A P ISLAM

49 TI B L ISLAM

50 TI B L ISLAM

51 TI B

LKRIST

EN

/?


11/39

52 TI B

LKRIST

EN

53 TI B

LKRIST

EN

54 TI B L ISLAM

55 TI B

LKRIST

EN

56 TI B L ISLAM

57 TI B L ISLAM

58 TI B L ISLAM

59 TI B L HINDU

60 TI B L ISLAM

61 TI B L ISLAM

62 TI B L ISLAM

63 TI B L ISLAM

64 TI B

LKRIST

EN

65 TI B L ISLAM

66 TI B L ISLAM

67 TI B L ISLAM

68 TI B L HINDU

69 TI B

LKRIST

EN

70 TI B

LKRIST

EN

71 TI B L ISLAM

72 TI B L ISLAM

73 TI B

LKRIST

EN

74 TI B L ISLAM

75 TI B L ISLAM

76 TI B L ISLAM

77 TI B L ISLAM

78 TI B L ISLAM

79 TI B L ISLAM

80 TI B L ISLAM

81 TI B L ISLAM82 TI B L ISLAM

83 TI B

LKRIST

EN

84 TI B L ISLAM

85 TI B

LKATOL

IK

86 TI B P ISLAM

87 TI B P ISLAM

88 TI B P ISLAM89 TI B P KRIST

//


12/39

EN

90 TI B P ISLAM

91 TI B P ISLAM

92 TI

B

P

KRIST

EN93 TI B P ISLAM

94 TI B P ISLAM

95 TI B P ISLAM

96 TI B

PKRIST

EN

97 TI B P ISLAM

98 TI B

PKRIST

EN

99 TI C L ISLAM

100 TI C

L

KRIST

EN101 TI C L ISLAM

102 TI C L HINDU

103 TI C L ISLAM

104 TI C L ISLAM

105 TI C L HINDU

106 TI C L ISLAM

107 TI C

LKRIST

EN

108 TI C L ISLAM

109 TI C L

KRIST

EN

110 TI C

LKRIST

EN

111 TI C

LKATOL

IK

112 TI C

LKRIST

EN

113 TI C

LKRIST

EN

114 TI C

LKRIST

EN

115 TI C L ISLAM116 TI C L HINDU

117 TI C

LKRIST

EN

118 TI C

LKRIST

EN

119 TI C

LKRIST

EN

120 TI C

LKRIST

EN121 TI C L KRIST

/2


13/39

EN

122 TI C

LKRIST

EN

123 TI C

LKRIST

EN

124 TI C L ISLAM

125 TI C

LKRIST

EN

126 TI C L ISLAM

127 TI C L ISLAM

128 TI C

LKRIST

EN

129 TI C

LKRIST

EN

130 TI C L ISLAM

131 TI C

L ISLAM132 TI C L ISLAM

133 TI C

LKRIST

EN

134 TI C L ISLAM

135 TI C L ISLAM

136 TI C

PKRIST

EN

137 TI C P ISLAM

138 TI C P HINDU

139 TI

C

P

KRIST

EN

140 TI C

PKRIST

EN

141 TI C P HINDU

142 TI C

PKRIST

EN

143 TI C

PKRIST

EN

144 TI C

PKRIST

EN

145 TI C

PKRIST

EN

146 TI C

PKRIST

EN

147 TI C P ISLAM

148 TI C

PKRIST

EN

149 TI D L ISLAM

150 TI D L ISLAM

151 TI D L ISLAM

152 TI D

LKRIST

EN

/7


14/39

153 TI D

LKRIST

EN

154 TI D

LKRIST

EN

155 TI D LKRIST

EN

156 TI D

LKRIST

EN

157 TI D

LKRIST

EN

158 TI D

LKRIST

EN

159 TI D

LKRIST

EN

160 TI D L ISLAM

161 TI D

L

KATOL

IK

162 TI D

LKRIST

EN

163 TI D L ISLAM

164 TI D

LKRIST

EN

165 TI D

LKRIST

EN

166 TI D L ISLAM

167 TI D L HINDU

168 TI D L ISLAM

169 TI D

LKRIST

EN

170 TI D L ISLAM

171 TI D

LKRIST

EN

172 TI D

LKRIST

EN

173 TI D

LKRIST

EN

174 TI D

LKRIST

EN

175 TI D L ISLAM

176 TI D L ISLAM

177 TI D L ISLAM

178 TI D

LKRIST

EN

179 TI D L ISLAM

180 TI D L ISLAM

181 TI D

LKRIST

EN

182 TI D L ISLAM

183 TI D L HINDU

/


15/39

184 TI D

LKRIST

EN

185 TI D L ISLAM

186 TI D

PKRIST

EN

187 TI D

LKATOL

IK

188 TI D

PKRIST

EN

189 TI D

PKRIST

EN

190 TI D P HINDU

191 TI D

PKRIST

EN

192 TI D P ISLAM

193 TI D P

KRIST

EN

194 TI D

PKRIST

EN

195 TI D P HINDU

196 TI D

PKRIST

EN

197 TI D

PKRIST

EN

198 SI A

LKRIST

EN

199 SI A L ISLAM

200 SI A L ISLAM201 SI A L ISLAM

202 SI A

LKRIST

EN

203 SI A L ISLAM

204 SI A L ISLAM

205 SI A

LKRIST

EN

206 SI A L ISLAM

207 SI A

LKATOL

IK

208 SI A

LKRIST

EN

209 SI A L ISLAM

210 SI A L ISLAM

211 SI A L ISLAM

212 SI A L ISLAM

213 SI A L ISLAM

214 SI A

LKRIST

EN

215 SI A L ISLAM

/!


16/39

216 SI A

LKRIST

EN

217 SI A L ISLAM

218 SI A L ISLAM

219 SI A L KRISTEN

220 SI A L ISLAM

221 SI A

LKATOL

IK

222 SI A L ISLAM

223 SI A L ISLAM

224 SI A

LKRIST

EN

225 SI A L ISLAM

226 SI

A

L

KRIST

EN

227 SI A

LKRIST

EN

228 SI A

LKRIST

EN

229 SI A

LKRIST

EN

230 SI A

PKRIST

EN

231 SI A P ISLAM

232 SI A P ISLAM

233 SI A P

KRIST

EN234 SI A P ISLAM

235 SI A P ISLAM

236 SI A

PKRIST

EN

237 SI A

PKRIST

EN

238 SI A

PKRIST

EN

239 SI A P HINDU

240 SI A P HINDU

241 SI A P ISLAM

242 SI A

PKRIST

EN

243 SI A P ISLAM

244 SI A P ISLAM

245 SI A P ISLAM

246 SI A

PKATOL

IK

247 SI A

PKRIST

EN

/>


17/39

248 SI A

PKRIST

EN

249 SI A

LKRIST

EN

250 SI A LKRIST

EN

251 SI B L HINDU

252 SI B L ISLAM

253 SI B

LKRIST

EN

254 SI B L ISLAM

255 SI B L ISLAM

256 SI B L HINDU

257 SI B L ISLAM

258 SI

B

L

KRIST

EN259 SI B L ISLAM

260 SI B L ISLAM

261 SI B

LKRIST

EN

262 SI B L ISLAM

263 SI B L ISLAM

264 SI B

LKRIST

EN

265 SI B L ISLAM

266 SI

B

L

KRIST

EN267 SI B L ISLAM

268 SI B

LKRIST

EN

269 SI B L ISLAM

270 SI B

LKRIST

EN

271 SI B L ISLAM

272 SI B L KRIST

EN

273 SI B L ISLAM

274 SI B L KRISTEN

275 SI B

LKRIST

EN

276 SI B

LKRIST

EN

277 SI B

LKRIST

EN

278 SI B

LKRIST

EN

279 SI B

LKRIST

EN

/@


18/39

280 SI B

LKRIST

EN

281 SI B

LKRIST

EN

282 SI B L ISLAM

283 SI B P ISLAM

284 SI B

PKRIST

EN

285 SI B

PKRIST

EN

286 SI B P ISLAM

287 SI B P ISLAM

288 SI B P ISLAM

289 SI B P ISLAM

290 SI

B

P

KRIST

EN291 SI B P ISLAM

292 SI B

PKRIST

EN

293 SI B

PKRIST

EN

294 SI B P ISLAM

295 SI B

PKRIST

EN

296 SI B P ISLAM

297 SI B

PKRIST

EN

298 SI B P ISLAM

299 SI B

PKRIST

EN

300 SI B

PKRIST

EN

301 SI B

PKRIST

EN

302 SI B L ISLAM

303 MI A

LKATOL

IK

304 MI A L ISLAM

305 MI A

LKRIST

EN

306 MI A L ISLAM

307 MI A L ISLAM

308 MI A

LKRIST

EN

309 MI A

LKRIST

EN

310 MI A

LKRIST

EN311 MI A L KRIST

/+


19/39

EN

312 MI A L ISLAM

313 MI A

LKRIST

EN

314 MI A L ISLAM315 MI A L ISLAM

316 MI A L ISLAM

317 MI A

LKATOL

IK

318 MI A

LKRIST

EN

319 MI A L ISLAM

320 MI A L ISLAM

321 MI A L ISLAM

322 MI A

L

KRIST

EN323 MI A L ISLAM

324 MI A

LKRIST

EN

325 MI A

LKRIST

EN

326 MI A

LKRIST

EN

327 MI A

LKRIST

EN

328 MI A L ISLAM

329 MI A L ISLAM

330 MI A

LKRIST

EN

331 MI A L ISLAM

332 MI A L ISLAM

333 MI A

LKRIST

EN

334 MI A

LKRIST

EN

335 MI A P ISLAM

336 MI A

PKRIST

EN

337 MI A L ISLAM

338 MI A P ISLAM

339 MI A P ISLAM

340 MI A

PKRIST

EN

341 MI A P ISLAM

342 MI A P ISLAM

343 MI A P HINDU

344 MI A P ISLAM

345 MI A P ISLAM

/B


20/39

346 MI A

PKRIST

EN

347 MI A

PKRIST

EN

348 MI A P ISLAM

349 MI A P ISLAM

350 MI A P ISLAM

351 MI A

PKATOL

IK

352 MI A

PKRIST

EN

353 MI B L HINDU

354 MI B L ISLAM

355 MI B

LKRIST

EN

356 MI B LKRIST

EN

357 MI B L ISLAM

358 MI B

LKRIST

EN

359 MI B L ISLAM

360 MI B

LKRIST

EN

361 MI B L HINDU

362 MI B

LKRIST

EN

363 MI B L ISLAM

364 MI B

LKRIST

EN

365 MI B

LKATOL

IK

366 MI B

LKRIST

EN

367 MI B

LKRIST

EN

368 MI B L ISLAM

369 MI B

LKRIST

EN

370 MI B

LKRIST

EN

371 MI B

LKRIST

EN

372 MI B L ISLAM

373 MI B L ISLAM

374 MI B L ISLAM

375 MI B L ISLAM

376 MI B

LKRIST

EN

377 MI B L ISLAM

2?


21/39

378 MI B

LKRIST

EN

379 MI B L ISLAM

380 MI B

LKRIST

EN

381 MI B

LKRIST

EN

382 MI B

LKRIST

EN

383 MI B

LKRIST

EN

384 MI B

LKRIST

EN

385 MI B L ISLAM

386 MI B P ISLAM

387 MI B P

KRIST

EN388 MI B P ISLAM

389 MI B P ISLAM

390 MI B P ISLAM

391 MI B P ISLAM

392 MI B

PKRIST

EN

393 MI B P HINDU

394 MI B

PKRIST

EN

395 MI B P ISLAM

396 MI B P ISLAM

397 MI B P ISLAM

398 MI B P ISLAM

399 MI B P ISLAM

400 MI B P ISLAM

401 MI B P ISLAM

402 MI B

PKRIST

EN

403 MI B P ISLAM

Dalam kasus yang tertera pada table data mahasis"a, akan dibuat pohon

keputusan untuk menentukan agama dengan melihat nomor urut, urusan, kelas, dan

enis kelamin mahasis"a.#ecara umum algoritma C.! untuk membangun pohon keputusan adalah sebagai

berikut a. &ilih atribut sebagai akarb. 0uat cabang untuk masing-masing nilaic. 0agi kasus dalam cabang

2/


22/39

Untuk memilih atribut sebagai akar, didasarkan pada nilai gain tertinggi dari

atribut-atribut yang ada. Untuk menghitung gain digunakan rumus seperti tertera

dalam 'umus.

:ain4#,A5 ; )ntropy 4#5 < i=1

n

|Si||S|Entropy (Si)

Dengan # 3impunan kasusA Atributn *umlah partisi atribut A=#i= *umlah kasus pada partisi ke i=#= *umlah kasus dalam #

#edangkan perhitungan nilai entropy dapat dilihat pada rumus.

)ntropy 4#5 ; i=1

n

Pi

log2Pi

Dengan # 3impunan kasusA 8itur n *umlah pertisi #&i &roporsi dari #i terhadap #

0erikut ini adalah penelasan lebih rinci mengenai masing-masing langkah

dalam pembentukan pohon keputusan dengan menggunakan algoritma C.! untuk

menyelesaikan permasalahan pada tabel data mahasis"a.

a. Menghitung umlah kasus, umlah kasus untuk keputusan %slam, umlah kasus untuk

keputusan Kristen, umlah kasus untuk keputusan 3indu, umlah kasus untuk

keputusan Katolik, dan entropy dari semua kasus dan kasus yang dibagi berdasarkan

atribut nomor urut, urusan, enis kelamin, dan kelas. #etelah itu lakukan

perhitungan :ain untuk masing-masing atribut. 3asil perhitungan ditunukkan oleh

tabel berikut

Tabe N!"e

ode*umlah

Kasus %slam Kristen Katolik 3indu )ntropy :ain

/ $otal ?7 /B+ /@ /2 /B /,7+!>/>

*urusa

n?,??

$% /B@ B@ + ! // /,7B!B2

#% /?! !? + 7 /,7!2?B

M% /?/ !/ 2 /,7B7/!2

Kelas ?,?

22


23/39

A /!/ +2 !B @ 7 /,72!+/2

0 /!7 +7 >/ 2 @ /,2B2B@+

C !? /@ 2@ / ! /,!2+@

D B /> 2@ 2 /,+>?

96& ?,?/

9 2@B /7> /22 /? // /,7+7/B@

& /2 >2 !2 2 + /,7@>B/

$ata cara perhitungan untuk mendapatkan nilai pada table node di atas adalah

sebagai berikut

E#$%!&' (T!$a )

;

(198403 x log2( 198403 ))+(174403 x log2(174403 ))+(12403 x log2( 12403 ))+(19403 x log2( 19403 ))(198403 x ( log2 (198 )log2(403 )))+(174403 x ( log2 (174 )log2(403 )))+(12403 x ( log2(12 )log2(403 ))

;

(198

403

x (7,6293578,654636 )

)+

(174

403

x (7,4429438,654636 )

)+

(12

403

x (3,5849638,654636 )

)+

(1

40

; (0,503735 )+ (0,523163 )+ (0,150958 )+ (0,20776 )

; /,7+!>/>

Me#*+,$-#* E#$%!&' J-%-a#

E#$%!&' (TI )

;

(97197 x log2( 9197 ))+(84197 x log2( 84197 ))+(5197x log2( 5197 ))+(11197 x log2( 11197 ));

(97197 x ( log2(97 )log2 (197 )))+(84197 x ( log2(84 )log2 (197 ) ))+(5197x ( log2(5 )log2(197 )))+(11197 x (log2

27


24/39

;

(97197 x (6,5999137,622052 ))+(84197 x (6,3923177,622052 ))+(5197 x (2,3219287,622052 ) )+(11197 x

; (0,503287 )+(0,524354 )+ (0,134521 )+ (0,232431 ); /,7B!B2

E#$%!&' (SI )

;

(50105 x log2( 50105 ))+(48105 x log2( 48105 ))+(3105x log2( 3105 ))+(4105x log2( 4105 ));

(50

105 x ( log2 (50 )log2 (105 )))+(

48105

x ( log2 (48 )log2 (105 )))+(3

105x ( log2 (3 )log2(105 )))+(

4105

x ( log2 (

;

(50105 x (5,6438566,714246 ))+(48105 x (5,5849636,714246 ))+(3105 x (1,5849636,714246 ))+(4105 x; (0,509709 )+ (0,516244 )+ (0,146551)+ (0,17959 )

; /,7!2?B

E#$%!&' (MI )

;

(51101 x log2( 51101 ))+(42101 x log2( 42101 ))+(4101x log2( 4101 ))+(4101x log2( 4101 ));

(51101 x (log2(51 )log2(101 )))+(42101 x ( log2(42 )log2 (101 )))+(4101x ( log2(4 )log2(101 )))+(4101x ( log2 (;

(51101 x (5,6724256,65811 ))+(42101 x (5,3923176,65811 ))+( 3105 x (26,65811 ))+( 4105 x (26,65811; (0,497773 )+(0,526411)+(0,184484 )+(0,184484 )

; /,7B7/!2

2


25/39

Me#*+,$-#* E#$%!&' Kea

E#$%!&' Kea (A

;

(82151 log2( 82151 ))+(59151 log2( 59151 ))+(7151 log2( 7151 ))+(3151 log2( 3151 ));

(82151 ( log2 (82 )log2 (151 )))+(59151 ( log2(59 )log2(151 )))+(7151 ( log2 (7 )log2(151 )))+(3151 ( log2

;

(82151 (6,3575527,238405 ))+(59151 (5,8826437,238405 ))+(7151 (2,8073557,238403 ))+(3151 (1;

(82151 (0,88085 ))+(59151 (1,35576 ))+(7151 (4,43105 ))+(3151 (5,65344 )); 0,478344+0,529735+0,205413+0,11232

; 1,325812

E#$%!&' Kea (B

;

(

83153

log2( 83153 ))+

(

61153

log2( 61153 ))+

(

2153

log2( 2153 ))+

(

7153

log2( 7153));

(83153 ( log2 (83 )log2(153 )))+(61153 ( log2 (51 )log2 (153 )))+(2153 ( log2 (2 )log2 (153 )))+(7153 ( log2;

(83153 (6,3570397,257388 ))+(61153 (5,9307377,257388 ))+(2153 (17,257388 ))+(7153 (2,8073

2!


26/39

;

(83153 (0,88235 ))+(61153 (1,32665 ))+(2153 (6,25739 ))+(7153 (4,45003 )); 0,47866+0,528926+0,081796+0,203596

; 1,292978

E#$%!&' Kea (C

; (1750 log2( 1750 ))+(2750 log2( 2750 ))+(150 log2( 150 ))+(550 log2( 550 ));

(17

50 ( log2 (17 )log2(50 )))+(

1

50 ( log2 (1 ) log2 (50 )))+(

2

50 x (log2(2 )log2(50 )))+(

5

50 ( log2(5 )lo

;

(1750 (4,0874635,643856 ))+(2750 (4,7548885,643856 ))+(150 (05,643856 ))+(550 (2,32192;

(1750 (1,55639 ))+(2750 (0,88897 ))+(150 (5,64386 ))+(550 (3,32193 )); 0,529174+0,480043+0,112877+0,332193

; 1,454287

E#$%!&' Kea (D

; (1649 log2( 1649 ))+(2749 log2( 2749 ))+(249 log2( 249 ))+(449 log2( 449 ));

(1649 ( log2 (16 )log2(49 )))+(2749 ( log2 (27 )log2(49 )))+(249 ( log2 (2 )log2(49 )))+(449 ( log2(4 );

(1649 (45,61471))+(2749 (4,7548885,61471 ))+(249 (15,61471 ))+(449 (25,61471 ))

2>


27/39

;

(1649 (1,61471 ))+(2749 (0,85982 ))+(249 (4,61471 ))+(449 (3,61471 )); 0,527252+0,47378+0,188356+0,295078

; 1,484466

Me#*+,$-#* E#$%!&' L/P

E#$%!&' L/P (L

;(136279

x log2( 136279 ))+

;

(136279 x ( log2 (136 )log2(279 )))+(122279 x ( log2 (122 )log2 (279 )))+(10279 x (log2(10 )log2 (279 )))+(;

(136279 x (7,0874638,124121 ))+(122279 x (6,9307378,124121 ))+(10279 x (3,3219288,124121 ));

(136279 x (1,03666 ))+(

122279 x (1,19338 ))+(

10279 x (4,80219 ))+(

12279 x (4,66469 ))

; ?,!?!72! ?,!2/+7+ ?,/@2/22 ?,/+7B/2

; /,7+7/B@

E#$%!&' L/P (L

;

(62

124 x log

2

( 62

124

))+;

(62124 x ( log2 (62 )log2 (124 )))+(52124 x (log2(52 )log2 (124 )))+(2124 x ( log2 (2 )log2(124 )))+(8124 x; /,7B@/7> ?,!2!@>++B7! ?,?B>?7!2 ?,2!!/?B7B

2@


28/39

; /,7@>B/

Se0e#$a%a ,$- -#$-1 #,a, Ga,# &a"a ba%, J-%-a# a"aa+ eba*a, be%,1-$)

:ain 4$otal, *urusan5 ; )ntropy 4$otal5 < i=1

n |Jurusani||Total|

xEntropy (Jurusan )

; /, 7+!>/> - (( 197403x1,394592 )+( 105403x1,352094 )+( 101403x 1,393152)); ?,??

Se0e#$a%a ,$- -#$-1 #,a, Ga,# &a"a ba%, Kea a"aa+ eba*a, be%,1-$)

:ain 4$otal, Kelas5 ; )ntropy 4$otal5 < i=1n |Kelasi||Total| xEntropy (Kelas)

; /,7+!>/> -

((151403x 1,325812)+( 153403 x1,292978)+( 503403 x1,454287)+( 49403x 1,484466)); ?,?7@?7B>

; ?,?

Se0e#$a%a ,$- -#$-1 #,a, Ga,# &a"a ba%, L/P a"aa+ eba*a, be%,1-$)

:ain 4$otal, *EKel5 ; )ntropy 4$otal5 < i=1

n |JKel i||Total|

x Entropy(JKel)

; /, 7+!>/> - ((279404 x 1,383197)+( 124403 x1,376914)); ?,?//

; ?,?/

0erdasarkan perhitungan menggunakan algoritma C.! didapatkan bah"a gain

tertinggi adalah kelas.

2+


29/39

B. MICROSOFT E2CEL

0erdasarkan dengan tabel Data Mahasis"a #ebelumnya, buat nama area

sesuai dengan ketentuan berikut

/. Cell 0/ sampai 0? diberi nama noEurut, sehingga menadi seperti gambar

diba"ah ini.

2. Cell D/ sampai D? diberi nama urusan, sehingga menadi seperti gambar di

ba"ah ini.

7. Cell )/ sampai )? diberi nama kelas, sehingga menadi seperti gambar di

ba"ah ini.

. Cell 8/ sampai dengan 8? diberi nama Ekel, sehingga menadi seperti

gambar di ba"ah ini.

#etelah itu berdasarkan data pada tabel Data Mahasis"a buat calon

percabangan, adapun calon percabangan yang mungkin teradi dari tabel Data

Mahasis"a adalah

2B


30/39

0erikutnya buat tabel untuk menghitung frekuensi yang muncul dari setiap

hasil produk berikut dengan proporsi serta entropynya, sehingga tampak seperti

berikut

0erikut adalah formula-formula yang digunakan untuk mengisi tabel di atas

/. Untuk cell C/7 48rekuensi %slam5;CU$%84agamaF0/75

2. Untuk cell C/ 48rekuensi Kristen5

;CU$%84agamaF0/5

7. Untuk cell C/! 48rekuensi Katolik5;CU$%84agamaF0/!5

. Untuk cell C/> 48rekuensi 3indu5;CU$%84agamaF0/>5

!. Cell C/@ 4$otal 8rekuensi5>. Cell D/7 4&roporsi %slam6pb5

;C/76C/@@. Cell D/ 4&roporsi Kristen6pb5

;C/6C/@+. Cell D/! 4&roporsi Katolik6pb5

;C/!6C/@B. Cell D/> 4&roporsi 3indu6pb5

;C/>6C/@/?. Cell )/7 4%slam6log2pb5

;9:4D/7F25//. Cell )/ 4Kristen6log2pb5

;9:4D/F25/2. Cell )/! 4Katolik6log2pb5

;9:4D/!F25/7. Cell )/> 43indu6log2pb5

7?


31/39

;9:4D/>F25/. Cell 8/7 4)ntropy %slam6-pb.log2.pb5

;4-)/75GD/7/!. Cell 8/ 4)ntropy Kristen6-pb.log2.pb5

;4-)/5GD//>. Cell 8/! 4)ntropy Katolik6-pb.log2.pb5;4-)/!5GD/!

/@. Cell 8/> 4)ntropy 3indu6-pb.log2.pb5;4-)/>5GD/>

/+. Cell 8/@ 4$otal )ntropy5;#UM48/78/>5

0erikutnya kita akan menghitung :ain dari masing-masing criteria untuk mencari

gain tertinggi yang akan diadikan cabang keputusan, untuk itu digunakan bantuan

tabel seperti di ba"ah ini

Cabang I!a

"K#$%&n

Ka%'!$(

H$n)*

P+I!a",

P+K#$%&n,

P+Ka%-'!$(,

P+H$n)*,

.P+I!a"

, L'g2

P+I!a",

.P+K#$%&

n, L'g2

P+K#$%&n,

.P+Ka%'!$

(, L'g2

P+Ka%'!$(,

.P+H$n)*

, L'g2

P+H$n)*,

1*#*an TI 97 84 5 11 049 043 003 006 050 052 013 023

*#*an SI 50 48 3 4 048 046 003 004 051 052 015 018

*#*an

MI 51 42 4 4 050 042 004 004 050 053 018 018

2 K&!a A 82 59 7 3 054 039 005 002 048 053 021 011

K&!a B 83 61 2 7 054 040 001 005 048 053 008 020

K&!a C 17 27 1 5 034 054 002 010 053 048 011 033

K&!a D 16 27 2 4 033 055 004 008 053 047 019 030

3 LP L136

122 10 11 049 044 004 004 051 052 017 018

LP P 62 52 2 8 050 042 002 006 050 053 010 026

Adapun formula tabel di atas adalah sebagai berikut

7/


32/39

/. Cell )/B 4produk dengan hasil islam pada urusan $%5;CU$%8#4urusanFD2?FagamaFH)H/B5

2. Cell %2? 4&roporsi produk dengan hasil islam terhadap keseluruhan produk

pada *urusan $%5

;%8)'''44)2?64)2?82?:2?32?55F?557. Cell M2? 4-&4%slam5 9og2 &4%slam55;%8)'''44-%2?G9:4%2?F255F?5

. Cell I2? 4$otal5 ; ;#UM4M2?&2?5!. Cell '2? 4&4*urusan;..55

;CU$%8#4urusanFD2?56CU$A4urusan5

>. Cell #2? 4$otal &4*urus@. Cell $2? 4)4$otalG&4*uru+. Cell U2? 4:ain *urusan5

Note:

Lakukan hal yang sama untuk

Mahasiswa. Namun, untuk gai

72


33/39

C. APLIKASI WEKA

Untuk membuat pohon keputusan, langkah-langkahnya adalah sebagai

berikut

/. &ilih e!plore, maka akan tampil endela seperti di ba"ah ini

2. Kemudian klik open "ile dan pilih data yang data mahasis"a pilih open.7. 0uka file yang akan dieksekusi oleh (eka, pergunakan ekstensi .ar"" disini

kami menggunakanDatamhs.ar"" sebagai berikut

Contoh file arff.

77


34/39

. #etelah data dimasukkan, maka akan tampil kotak dialog seperti di ba"ah ini. Conteng

semua atributnya kemudian pilih classi"y.

!. Kemudian pilih algoritma yang akan digunakan seperti tampilan sebagai berikut

ini

7


35/39

*adi ketika ingin melakukan klasifikasi dengan menggunakan ()KA, akan ada

4empat5 buah pilihan, yang disebut dengan test options. $est option ini

digunakan untuk mengetes hasil dari klasifikasi yang telah dilakukan. 0erikut

penelasan mengenai masing-masing option.

/. Use training set&engetesan dilakukan dengan mengunakan data training itu sendiri.

2. #upplied test set&engetesan dilakukan dengan menggunakan data lain. Dengan menggunakan

option inilah, kita bisa melakukan prediksi terhadap data tes.7. Cross-validation

Akan menampilkan hasil dari rata-rata perhitungan data errornya.. &ercentage split

3asil klasifikasi akan dites dengan menggunakan data tersebut.

Aa$ U1-% E3a-a, Pa"a Ka,,1a,

Alat ukur evaluasi untuk mengetahui evaluasi dari kinera model

klasifikasi didasarkan pada banyaknya 4count5 dataset record yang diprediksi

secara benar dan tidak benar pada model klasifikasi tersebut. Count ini

ditabulasikan dalam sebuah hasil yang dikenal sebagai con"usion matri!. &ada

()KA Classifier hasil klasifikasi yang diperoleh akan disertakan dengan

beberapa alat ukur sebagai bukti teradinya hasil proses pada klasifikasi tersebut

yang telah tersedia didalamnya, salah satu alat ukur tersebut adalah Confusion

Matri.

7!


36/39

Confusion Matri adalah salah satu alat ukur berbentuk matriks yang

digunakan untuk menetapkan umlah perempatan klasifikasi pada proses

menggunakan aplikasi ()KA.

&ada hasil evaluasi dihasilkan data yang diklasifikasikan secara benar4correct classified instances5 sebanyak !2./?J dan data pemilih diklasifikasikan

secara tidak benar 4incorrect classified instances5 sebanyak @.+BJ.

:ambar 3asil )valuasi

#etelah dilakukan pengolahan data training maka diperoleh akurasi pada model

tersebut. Akurasi pada model dihitung dengan mengunakan confusion matri.

0erdasarkan pada hasil yang terdapat dalam Confusion Matri diatas maka pada

kolom me"akili suatu prediksi, dan baris me"akili kelas yang sebenarnya. 3al

tersebut dapat dilihat banyaknya prediksi yang benar adalah 4aa, bb, cc, dd5 dan

banyaknya total prediksi yang tidak benar adalah

4ab,ac,ad,ba,bc,bd,ca,cb,cd,da,db,dc5.Kemudian akan dilakukan proses perhitungan rata-rata persentasi akurasi

keberhasilan dan error rate pada Confusion matri dengan cara

&ersentase Akurasi ;

&ersentase Akurasi ;

; /?? J ; !2, /? J

7>

&rediksi benar /?? J$otal 0an akn a &rediksi

/2 +> ? ? /?? J/2 @ ? ? ++ +> ? ? + ? ? @ /2 ? ?

210

403


37/39

)rror rate ;

)rror rate ;

; /?? J ; @, +B J

Untuk melihat decision treecaranya adalah sebagai berikut

7@

&rediksi #alah /?? J

$otal 0an akn a &rediksi

/?? J

++ + @ @ /2 ? ? ? ? ? ?

/2 @ ? ? ++ +> ? ? + ? ? @ /2 ? ?

193

403


38/39

#ehingga akan tampil decision treesebagai berikut

#ambar Decision $ree.

7+


39/39

BAB I

KESIMPULAN

Algoritma C.! adalah metode untuk memilih akar percabangan sebuah

data yang berbentuk tabel. &emilihan cabang ini didasarkan pada nilai gain

tertinggi dari atribut-atribut yang ada. 0erdasarkan perhitungan sebelumnya,

kami menemukan bah"a atribut kelas memiliki nilai gain tertinggi, yang diikuti

dengan urusan dan enis kelamin. Klasifikasi inilah yang akan menadi dasar

pembuatan pohon keputusan. Maka berdasarkan algoritma C.! dan *+, data

kelas yang akan menadi prioritas utama percabangan. #ehingga menghasilkan

tampilan pohon seperti gambar.Decision tree di atas.

0erdasarkan analisis tersebut kami menyimpulkan hasil perhitungan data

mahasis"a menggunakan algoritma C.! dengan dua buah cara penyelesaian

yaitu hitungan manual dan Microsoft ecel bah"a enis agama yang menadi

mayoritas mahasis"adi lingkungan #$M%K &alangka 'aya adalah %slam. 3al di

dasarkan pada hasil perhitungan entropy dan gain dari setiap atribut data

mahasis"a.Kemudian agama Kristen berada diperingkat kedua. Untuk hindu dan

katolik berada di peringkat ketiga dan empat.

laporan tugas besar bdt algoritma c4.5

Documents