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