pencarian karakteris tik calon mahasiswa … filealgoritma pohon keputusan skripsi diajukan untuk...

i

PENCARIAN KARAKTERISTIK CALON MAHASISWA

BARU UNIVERSITAS SANATA DHARMA YANG TIDAK

MENDAFTAR ULANG DENGAN MENGGUNAKAN

ALGORITMA POHON KEPUTUSAN

Skripsi

Diajukan untuk Memenuhi Salah Satu Syarat

Memperoleh Gelar Sarjana Sains

Program Studi Ilmu Komputer

Oleh:

Lilik Haryanto

NIM: 033124010

PROGRAM STUDI ILMU KOMPUTER JURUSAN MATEMATIKA

FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS SANATA DHARMA

YOGYAKARTA 2008

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

i

FINDING CHARACTERISTICS OF SANATA DHARMA

UNIVERSITY NOT-ENROLLING-APPLICANTS USING

DECISION TREE ALGORITHM

A Final Thesis

Presented as Partial Fulfillment of The Requirements

for the Degree of Sarjana Sains

in Computer Science

By:

Lilik Haryanto

Student Number: 033124010

COMPUTER SCIENCE STUDY PROGRAM DEPARTMENT OF MATHEMATICS

FACULTY OF SCIENCE AND TECHNOLOGY SANATA DHARMA UNIVERSITY

YOGYAKARTA 2008


ii


iii


iv

“ Akirametakunai, Fuan ni naru to te wo nigiri, Issho ni ayunde kita “ -Kiroro-

Kupersembahkan untuk:

Jesus Christ

Ibu, Bapak (Alm), Budhe, mas Hari, Pam-Pam

Sahabat-Sahabatku...


v


vi

ABSTRAK

Penambangan data merupakan suatu teknik untuk mengestraksi pola yang

penting atau informasi yang menarik dari basis data yang berukuran besar.

Penambangan data memberikan informasi yang digunakan sebagai penunjang

dalam melakukan pengambilan keputusan. Teknik yang digunakan dalam

melakukan penambangan data diantaranya adalah klasifikasi, yaitu teknik yang

menentukan kelas-kelas ataupun kategori dari suatu objek berdasarkan

sifat/atribut yang dimilikinya. Salah satu metode klasifikasi adalah algoritma

pohon keputusan.

Dalam penulisan tugas akhir ini, algoritma pohon keputusan

diimplementasikan untuk mengenali karakteristik calon mahasiswa yang tidak

melakukan daftar ulang. Data-data yang digunakan merupakan data penerimaan

mahasiswa baru Universitas Sanata Dharma dari tahun 2005 sampai dengan 2006.

Seluruh data yang digunakan berisi informasi tentang gelombang masuk, prioritas

pilihan program studi di mana calon mahasiswa tersebut diterima, jenis_kelamin,

jenis sma, program studi tempat calon mahasiswa diterima dan status daftar ulang

yang dilakukan serta nilai finalnya. Data-data ini digunakan sebagai himpunan

data pelatihan dan himpunan data tes dalam proses penambangan data. Pengujian

dilakukan terhadap himpunan data pelatihan dan himpunan data tes. Hasil

pengujian menggunakan fivefold cross-validation dengan sampel data sebanyak

1400 record adalah 61.64 %.


vii

ABSTRACT

Data mining is a way to extract important pattern or interesting

information from large databases. Data mining gives information that is used to

make a decision. Classification is one of technique that can be applied on data

mining. The technique will define classes or categories of an object based on its

characteristics. One of classification technique is decision tree algorithm.

On this undergraduate thesis, the decision tree algorithm is applied to

recognize characteristics of new student candidates of Sanata Dharma University

that do not perform her-registration. The data that is used is new student

candidates of 2005 to 2006 academic year, which consists of registration periods,

the priority of applied study program, sex, the type of their high school, the study

program where the new student are accepted, her-registration status and the final

score of acceptance test. The data’s are used as training set and test set on data

mining process. The experiment is done to test training set and test set. The result

of experiment with 1400 records using fivefold cross-validation method is 61.64

%.


viii


ix

KATA PENGANTAR

Dalam nama Bapa Putera dan Roh Kudus, penulis selalu diberi kekuatan

untuk berkembang dan menjadi lebih. Puji dan syukur penulis panjatkan kepada-

Nya atas segala kesehatan, keselamatan, keberuntungan, berkat, rahmat, kasih dan

bimbingan-Nya sehingga dapat menyelesaikan penyusunan skripsi yang berjudul

“ Penambangan Data Penerimaan Mahasiswa Baru Universitas Sanata Dharma

untuk Mencari Pola Karakteristik Calon Mahasiswa yang tidak Mendaftar Ulang

dengan Menggunakan Algoritma Pohon Keputusan”.

Dalam kesempatan ini, penulis ingin mengucapkan terima kasih yang

sebesar-besarnya kepada semua pihak yang turut memberikan dukungan,

semangat dan bantuan hingga selesainya skripsi ini :

1. Jesus Christ….Makasih untuk selalu mendampingi dan menuntunku di

saat apapun….Engkau selalu ada di saat tak seorangpun menemani setiap

langkahku….Bersama-Mu segalanya menjadi lebih mudah dan begitu

indah….

2. Keluargaku….Ibu Th. Kasyati, Bpk. Marjuki (Alm), Budhe, Masku Hari,

adikku Pam-Pam. Terima kasih atas semua cinta, kasih dan semangat yang

diberikan sehingga aku dapat lebih baik….Bu… akhirnya lulus…

3. Ibu P.H Prima Rosa, S.Si., M.Sc. selaku dosen pembimbing dan Kaprodi,

atas segala kesabaran, waktu, bimbingan dan saran yang diberikan.

4. Staf BAPSI USD atas data-data mahasiswa yang diberikan.

5. Romo Dr. C. Kuntoro Adi SJ., MA., M.Sc. selaku dosen penguji

6. Bapak St. Eko Hari Parmadi, S.Si., M.Kom. selaku dosen penguji


x

7. Bapak Drs. H. Haris Sriwindono, M.Kom selaku dosen pembimbing

akademik atas bimbingannya selama kuliah.

8. Pak Tukijo dan mbak Linda, maaf telah banyak merepotkan

9. Mas Susilo selaku pegawai laboran

10. Anak-anak program studi Ilmu Komputer: Oneng, Ina, Teguh, Iin, Toto,

Elis, Frans, Citra, Josephine, Vika, Ika, Kelik, Gondez, Suryo, Rey, Vitri,

Kadek, Henry, Doni, Teteh, Dimas, Andi, Anjar, Clara, Hendro, Beni Aji,

Iyus, Guritno, Wiwid, Rano, Aris, Wawan, Kornel, Beni, Ferry, Puguh,

Bayu, Fatso, Fani, Prity

11. Teman-teman, yang selalu ada dan tidak dapat penulis sebutkan satu

persatu, yang telah memberikan semangat dalam penulisan skripsi ini.

Penulis menyadari bahwa penyusunan skripsi ini masih jauh dari

sempurna karena keterbatasan kemampuan dan pengetahuan yang dimiliki serta

terbatasnya waktu yang ada. Oleh karena itu, dengan kerendahan hati, penulis

mengharapkan segala kritik maupun saran yang berguna dan membangun bagi

perbaikan skripsi ini.

Akhir kata, penulis berharap semoga skripsi ini dapat bermanfaat bagi

pembaca dan pihak lain yang membutuhkannya.

Penulis

Lilik Haryanto


xi

DAFTAR ISI

HALAMAN JUDUL .......................................................................................... i

HALAMAN PERSETUJUAN PEMBIMBING .............................................. ii

HALAMAN PENGESAHAN ............................................................................ iii

HALAMAN PERSEMBAHAN iv

PERNYATAAN KEASLIAN KARYA ............................................................ v

ABSTRAK .......................................................................................................... vi

ABSTRACT ........................................................................................................ vii

LEMBAR PERNYATAAN PERSETUJUAN viii

KATA PENGANTAR ........................................................................................ ix

DAFTAR ISI ....................................................................................................... xi

DAFTAR TABEL .............................................................................................. xiii

DAFTAR GAMBAR .......................................................................................... xiv

BAB I PENDAHULUAN ........................................................................... 1

A. Latar Belakang ..................................................................... 1

B. Perumusan Masalah .............................................................. 3

C. Batasan Masalah ................................................................... 3

D. Tujuan ................................................................................... 4

E. Manfaat ................................................................................. 4

F. Metodologi ........................................................................... 4

G. Sistematika Pembahasan ...................................................... 5

BAB II LANDASAN TEORI ...................................................................... 6


xii

A. Penambangan Data ............................................................... 6

B. Proses Penambangan Data ................................................... 6

C. Teknik Klasifikasi ................................................................ 10

D. Pohon Keputusan .................................................................. 11

E. Contoh Penerapan Algoritma Pohon Keputusan ….............. 20

BAB III PERANCANGAN SISTEM .......................................................... 40

A. Identifikasi Sistem ................................................................ 40

B. Pembersihan Data ................................................................. 41

C. Integrasi Data ....................................................................... 41

D. Transformasi Data ................................................................ 42

E. Perancangan Umum Sistem ................................................. 42

1. Masukan Sistem ......................................................... 42

2. Proses Sistem ............................................................. 44

3. Keluaran Sistem ......................................................... 48

4. Perancangan Struktur Data ......................................... 50

5. Perancangan Antarmuka ............................................ 51

BAB IV IMPLEMENTASI SISTEM .......................................................... 63

A. Jalannya Program dan Pembahasannya ................................ 63

B. Analisa Hasil Program.......................................................... 84

BAB V KESIMPULAN DAN SARAN ...................................................... 89

A. Kesimpulan ........................................................................... 89

B. Saran ..................................................................................... 89

DAFTAR PUSTAKA ......................................................................................... 91

LAMPIRAN ........................................................................................................ 93


xiii

DAFTAR TABEL

Tabel 2.1 Tabel Kontingensi 2 x 2........................................................... 16

Tabel 2.2 Data Nasabah........................................................................... 20

Tabel 2.3 Nilai information gain data nasabah 1..................................... 27

Tabel 2.4 Nilai information gain data nasabah 2..................................... 31

Tabel 2.5 Aturan Klasifikasi yang diperoleh............................................ 32

Tabel 2.6 Tabel Kotingensi Untuk Kekayaan.......................................... 33

Tabel 2.7 Tabel Nilai Frekuensi Harapan Untuk Kekayaan.................... 34

Tabel 2.8 Tabel Kotingensi Untuk abungan............................................. 36

Tabel 2.9 Tabel Nilai Frekuensi Harapan Untuk Tabungan.................... 37

Tabel 2.10 Aturan Yang Paling Sederhana................................................ 38

Tabel 2.11 Hasil Prediksi........................................................................... 39

Tabel 3.1 Deskripsi Atribut-Atribut Tabel Data Pelatihan....................... 34

Tabel 3.2 Deskripsi Atribut-Atribut Tabel Data Tes................................ 34

Tabel 3.3 Keluaran Contoh ArrayList…………….................................. 51

Tabel 4.1 Confusion Matrix Pengujian I….............................................. 85

Tabel 4.2 Confusion Matrix Pengujian II................................................. 85

Tabel 4.3 Confusion Matrix Pengujian III................................................ 86

Tabel 4.4 Confusion Matrix Pengujian IV............................................... 86

Tabel 4.5 Confusion Matrix Pengujian V................................................. 86

Tabel 4.6 Pengujian Cross-validation...................................................... 87


xiv

DAFTAR GAMBAR

Gambar 2.1 Langkah-langkah dalam Penambangan Data........................... 8

Gambar 2.2 Penambangan data dan teknologi database lainnya................. 9

Gambar 2.3 Pohon Keputusan...................................................................... 11

Gambar 2.4 Contoh Pohon Keputusan......................................................... 12

Gambar 2.5 Nilai positif dan negatif kejadian atribut tabungan.................. 22

Gambar 2.6 Nilai positif dan negatif kejadian atribut kekayaan.................. 23

Gambar 2.7 Nilai positif dan negatif kejadian atribut pendapatan............... 25

Gambar 2.8 Pohon Awal.............................................................................. 27

Gambar 2.9 Nilai positif dan negatif kejadian atribut tabungan.................. 28

Gambar 2.10 Nilai positif dan negatif kejadian atribut pendapatan............... 30

Gambar 2.11 Pohon Percabangan.................................................................. 32

Gambar 3.1 Desain Antarmuka Form Input Data Tabel.............................. 51

Gambar 3.2 Desain Antarmuka Form Detail Tabel..................................... 52

Gambar 3.3 Desain Antarmuka Form Penentuan Node Awal..................... 53

Gambar 3.4 Desain Antarmuka Form Pembuatan Pohon............................ 54

Gambar 3.5 Desain Antarmuka Form Unpruned Aturan............................. 55

Gambar 3.6 Desain Antarmuka Form Aturan Default................................. 56

Gambar 3.7 Desain Antarmuka Form Simulasi........................................... 57

Gambar 3.8 Desain Antarmuka Form Pengujian Aturan............................. 58

Gambar 3.9 Desain Antarmuka Form Detail Sampel.................................. 60


xv

Gambar 3.10 Desain Antarmuka Form Aturan-Aturan................................. 60

Gambar 3.11 Desain Antarmuka Form Aturan-Aturan Sederhana................ 61

Gambar 3.12 Desain Antarmuka Form Prediksi Sampel............................... 61

Gambar 4.1 Form Menu dan Form Input Data Tabel................................. 63

Gambar 4.2 Form Aturan Himpunan Tabel Pelatihan dan Tes................... 64

Gambar 4.3 Form Tentang Program Penambangan Data............................ 64

Gambar 4.4 Kotak Peringatan 1................................................................... 65

Gambar 4.5 Kotak Peringatan 2................................................................... 65

Gambar 4.6 Form Data Tabel (Tabel Pelatihan) ......................................... 66

Gambar 4.7 Form Data Tabel (Tabel Tes) .................................................. 66

Gambar 4.8 Form Penentuan Node Awal.................................................... 67

Gambar 4.9 Form Pembuatan Pohon.......................................................... 70

Gambar 4.10 Progress Bar Proses Pembuatan Pohon................................... 71

Gambar 4.11 Gambar 4.11 Kotak Pesan 1................................................... 72

Gambar 4.12 Form Unpruned Aturan............................................................ 72

Gambar 4.13 Status Progress Bar Unpruned Aturan.................................... 75

Gambar 4.14 Form Aturan Default................................................................ 75

Gambar 4.15 Kotak Pesan 2........................................................................... 76


Gambar 4.17 Form Simulasi.......................................................................... 77

Gambar 4.18 Form Simulasi Setelah Tombol Buat Simulasi diklik.............. 78

Gambar 4.19 Form Detail Sampel................................................................. 78



xvi

Gambar 4.21 Form Pengujian Aturan............................................................ 79

Gambar 4.22 Form Pengujian Aturan Setelah Tombol Uji Aturan diklik..... 80

Gambar 4.23 Form Detail Simulasi Aturan................................................... 81



Gambar 4.26 Form Aturan-Aturan Sederhana............................................... 82

Gambar 4.27 Form Prediksi Sampel.............................................................. 83

Gambar 4.28 Form Prediksi Sampel Setelah Proses Prediksi........................ 84


1

BAB I

PENDAHULUAN

A. Latar Belakang

Dalam proses Penerimaan Mahasiswa Baru (PMB), calon

mahasiswa harus menjalani serangkaian tes tertulis terlebih dahulu

sebelum mereka dinyatakan diterima sebagai mahasiswa Universitas

Sanata Dharma. Setelah mengikuti tes dan dinyatakan lulus, maka data

calon mahasiswa yang bersangkutan disimpan dalam suatu basis data

tersendiri. Untuk melengkapi persyaratan dan bukti bahwa calon

mahasiswa yang telah dinyatakan lulus tes tersebut benar-benar terdaftar

sebagai mahasiswa Universitas Sanata Dharma, maka calon mahasiswa

diwajibkan untuk melakukan daftar ulang. Setelah melakukan daftar ulang,

seorang mahasiswa secara resmi menjadi civitas academica di Universitas

Sanata Dharma. Yang menjadi masalah disini adalah bagaimana jika

mahasiswa yang telah dinyatakan lulus tersebut tidak melakukan daftar

ulang. Hal ini akan sangat merugikan bagi Universitas Sanata Dharma.

Suatu program studi pasti mempunyai jumlah kuota tertentu dalam

setiap periode penerimaan mahasiswa baru. Kuota ditentukan sebagai hasil

kesepakatan antara Ketua program studi (Kaprodi) dengan pimpinan

universitas. Untuk memenuhi kuota tersebut, Kaprodi menerima sejumlah

mahasiswa berdasar kuota yang ditetapkan. Pada kenyataannya tidak


2

seluruh mahasiswa yang diterima, mendaftar ulang kembali sehingga

kuota tidak terpenuhi. Namun, ketika ditetapkan jumlah mahasiswa yang

diterima lebih dari kuota agar mahasiswa yang tidak mendaftar ulang

dapat terantisipasi, ada akibat jumlah pendaftar ulang melebihi kuota.

Masalah yang muncul adalah bagaimana menetapkan jumlah mahasiswa

yang diterima agar kuota yang ditetapkan bisa terpenuhi secara relatif

tetap.

Sebenarnya ada banyak solusi untuk mengatasi hal tersebut. Salah

satu caranya dengan penambangan data (data mining). Penambangan data

merupakan teknik untuk mengekstraksi informasi atau menemukan pola

yang penting atau menarik dari data yang ada dalam basis data yang besar.

Pendekatannya memakai algoritma pohon keputusan (decision trees).

Algoritma ini merupakan salah satu pendekatan klasifikasi, yaitu proses

pengelompokan data yang dipergunakan sebagai tujuan penambangan

data.

Dengan mempergunakan penambangan data ini diharapkan

Kaprodi bisa memprediksi kuota secara lebih tepat dengan

memperhitungkan mahasiswa-mahasiswa yang diperkirakan tidak akan

melakukan daftar ulang. Kerugian akibat melesetnya prediksi jumlah

mahasiswa pendaftar ulang dan kesulitan dalam menangani masalah

inipun dapat dikurangi.


3

B. Perumusan Masalah

Berangkat dari latar belakang masalah yang telah dikemukakan di

atas, maka perumusan masalah dalam penelitian ini adalah bagaimana

mengimplementasikan penambangan data pada basis data PMB

Universitas Sanata Dharma untuk mengenali karakteristik calon

mahasiswa yang tidak melakukan daftar ulang dengan mempergunakan

algoritma pohon keputusan ?

C. Batasan Masalah

Berdasarkan rumusan masalah yang akan diteliti, diperlukan

adanya pembatasan masalah. Hal ini dilakukan supaya penelitian lebih

terfokus pada inti dari permasalah yang akan diteliti. Oleh karena itu,

penulis memberi batasan penelitian sebagai berikut:

1. Pendekatan yang digunakan berupa pendekatan klasifikasi dengan

hanya memakai algoritma pohon keputusan (ID3 Quinland).

2. Input adalah data PMB yang diperoleh dari Biro Administrasi dan

Perencanaan Sistem Informasi (BAPSI). Universitas Sanata Dharma

dari tahun 2005 sampai 2006.

3. Program diimplementasikan menggunakan bahasa Visual Basic.net

dan MySQL

4. Outputnya berupa perkiraan atau prediksi siapa saja mahasiswa yang

tidak melakukan daftar ulang serta tingkat keberhasilan prediksi.


4

D. Tujuan

Dapat mengenali karakteristik calon mahasiswa yang tidak

melakukan daftar ulang.

E. Manfaat

Hasil klasifikasi dari penambangan data dapat digunakan oleh

Kaprodi untuk memprediksi kuota secara lebih tepat dengan

memperhitungkan mahasiswa-mahasiswa yang diperkirakan tidak akan

melakukan daftar ulang.

F. Metodologi

1. Mencari data PMB Universitas Sanata Dharma dari tahun 2005

sampai 2006.

2. Melakukan pembersihan data terhadap data yang tidak konsisten

ataupun data yang kosong.

3. Implementasi teknik pohon keputusan pada data PMB dengan cara:

a. Mengubah bentuk data menjadi model pohon.

b. Mengubah node pohon menjadi aturan.

c. Menyederhanakan aturan.

4. Uji coba Program


5

G. Sistematika Pembahasan

BAB I. PENDAHULUAN

Pada bab ini akan dibahas mengenai latar belakang masalah,

rumusan masalah, batasan masalah, tujuan, manfaat, metodologi, dan

sistematika laporan.

BAB II. LANDASAN TEORI

Pada bab ini disajikan landasan teori yang berisi

konsep/teori/temuan penelitian terdahulu/yang direplikasi yang berkaitan

dengan implementasi penambangan data. Secara khusus akan dibahas

algoritma pohon keputusan.

BAB III. PERANCANGAN SISTEM

Bab ini berisi tentang identifikasi sistem, pembersihan data,

integrasi data, transformasi data dan perancangan sistem secara umum.

BAB IV. IMPLEMENTASI PROGRAM

Bab ini berisi implementasi program penambangan data dan

analisis terhadap hasil penelitian yang telah dilakukan.

BAB V. KESIMPULAN DAN SARAN

Pada bab ini penulis memaparkan kesimpulan terhadap hasil

penelitian yang dilakukan serta memberikan saran-saran.


6

BAB II

LANDASAN TEORI

A. Penambangan Data

Beberapa pengertian penambangan data menurut sejumlah penulis

adalah sebagai berikut :

1. Definisi sederhana dari penambangan data adalah ekstraksi

informasi atau pola yang penting atau menarik dari data yang

berada di basis data yang besar (Yudho, 2003:1).

2. Penambangan data adalah suatu percobaan untuk memperoleh

informasi yang berguna yang tersimpan di dalam basis data yang

sangat besar (Mitra & Acharya, 2003:1).

3. Suatu proses yang mengidentifikasi hubungan dan pola-pola

tersembunyi dalam suatu data (Groth, 1998:4).

Dari pengertian-pengertian diatas, penambangan data dapat diartikan

sebagai suatu proses untuk mencari pola-pola yang tersembunyi dari basis

data yang besar sehingga didapatkan informasi yang menarik.

B. Proses Penambangan Data

Proses penambangan data tidak dapat dipisahkan dengan

Knowledge Discovery in Databases (KDD), karena penambangan data

merupakan salah satu tahap dari proses KDD yang mempergunakan

analisa data dan penggunaan algoritma, sehingga menghasilkan pola-pola


7

khusus dalam basis data yang besar (Fayyad, Piatetsky-shapiro & Smyth,

1996: 40).

Berikut ini merupakan langkah-langkah dalam membangun

penambangan data :

1. Pembersihan Data. Proses ini dilakukan untuk membuang data

yang tidak konsisten dan derau yang ada dalam data tersebut,

seperti data yang tidak relevan, data yang salah ketik maupun data

kosong yang tidak diperlukan.

2. Integrasi data merupakan penggabungan tabel dari beberapa

sumber agar seluruh data terangkum dalam satu tabel utuh

(denormalisasi).

3. Seleksi dan transformasi data. Pada proses ini data yang ada dipilih

untuk selanjutnya diubah menjadi bentuk yang sesuai untuk

ditambang.

4. Penerapan teknik penambangan data adalah menerapkan algoritma

untuk mencari pola yang menarik

5. Evaluasi pola. Pola yang sudah didapat direpresentasikan kepada

pengguna akhir ke dalam bentuk yang menarik ataupun bentuk

yang mudah dipahami.


8

Tahap-tahap tersebut diilustrasikan ke dalam gambar berikut ini :

Gambar 2.1 Langkah-langkah dalam Penambangan Data Sumber: Jiawei Han and Micheline Kamber

http://www.cs.sfu.ca/~han/dmbook

Tidak dapat dipungkiri bahwa penambangan data berkaitan erat

dengan data warehouse dan OLAP (Online Analytical Processing). Hal ini

dikarenakan teknologi yang ada pada data warehouse dan OLAP

digunakan sepenuhnya untuk melakukan penambangan data

(Yudho,2003:2). Data warehouse merupakan sistem gudang data

sedangkan OLAP merupakan basis data khusus yang digunakan untuk

menunjang proses pengambilan keputusan. Berikut ini merupakan gambar

yang menunjukkan posisi masing-masing teknologi :

PembersihanData

Integrasi Data

Databases

Data Warehouse

Tugas Data yang Relevan

Seleksi danTransformasi

Data Mining

Evaluasi PolaPengetahuan

PembersihanData

Integrasi Data

Databases

Data Warehouse

Tugas Data yang Relevan

Seleksi danTransformasi

Data Mining

Evaluasi PolaPengetahuan


9

Gambar 2.2 Penambangan data dan teknologi database lainnya

Sumber: Jiawei Han and Micheline Kamber http://www.cs.sfu.ca/~han/dmbook

Dari gambar di atas terlihat bahwa teknologi data warehouse

digunakan untuk melakukan OLAP sedangkan penambangan data

digunakan untuk melakukan information discovery yang informasinya

lebih ditujukan untuk seorang Data Analysist dan Business Analysist.

Menurut Iko(2003;3) data warehouse merupakan data mentah untuk

penambangan data. Data warehouse sendiri secara periodik diisi data dari

OLTP(Online Transaction Processing) setelah menjalani pembersihan dan

integrasi data. OLTP merupakan basis data yang dipakai perusahaan-

perusahaan dalam melakukan operasi sehari-harinya seperti pencatatan

Increasing potentialto supportbusiness decisions End User

BusinessAnalyst

DataAnalyst

DBA

MakingDecisions

Data PresentationVisualization Techniques

Data MiningInformation Discovery

Data Exploration

OLAP, MDA

Statistical Analysis, Querying and Reporting

Data Warehouses / Data Marts

Data SourcesPaper, Files, Information Providers, Database Systems, OLTP

Increasing potentialto supportbusiness decisions End User

BusinessAnalyst

DataAnalyst

DBA

MakingDecisions

Data PresentationVisualization Techniques

Data MiningInformation Discovery

Data Exploration

OLAP, MDA

Statistical Analysis, Querying and Reporting

Data Warehouses / Data Marts

Data SourcesPaper, Files, Information Providers, Database Systems, OLTP


10

transaksi jual-beli, administrasi pengiriman barang, inventori, penggajian,

dan lain sebagainya.

C. Teknik Klasifikasi

Salah satu metode yang digunakan dalam membangun

penambangan data adalah teknik klasifikasi. Klasifikasi merupakan suatu

teknik yang menentukan kelas-kelas ataupun kategori dari suatu objek

berdasarkan sifat/atribut yang dimilikinya.

Algoritma teknik klasifikasi terdiri dari dua langkah, yaitu :

1. Membangun model

Tahap ini menggambarkan satu himpunan data dari kelas-kelas yang

telah ditentukan sebelumnya. Masing-masing sampel diasumsikan

sebagai kepunyaan suatu kelas yang sudah diketahui berdasarkan nilai-

nilai atributnya. Sampel-sampel data yang digunakan untuk

membangun model disebut himpunan data pelatihan. Model

direpresentasikan sebagai clasification rules, pohon keputusan, atau

formula matematis.

2. Penggunaan model

Tujuan dari penggunaan model ini adalah untuk melakukan klasifikasi

suatu objek yang akan datang atau yang tidak dikenal. Penilaian

tingkat akurasi model menggunakan himpunan data tes. Label yang

sudah diketahui dari contoh himpunan data tes dibandingkan dengan

hasil klasifikasi dari model. Tingkat akurasi merupakan persentase dari


11

contoh himpunan data tes yang diklasifikasikan secara benar oleh

model.

D. Pohon Keputusan

Ada beberapa model yang dapat dibangun pada teknik klasifikasi,

salah satunya adalah pohon keputusan. Pohon keputusan adalah suatu

diagram alir seperti struktur pohon, yang mana setiap titik (node) bagian

dalam merupakan sebuah atribut, setiap cabang (branch) menggambarkan

keluaran dari suatu logikal tes dan daun-daun (leaf node) menggambarkan

kelas-kelas atau suatu kelas distribusi. Node yang paling atas disebut akar

(root node). Untuk lebih jelasnya dapat dilihat pada gambar di bawah ini.

Gambar 2.3 Pohon Keputusan Sumber:http://www2.cs.uregina.ca/~hamilton/courses/831/notes/ml/dtrees/4_dtrees1.html


12

Di bawah ini merupakan contoh dari suatu pohon keputusan yang

mempunyai konsep tentang pembelian komputer dari suatu toko

elektronik, yang mengindikasikan kemungkinan seorang pelanggan

membeli komputer atau tidak.

Gambar 2.4 Contoh Pohon Keputusan Sumber: Jiawei Han and Micheline Kamber

http://www.cs.sfu.ca/~han/dmbook

Ada banyak algoritma yang dapat digunakan dalam membuat pohon

keputusan. Salah satu algoritma yang dapat digunakan untuk membuat

pohon keputusan adalah algoritma ID3 Quinland (Hamilton,2000).

Langkah–langkah untuk melakukan prediksi dalam pohon keputusan

dengan menggunakan algoritma ID3 Quinland adalah sebagai berikut :

1. Mengubah bentuk data menjadi bentuk model pohon

Langkah-langkah dalam mengubah model data menjadi model pohon


umur?

mahasiswa? credit_rating?

yatidak

ya

yatidak

baik sekali cukup ya tidak

<= 30 31…40 > 40


13

a. Menentukan node terpilih/node awal

Atribut mana yang harus dipilih sebagai node awal adalah atribut

yang memungkinkan untuk mendapatkan pohon keputusan yang

paling kecil ukurannya atau atribut yang bisa memisahkan objek

menurut kelasnya. Secara heuristik dipilih atribut yang

menghasilkan node yang paling ”purest” (paling bersih). Jika

dalam satu cabang anggotanya berasal dari satu kelas maka cabang

ini disebut pure. Semakin pure suatu cabang semakin baik. Ukuran

purity dinyatakan dengan tingkat impurity. Salah satu kriteria

impurity adalah information gain. Jadi dalam memilih atribut untuk

memecah objek dalam beberapa kelas harus dipilih atribut yang

menghasilkan information gain paling besar.

Untuk menghitung information gain perlu dihitung dahulu nilai

informasi dalam satuan bits dari suatu kumpulan obyek. Cara

penghitungan dilakukan dengan menggunakan konsep entropi.

Entropi menyatakan impurity suatu kumpulan obyek. Berikut ini

merupakan definisi dari entropi suatu ruang sampel data (S) :

entropi(S) = − P+ log2 P+ − P- log2 P- .......................2.1

dimana :

S = ruang sampel data yang digunakan untuk data pelatihan

P+ = jumlah yang bersolusi positif (mendukung) pada sampel data

P- = jumlah yang bersolusi negatif (tidak mendukung) pada sampel

data


14

Nilai rata-rata terbobot entropi suatu atribut dapat dirumuskan

sebagai berikut :

E(A)= ∑=

⎟⎟⎠

⎞⎜⎜⎝

⎛×⎟⎠⎞

⎜⎝⎛inst

i t

i enn

1i ............................................................2.2

dimana :

inst = jumlah kejadian

ni = jumlah data kejadian ke-i

nt = jumlah total data keseluruhan

ei = nilai entropi kejadian ke-i

Sehingga information gain dapat di hitung dengan rumus:

Gain(A) = entropi(S) – E(A).......................................2.3

dimana :

entropi(S) = nilai entropi total dari atribut keputusan dalam ruang

sampel data S.

E(A) = nilai rata-rata terbobot entropi suatu atribut

b. Menyusun Pohon

Penyusunan pohon dimulai dari node yang terpilih. Node yang

terpilih tersebut menjadi akar (root leaf) dari pohon yang akan

disusun. Langkah selanjutnya adalah memilih node daun (leaf

node) selanjutnya. Langkah yang dilakukan adalah :

1) Memilih node dari sampel data yang tidak homogen

2) Mencari nilai gain dari setiap atribut kecuali atribut yang telah

menjadi node diatasnya


15

3) Pilih atribut yang mempunyai nilai gain paling besar sebagai

node daun selanjutnya.

Proses ini dilakukan secara terus menerus sampai setiap node daun

mempunyai sampel data yang homogen atau sampel data yang ada

kosong atau jika sampel masih tidak homogen (heterogen) tetapi

tidak ada lagi atribut yang tersisa.

2. Mengubah node pohon menjadi aturan

Pada tahap ini pohon yang telah selesai dibangun diubah menjadi

aturan if...then. Menurut Han dan Kamber (1998), node-node yang ada

merupakan anteseden pada suatu aturan, sedangkan nilai anteseden

merupakan cabang-cabang yang terbentuk pada node. Nilai

konsekuennya adalah :

Jika sampel sudah homogen, maka nilai konsekuennya adalah

kejadian atribut target/keputusan pada sampel data tersebut.

Jika sampel kosong, maka nilai konsekuennya merupakan kejadian

paling banyak dari atribut target pada keseluruhan sampel.

Jika sampel masih heterogen tetapi atribut kondisi sudah habis,

maka nilai konsekuennya adalah kejadian pada atribut target yang

mempunyai jumlah kejadian paling banyak pada sampel yang

tersisa (Han dan Kamber, 1998)

3. Menyederhanakan aturan (pruning)

Tahap ini bertujuan untuk mengidentifikasi dan menghilangkan

anteseden atau aturan yang tidak diperlukan atau yang tidak


16

meningkatkan akurasi klasifikasi. Aturan yang terbentuk menjadi lebih

sederhana dan lebih akurat. Menurut Hamilton (2000), langkah-

langkah dalam penyederhanaan aturan adalah :

a. Menyederhanakan aturan dengan menghilangkan anteseden yang

tidak perlu. Langkah-langkah untuk menghilangkan anteseden


1) Membangun tabel kontingensi untuk setiap aturan yang

mengandung lebih dari satu anteseden. Aturan yang hanya

memiliki satu anteseden tidak dapat disederhanakan lebih

lanjut, jadi hanya aturan yang terdiri dari dua atau lebih

anteseden yang dapat disederhanakan. Tabel kontingensi

merupakan nilai frekuensi yang teramati. Tabel kontingensi

terdiri dari r baris dan c kolom. Total r baris dan c kolom dalam

tabel kontingensi disebut frekuensi marjinal. Untuk lebih

jelasnya, dapat dilihat pada tabel berikut ini :

Tabel 2.1 Tabel Kontingensi 2 x 2

C1 C2 Jumlah Marjinal R1 x11 x12 R1T = x11 + x12 R2 x21 x22 R2T = x21 + x22

Jumlah Marjinal

CT1 = x11+ x21 CT2 = x1+x22 T = x11+x12+x21+x22

Keterangan :

R1, R2, C1, C2 : nilai-nilai dari salah satu anteseden atau

kejadian pada atribut target


17

x11, x12, x21, x22 : merepresentasikan frekuensi dari setiap

pasangan anteseden dengan konsekuen

R1T, R2T : jumlah marjinal dari baris

CT1, CT2 : jumlah marjinal dari kolom

T : jumlah keseluruhan frekuensi marjinal

2) Menguji data-data dari kriteria tertentu dengan menggunakan

uji kebaikan suai. Uji kebaikan suai ini berguna untuk

menentukan tingkat independensi pada suatu kriteria. Uji ini

didasarkan pada seberapa baik kesesuaian antara frekuensi

yang teramati dalam data dengan frekuensi harapan yang

didasarkan pada sebaran yang dihipotesiskan. Berikut ini

merupakan rumus untuk menghitung frekuensi harapan bagi

sembarang sel :

eij = T

CR TjiT • ...........................................................2.4

dimana :

eij = nilai frekuensi harapan baris ke-i kolom ke-j

RiT = total baris ke-i

CTj = total kolom ke-j

T = jumlah keseluruhan frekuensi marjinal


18

Uji kebaikan suai yang teramati dengan frekuensi harapan

didasarkan pada besaran :

2χ =2)(∑∑ −baris

i

kolom

j ij

ijij

eeo ..........................................2.5

dimana :

2χ = nilai bagi peubah acak 2χ yang sebaran penarikan

contohnya sangat menghampiri sebaran chi-square

i = baris

j = kolom

ijo = nilai frekuensi teramati baris ke-i kolom ke-j

ije = nilai frekuensi harapan baris ke-i kolom ke-j

Jika frekuensi yang teramati sangat dekat dengan frekuensi

harapannya, nilai 2χ akan kecil, hal ini menunjukkan

kesesuaian yang baik. Namun bila frekuensi yang teramati

berbeda cukup besar dari frekuensi harapannya, nilai 2χ akan

besar sehingga kesesuaiannya buruk. Kesesuaian yang terjadi

akan mempengaruhi penerimaan atau penolakan hipotesis nol

atau Ho. Hipotesis nol atau Ho merupakan pernyataan atau

dugaan mengenai satu atau lebih populasi yang dirumuskan

dengan harapan akan ditolak. Kesesuaian yang baik akan

membawa pada penerimaan Ho, sedangkan kesesuaian yang


19

buruk akan membawa pada penolakan Ho. Penolakan Ho

mengakibatkan penerimaan hipotesis alternatif, yang

dilambangkan dengan H1 (Walpole, 1995).

3) Menghitung derajat kebebasan

Untuk menghitung derajat kebebasan digunakan rumus :

dk = (baris - 1)(kolom - 1)........................................2.6

4) Gunakan tabel chi-square dengan 2χ dan derajat kebebasan

untuk menentukan apakah anteseden secara individual

independen dengan konsekuennya. Untuk kepercayaan sebesar

α , jika :

αχχ 22 > dengan derajat kebebasan dk : tolak hipotesis

nol dan menerima alternatif hipotesis yaitu anteseden

secara individual dependen dengan konsekuen.

αχχ 22 ≤ dengan derajat kebebasan dk : terima hipotesis

nol yaitu anteseden yang secara individual independen

dengan konsekuen. αχ 2 dapat diperoleh pada tabel chi-

square.

b. Menyederhanakan aturan dengan membuang aturan-aturan yang

tidak perlu

Penyederhanaan aturan dilakukan untuk menghapus aturan yang

memiliki anteseden-anteseden yang sama dimana konsekuennya

sama dan untuk membuang aturan yang tidak perlu. Sebagai


20

contoh penyederhanaan aturan adalah dengan membuat aturan

default. Aturan default ini dibentuk dengan mencari konsekuen

paling banyak pada aturan tersebut. Aturan-aturan yang memiliki

konsekuen inilah yang nanti dijadikan aturan default.

E. Contoh Penerapan Algoritma Pohon Keputusan

Berikut ini merupakan contoh penyelesaian suatu kasus dengan

menggunakan algoritma pohon keputusan. Pada kasus ini data yang

digunakan adalah data nasabah (Daniel, 2005). Permasalahan yang ada

disini adalah bagaimana mengklasifikasi resiko kredit seorang nasabah.

Data nasabah ini terdiri dari empat kategori atribut, yaitu tabungan,

kekayaan, pendapatan dan atribut resiko kredit sebagai atribut

keputusannya. Di bawah ini adalah data nasabah tersebut :

Tabel 2.2 Data Nasabah

Nasabah Tabungan Kekayaan Pendapatan($ 1000s)

Resiko kredit

1 Sedang Tinggi 75 Baik 2 Rendah Rendah 50 Buruk 3 Tinggi Sedang 25 Buruk 4 Sedang Sedang 50 Baik 5 Rendah Sedang 100 Baik 6 Tinggi Tinggi 25 Baik 7 Rendah Rendah 25 Buruk 8 Sedang Sedang 75 Baik

Langkah-langkah yang harus dilakukan untuk menyelesaikan

permasalahan tersebut menggunakan algoritma pohon keputusan adalah :


21

Langkah 1 : mengubah bentuk data menjadi bentuk model pohon

1. Menentukan node terpilih

Hal yang harus dilakukan pada tahap ini adalah menghitung nilai

entropi atribut keputusan yaitu atribut resiko kredit dan nilai entropi

setiap kejadian dengan rumus 2.1, selanjutnya menghitung nilai rata-

rata terbobot entropi setiap atribut menggunakan rumus 2.2 dan

selanjutnya menghitung nilai information gain dengan rumus 2.3.

Pilihlah atribut yang mempunyai nilai information gain paling besar,

atribut inilah yang akan menjadi node awal. Berikut ini merupakan

penghitungan information gain dari setiap atribut.

Langkah awal adalah menghitung nilai entropi total dari atribut

keputusan, yaitu :

Pada data nasabah terdapat dua keputusan yaitu baik atau buruk. Ada 5

keputusan resiko kredit baik dan ada 3 keputusan resiko kredit buruk.

Dimisalkan bahwa keputusan resiko kredit baik adalah positif

sedangkan keputusan resiko kredit buruk adalah negatif, maka dapat

dihitung entropinya :

entropi(S) = − P+ log2 P+ − P- log2 P-

= 83log

83

85log

85

22 −−

= 0.423795 + 0.530639

= 0.954


22

a. Atribut tabungan

1) Cari jumlah nilai positif dan negatif dari setiap kejadian pada

atribut tabungan, berikut ini penggambarannya :

Gambar 2.5 Nilai positif dan negatif kejadian atribut tabungan

2) Hitung nilai entropi dari setiap kejadian, yaitu:

Tabungan = Tinggi (e1)

e1 = − P+ log2 P+ − P- log2 P-

e1 = 21log

21

21log

21

22 −−

e1 = 0.5 + 0.5

e1 = 1

Tabungan = Sedang (e2)

e2 = − P+ log2 P+ − P- log2 P-

e2 = 033log

33

2 −−

e2 = 0

Tabungan = Rendah (e3)

e3 = − P+ log2 P+ − P- log2 P-

Tabungan 3 positif

1 positif 2 negatif

Tinggi

Sedang

Rendah

1 positif 1 negatif


23

e3 = 32log

32

31log

31

22 −−

e3 = 0.528321 + 0.389975

e3 = 0.918

3) Hitung nilai rata-rata terbobot entropi atribut tabungan, yaitu:

E = ∑=

⎟⎟⎠

⎞⎜⎜⎝

⎛×⎟⎠⎞

⎜⎝⎛inst

i t

i enn

1i

E = ⎟⎠⎞

⎜⎝⎛ ×+⎟

⎠⎞

⎜⎝⎛ ×+⎟

⎠⎞

⎜⎝⎛ × 3

832

831

82 eee

E = 0.25 + 0 + 0.3444

E = 0.594

4) Hitung information gain dari atribut tabungan, yaitu:

Gain(A) = entropi(S) – E(A)

= 0.954 – 0.594

= 0.36

b. Atribut kekayaan


atribut kekayaan, berikut ini penggambarannya :

Gambar 2.6 Nilai positif dan negatif kejadian atribut kekayaan

Kekayaan 3 positif 1 negatif

2 negatif

Tinggi

Sedang

Rendah

2 positif


24


Kekayaan = Tinggi (e1)

e1 = − P+ log2 P+ − P- log2 P-

e1 = 022log

22

2 −−

e1 = 0

Kekayaan = Sedang (e2)

e2 = − P+ log2 P+ − P- log2 P-

e2 = 41log

41

43log

43

22 −−

e2 = 0.311278 + 0.5

e2 = 0.811

Kekayaan = Rendah (e3)

e3 = − P+ log2 P+ − P- log2 P-

e3 = 22log

220 2−

e3 = 0

3) Hitung nilai rata-rata terbobot entropi atribut kekayaan, yaitu:

E = ∑=

⎟⎟⎠

⎞⎜⎜⎝

⎛×⎟⎠⎞

⎜⎝⎛inst

i t

i enn

1i

E = ⎟⎠⎞

⎜⎝⎛ ×+⎟

⎠⎞

⎜⎝⎛ ×+⎟

⎠⎞

⎜⎝⎛ × 3

822

841

82 eee

E = 0 + 0.3934 + 0

E = 0.406


25

4) Hitung information gain dari atribut kekayaan, yaitu:


= 0.954 – 0.406

= 0.548

c. Atribut pendapatan


atribut pendapatan, berikut ini penggambarannya :

Gambar 2.7 Nilai positif dan negatif kejadian atribut pendapatan


Pendapatan = 25 (e1)

e1 = − P+ log2 P+ − P- log2 P-

e1 = 32log

32

31log

31

22 −−

e1 = 0.528321 + 0.389975

e1 = 0.918


e2 = − P+ log2 P+ − P- log2 P-

e2 = 21log

21

21log

21

22 −−

Pendapatan

1 positif 1 negatif

2 positif

25

50

75

1 positif 2 negatif

100 1 positif


26

e2 = 0.5 + 0.5

e2 = 1


e3 = − P+ log2 P+ − P- log2 P-

e3 = 022log

22

2 −−

e3 = 0


e4 = − P+ log2 P+ − P- log2 P-

e4 = 011log

11

2 −−

e4 = 0

3) Hitung nilai rata-rata terbobot entropi atribut pendapatan, yaitu:

E = ∑=

⎟⎟⎠

⎞⎜⎜⎝

⎛×⎟⎠⎞

⎜⎝⎛inst

i t

i enn

1i

E = ⎟⎠⎞

⎜⎝⎛ ×+⎟

⎠⎞

⎜⎝⎛ ×+⎟

⎠⎞

⎜⎝⎛ ×+⎟

⎠⎞

⎜⎝⎛ × 4

813

822

821

83 eeee

E = 0.34425 + 0.25 + 0 + 0

E = 0.594

4) Hitung information gain dari atribut pendapatan, yaitu:


= 0.954 – 0.594

= 0.36


27

Dari penghitungan nilai information gain setiap atribut tersebut,

didapatkan tabel information gain sebagai berikut :

Tabel 2.3 Nilai information gain data nasabah 1

Atribut Nilai information gain Tabungan 0.360 Kekayaan 0.548 Pendapatan 0.360

Pada tabel tersebut terlihat bahwa nilai information gain paling besar

dimiliki oleh atribut kekayaan sebesar 0.548. Atribut kekayaan inilah

yang menjadi node awal dalam penyusunan pohon keputusan.

2. Menyusun pohon

Untuk menyusun suatu pohon ditentukan suatu atribut sebagai node

awal. Dalam kasus ini, didapatkan node awal yaitu atribut kekayaan.

Berikut ini merupakan pohon awal yang terbentuk :

Gambar 2.8 Pohon Awal

Tinggi Sedang Rendah

Kekayaan

baik baik

baik baik baik buruk

buruk buruk


28

Langkah selanjutnya adalah mencari atribut lain untuk menjadi node

selanjutnya. Dari pohon awal tersebut, terdapat sampel data yang tidak

homogen yaitu atribut kekayaan dengan kejadian sedang. Maka yang

menjadi node percabangan adalah node pada kejadian ini. Untuk

mencari node selanjutnya, dilakukan penghitungan untuk mencari nilai

information gain setiap atribut kecuali atribut yang menjadi node

diatasnya.

Berikut ini penghitungannya :

a. Atribut tabungan


atribut tabungan, berikut ini penggambarannya :

Gambar 2.9 Nilai positif dan negatif kejadian atribut tabungan


Tabungan = Tinggi (e1)

e1 = − P+ log2 P+ − P- log2 P-

e1 = 11log

110 2−

e1 = 0

Tabungan 2 positif

1 positif

Tinggi

Sedang

Rendah

1 negatif


29

Tabungan = Sedang (e2)

e2 = − P+ log2 P+ − P- log2 P-

e2 = 022log

22

2 −−

e2 = 0

Tabungan = Rendah (e3)

e3 = − P+ log2 P+ − P- log2 P-

e3 = 011log

11

2 −−

e3 = 0

3) Hitung nilai rata-rata terbobot entropi atribut tabungan, yaitu:

E = ∑=

⎟⎟⎠

⎞⎜⎜⎝

⎛×⎟⎠⎞

⎜⎝⎛inst

i t

i enn

1i

E = ⎟⎠⎞

⎜⎝⎛ ×+⎟

⎠⎞

⎜⎝⎛ ×+⎟

⎠⎞

⎜⎝⎛ × 3

412

421

41 eee

E = 0 + 0 + 0

E = 0

4) Hitung information gain dari atribut tabungan, yaitu:


= 0.954 – 0

= 0.954

b. Atribut pendapatan


atribut pendapatan, berikut ini penggambarannya :


30

Gambar 2.10 Nilai positif dan negatif kejadian atribut pendapatan



e1 = − P+ log2 P+ − P- log2 P-

e1 = 11log

110 2−

e1 = 0


e2 = − P+ log2 P+ − P- log2 P-

e2 = 011log

11

2 −−

e2 = 0


e3 = − P+ log2 P+ − P- log2 P-

e3 = 011log

11

2 −−

e3 = 0


Pendapatan 1 positif

1 positif

25

50

75

1 negatif

100 1 positif


31

e4 = − P+ log2 P+ − P- log2 P-

e4 = 011log

11

2 −−

e4 = 0

3) Hitung nilai rata-rata terbobot entropi atribut pendapatan, yaitu:

E = ∑=

⎟⎟⎠

⎞⎜⎜⎝

⎛×⎟⎠⎞

⎜⎝⎛inst

i t

i enn

1i

E = ⎟⎠⎞

⎜⎝⎛ ×+⎟

⎠⎞

⎜⎝⎛ ×+⎟

⎠⎞

⎜⎝⎛ ×+⎟

⎠⎞

⎜⎝⎛ × 4

413

412

411

41 eeee

E = 0 + 0 + 0 + 0

E = 0

4) Hitung information gain dari atribut pendapatan, yaitu:


= 0.954 – 0

= 0.954

Dari penghitungan nilai information gain tersebut didapat suatu tabel

sebagai berikut :

Tabel 2.4 Nilai information gain data nasabah 2

Atribut Nilai information gain Tabungan 0.954 Pendapatan 0.954

Pada tabel tersebut terlihat bahwa nilai information gain paling besar

dimiliki oleh atribut yaitu sebesar 0.954, dipilih salah satu atribut yaitu

tabungan sebagai node berikutnya, sehingga pohon keputusannya

menjadi sebagai berikut:


32

Gambar 2.11 Pohon Percabangan

Langkah 2 : mengubah node pohon menjadi aturan

Pada tahap ini, node pohon yang terbentuk di ubah ke dalam aturan

if...then, yaitu :

Tabel 2.5 Aturan Klasifikasi yang diperoleh

Aturan If Then 1 Kekayaan = Tinggi Baik 2 Kekayaan = Rendah Buruk3 Kekayaan = Sedang ^ Tabungan = Tinggi Buruk4 Kekayaan = Sedang ^ Tabungan = Sedang Baik 5 Kekayaan = Sedang ^ Tabungan = Rendah Baik

Tinggi Rendah

Kekayaan

baik baik

buruk buruk

Sedang

Tinggi Sedang Rendah

Tabungan

buruk baik baik baik


33

Langkah 3 : menyederhanakan aturan

1. Menyederhanakan aturan dengan menghilangkan anteseden yang tidak

perlu

Aturan yang perlu disederhanakan adalah aturan yang memiliki

anteseden lebih dari satu yaitu aturan nomor 3 sampai dengan nomor 5

yang melibatkan anteseden kekayaan dan tabungan. Pada tahap ini,

tabel Chi-Square digunakan untuk melakukan uji hipotesis. Data yang

ada telah dikalikan dengan nilai lima (5) agar data dapat digunakan

pada uji tabel Chi-Square dan diasumsikan nilai tingkat

kepercayaannya (α ) sebesar 0.05.

a. Hipotesis Ho : kekayaan dan resiko kredit independen

1) Membuat tabel kotingensi

Tabel 2.6 Tabel Kotingensi Untuk Kekayaan

Resiko kredit (Baik)

Resiko kredit (Buruk)

Jumlah Marjinal

Tinggi 10 0 10 Sedang 15 5 20 Rendah 0 10 10 Jumlah Marjinal 25 15 40

2) Nilai Frekuensi Harapan (eij)

Selanjutnya menggunakan rumus 2.4.3 untuk menghitung nilai

frekuensi harapan tiap sel, yaitu :

Frekuensi harapan pada sel X11 :

e11 = 40

2510× = 6.25


34


e12 = 40

1510× = 3.75


e21 = 40

2520× = 12.5


e22 = 40

1520× = 7.5


e31 = 40

2510× = 6.25


e32 = 40

1510× = 3.75

Berikut ini merupakan tabel nilai frekuensi harapan dari

penghitungan di atas :

Tabel 2.7 Tabel Nilai Frekuensi Harapan Untuk Kekayaan



Tinggi 6.25 3.75 Sedang 12.5 7.5 Rendah 6.25 3.75


35

3) Nilai 2χ

Untuk menghitung nilai 2χ digunakan rumus 2.4.4, berikut

penghitunggannya :

2χ =2)(∑∑ −baris

i

kolom

j ij

ijij

eeo

2χ =

( ) ( ) ( )

( ) ( ) ( )75.3

75.31025.625.60

5.75.75

5.125.1215

75.375.30

25.625.610

222

222

−+

−+

−+

−+

−+

−

2χ = 2.25 + 3.75 + 0.5 + 0.833 + 6.25 + 10.417

2χ = 23.99967

4) Nilai derajat kebebasan

Nilai ini dihitung dengan menggunakan rumus 2.4.5, yaitu :

dk = (baris - 1)(kolom - 1) = (3 - 1)(2 - 1) = 2

5) Nilai αχ 2

Nilai αχ 2 pada tabel Chi-Square dengan derajat kebebasan

2 adalah 5.991.

6) Kesimpulan :

Karena nilai 2χ > αχ 2 , maka hipotesis nol independensi

Ho ditolak dan H1 diterima yang berarti kekayaan dan

resiko kredit tidak independen. Maka anteseden kekayaan

tidak dapat dieliminasi.


36

b. Hipotesis Ho : tabungan dan resiko kredit independen

1) Membuat tabel kotingensi

Tabel 2.8 Tabel Kotingensi Untuk Tabungan



Jumlah Marjinal

Tinggi 5 5 10 Sedang 15 0 15 Rendah 5 10 15 Jumlah Marjinal 25 15 40

2) Nilai Frekuensi Harapan (eij)

Selanjutnya menggunakan rumus 2.4.3 untuk menghitung nilai

frekuensi harapan tiap sel, yaitu :


e11 = 40

2510× = 6.25


e12 = 40

1510× = 3.75


e21 = 40

2515× = 9.75


e22 = 40

1515× = 5.625


e31 = 40

2515× = 9.75


37


e32 = 40

1515× = 5.625

Berikut ini merupakan tabel nilai frekuensi harapan dari

penghitungan di atas :

Tabel 2.9 Tabel Nilai Frekuensi Harapan Untuk Tabungan



Tinggi 6.25 3.75 Sedang 9.75 5.625 Rendah 9.75 5.625

3) Nilai 2χ

Untuk menghitung nilai 2χ digunakan rumus 2.4.4, berikut

penghitunggannya :

2χ =2)(∑∑ −baris

i

kolom

j ij

ijij

eeo

2χ =

( ) ( ) ( )

( ) ( ) ( )625.5

625.51075.975.95

625.5625.50

75.975.915

75.375.35

25.625.65

222

222

−+

−+

−+

−+

−+

−

2χ = 0.25 + 0.4167 + 2.827 + 5.625 + 2.314 + 3.403

2χ = 14.835

4) Nilai derajat kebebasan

Nilai ini dihitung dengan menggunakan rumus 2.4.5, yaitu :

dk = (baris - 1)(kolom - 1) = (3 - 1)(2 - 1) = 2


38

5) Nilai αχ 2

Nilai αχ 2 pada tabel Chi-Square dengan derajat kebebasan

2 adalah 5.991.

6) Kesimpulan :

Karena nilai 2χ > αχ 2 , maka hipotesis nol independensi

Ho ditolak dan H1 diterima yang berarti tabungan dan resiko

kredit tidak independen. Maka anteseden tabungan tidak

dapat dieliminasi dan aturan klasifikasi masih tetap seperti

pada tabel 2.7.

2. Menyederhanakan aturan dengan membuang aturan

Setelah menyederhanakan aturan dengan menggunakan langkah

pertama, maka dilanjutkan dengan mencari konsekuen yang paling

banyak. Pada aturan diatas konsekuen yang paling banyak berjumlah

3, yaitu Baik. Ketiga aturan ini dijadikan default aturan, sehingga

aturan-aturan tersebut menjadi :

Tabel 2.10 Aturan Yang Paling Sederhana

Aturan If Then 1 Kekayaan = Rendah Buruk2 Kekayaan = Sedang ^ Tabungan = Tinggi Buruk

Default Aturan Baik


39

Langkah 4 : hasil prediksi himpunan data pelatihan

Tabel 2.11 Hasil Prediksi

Nasabah Tabungan Kekayaan Pendapatan($ 1000s)

Resiko kredit

Prediksi

1 Sedang Tinggi 75 Baik Baik 2 Rendah Rendah 50 Buruk Buruk 3 Tinggi Sedang 25 Buruk Buruk 4 Sedang Sedang 50 Baik Baik 5 Rendah Sedang 100 Baik Baik 6 Tinggi Tinggi 25 Baik Baik 7 Rendah Rendah 25 Buruk Buruk 8 Sedang Sedang 75 Baik Baik

Dari hasil prediksi pada data pelatihan di atas tidak ditemukan adanya

kesalahan prediksi, sehingga persentase keberhasilan prediksi adalah 100

%.


40

BAB III

PERANCANGAN SISTEM

A. Identifikasi Sistem

Setiap pergantian tahun akademik baru, Universitas Sanata Dharma selalu

melakukan Penerimaan Mahasiswa Baru (PMB). Calon mahasiswa baru ini

harus melakukan serangkaian tes tertulis terlebih dahulu. Setiap tahun pula

program studi menyediakan kuota untuk mahasiswa baru yang diterima. Calon

mahasiswa yang diterima belum tentu melakukan daftar ulang, untuk itulah

Ketua Program Studi (Kaprodi) harus benar-benar selektif dalam memilih

mahasiswa mana yang pasti melakukan daftar ulang, sehingga kuota yang

ditetapkan dapat terisi relatif tepat. Masalah tersebut dapat diatasi dengan

menggunakan metode penambangan data, karena penambangan data ini dapat

digunakan untuk mengenali karakteristik mahasiswa yang tidak melakukan

daftar ulang.

Data-data mahasiswa diambil dari data calon mahasiswa baru mulai dari

angkatan tahun 2005 sampai dengan 2006. Data ini mencakup seluruh

program studi yang ada di Universitas Sanata Dharma yang diperoleh dari

Biro Administrasi dan Perencanaan Sistem Informasi (BAPSI) Universitas

Sanata Dharma Yogyakarta. Seluruh data yang diambil berisi informasi

tentang gelombang masuk, prioritas pilihan program studi di mana calon

mahasiswa tersebut diterima, jenis kelamin, jenis sma, program studi tempat

calon mahasiswa diterima dan status daftar ulang yang dilakukan serta nilai


41

finalnya. Data yang didapat akan dibagi dua secara acak, kemudian digunakan

sebagai himpunan data pelatihan dan himpunan data tes dengan proporsi yang

bervariasi.

B. Pembersihan Data

Data calon penerimaan mahasiswa baru yang didapat dari BAPSI,

dibersihkan terlebih dahulu sebelum data tersebut ditambang. Proses

pembersihan data ini berfungsi untuk menghilangkan data yang tidak

konsisten dan derau seperti data tidak relevan, data yang salah ketik maupun

data kosong yang tidak diperlukan. Data yang tidak konsisten ini dapat berupa

jenis SMA yang mempunyai arti sama, tapi penulisannya berbeda-beda.

Misalnya IPA ada yang menuliskan SMA IPA ataupun IPA, jadi dalam proses

ini dilakukan penyeragaman nama terhadap data yang tidak konsisten.

C. Integrasi Data

Sesudah data itu bersih, maka data yang ada di tabel mahasiswa dari tiap

tahun angkatan tersebut digabungkan dengan data dari tabel angkatan yang

lain sehingga seluruh data terangkum dalam satu tabel yang utuh. Proses ini

disebut integrasi data. Seluruh data yang sudah terangkum, kemudian dipilih

dan diubah menjadi bentuk yang sesuai untuk ditambang.


42

D. Transformasi Data

Dalam proses ini dilakukan klasifikasi data nilai final yang bertipe

numerik dan berkisar dalam rentang 0 sampai 10. Berikut ini klasifikasinya :

o N ≤ 3

o 3 < N ≤ 4

o 4 < N ≤ 5

o 5 < N ≤ 6

o 6 < N ≤ 7

o 7 < N ≤ 8

o N > 8

E. Perancangan Umum Sistem

1. Masukan Sistem

Masukan sistem yang akan dibuat adalah tabel himpunan data

pelatihan dan tabel himpunan data tes. Pada tabel himpunan data pelatihan,

yang menjadi atribut keputusan adalah atribut status yang terdiri dari dua

kondisi yaitu daftar ulang dan tidak daftar ulang.

Terdapat kolom tambahan pada tabel himpunan data tes yaitu

kolom prediksi, yang digunakan untuk menyimpan data hasil pengujian

aturan. Berikut ini merupakan deskripsi dari atribut-atribut pada tabel data

pelatihan beserta nilai kejadian dari atribut-atribut tersebut :


43

Tabel 3.1 Deskripsi Atribut-Atribut Tabel Data Pelatihan

No Nama Atribut Deskripsi Nilai Kejadian 1 gelombang Gelombang masuk 1, 2, 3 2 pilihan Prioritas pilihan pada

program studi tempat calon mahasiswa tersebut diterima

1, 2 ,3

3 prodi Program studi tempat mahasiswa diterima

AKT, BK, FAR, FIS, IND, IPAK, MAN, MAT, MEKA, PAK, PBI, PBI, PBSID, PEK, PFIS, PGSD, PMAT, PSEJ, PSI, SEJ, SING, TE, TI, TM

4 jenis_kelamin Jenis kelamin mahasiswa L, P 5 jenis_sma Jenis SMA mahasiswa IPA, IPS, Bahasa,

SMK, STM, SMF, SPG/SGO, LAIN-LAIN

6 final Nilai final tes masuk berdasarkan program studi dimana mahasiswa tersebut diterima

N ≤ 3, 3 < N ≤ 4, 4 < N ≤ 5, 5 < N ≤ 6, 6 < N ≤ 7, 7 < N ≤ 8, N > 8

7 status Status mahasiswa yang melakukan daftar ulang atau tidak

Daftar Ulang, tidak DU

Berikut ini merupakan deskripsi dari atribut-atribut pada tabel data

tes beserta nilai kejadian dari atribut-atribut tersebut :

Tabel 3.2 Deskripsi Atribut-Atribut Tabel Data Tes

No Nama Atribut Deskripsi Nilai Kejadian 1 gelombang Gelombang masuk 1, 2, 3 2 pilihan Prioritas pilihan pada

program studi tempat calon mahasiswa tersebut diterima

1, 2, 3

3 prodi Program studi tempat AKT, BK, FAR,


44

mahasiswa diterima FIS, IND, IPAK, MAN, MAT, MEKA, PAK, PBI, PBI, PBSID, PEK, PFIS, PGSD, PMAT, PSEJ, PSI, SEJ, SING, TE, TI, TM

4 jenis_kelamin Jenis kelamin mahasiswa L, P 5 jenis_sma Jenis SMA mahasiswa IPA, IPS, Bahasa,

SMK, STM, SMF, SPG/SGO, LAIN-LAIN

6 final Nilai keseluruhan tes berdasarkan program studi dimana mahasiswa tersebut diterima

N ≤ 3, 3 < N ≤ 4, 4 < N ≤ 5, 5 < N ≤ 6, 6 < N ≤ 7, 7 < N ≤ 8, N > 8

7 status Status mahasiswa yang melakukan daftar ulang atau tidak


8 prediksi Nilai awalnya kosong, nantinya akan berisi prediksi status mahasiswa yang melakukan daftar ulang atau tidak


2. Proses Sistem

Proses-proses yang dilakukan pada sistem yang dibangun adalah :

a. Mengubah bentuk data menjadi bentuk pohon

1) Menentukan node awal

Langkah yang dilakukan untuk menentukan node awal adalah

menghitung nilai gain tiap atribut kecuali atribut keputusan.

Berikut merupakan langkah-langkah penghitungannya :

a) Hitung jumlah baris pada sampel data

b) Hitung entropi atribut keputusan dengan rumus 2.1


45

c) Cari atribut-atribut dan hitung jumlah atribut yang akan

dihitung nilai gainnya

d) Hitung jumlah kejadian untuk atribut ke-i

e) Untuk atribut ke-i, kejadian ke-j

• Hitung jumlah sampel yang memenuhi syarat kejadian

dengan atribut ke-i = kejadian ke-j dan status = Daftar

Ulang.

• Hitung jumlah sampel yang memenuhi syarat kejadian

dengan atribut ke-i = kejadian ke-j dan status = tidak DU.

f) Kemudian hitung nilai entropi pada kejadian ke-j dengan rumus

2.1

g) Lakukan langkah e dan f untuk keseluruhan atribut ke-i

h) Hitung rata-rata terbobot entropi atribut ke-i dengan rumus 2.2

i) Hitung nilai gain atribut ke-i dengan mengurangkan entropi

atribut keputusan dengan rata-rata terbobot entropi atribut ke-i.

j) Cari nilai gain atribut paling besar. Atribut inilah yang akan

menjadi node awal.

2) Menyusun pohon

Setelah node awal didapat, langkah selanjutnya adalah

menyusun pohon. Hal pertama yang harus dilakukan adalah

mencari kejadian-kejadian yang ada pada node awal. Kejadian-

kejadian ini yang akan menjadi cabang-cabang pada pohon.

Langkah selanjutnya, mencari sampel data pada setiap cabang


46

dimana harus memenuhi nilai dari cabang tersebut dan nilai dari

cabang-cabang di atasnya (jika ada). Proses dibawah ini dilakukan

pada setiap cabang-cabang tersebut. Hitung jumlah sampel yang

memenuhi syarat di atas dan setiap kejadian pada atribut keputusan

yaitu dalam hal ini adalah atribut status. Selanjutnya dilakukan

proses pengecekan untuk menentukan ada atau tidaknya

percabangan, proses tersebut berupa :

Jika sampel tidak ada, maka cari kejadian paling banyak pada

atribut keputusan untuk keseluruhan sampel. Kejadian paling

banyak inilah yang menjadi nilai hasil.

Jika sampel sudah homogen, maka hasilnya berupa kejadian

atribut keputusan pada sampel ini, dan tidak dilakukan

percabangan lagi.

Jika sampel masih heterogen dan sampel tidak kosong serta

atribut kondisi masih ada maka dilakukan percabangan lagi.

Proses ini dilakukan dengan menentukan node selanjutnya.

Proses penentuan node selanjutnya hampir sama dengan

proses penentuan node awal, yang membedakan adalah tidak

dilakukannya penghitungan nilai gain pada atribut yang

menjadi node di atasnya. Setelah itu lakukan lagi langkah-

langkah di atas. Namun jika atribut kondisi sudah habis,

maka tidak dilakukan percabangan lagi, kemudian cari nilai


47

hasil dengan melakukan pencarian terhadap kejadian paling

banyak pada atibut keputusan pada sampel yang tersisa.

b. Mengubah node pohon menjadi aturan

Langkah-langkah untuk mengubah node pohon menjadi aturan yang

dimulai dari node pertama adalah sebagai berikut :

1) Pada node tersebut, cari cabang-cabang (kejadian-kejadian) dari

pohon. Setiap cabang akan menjadi aturan dengan anteseden

berupa node = cabang ke-j.

2) Selanjutnya untuk setiap cabang dilakukan pengecekan apakah ada

node lagi (hasil kosong) atau tidak (hasil berupa Daftar Ulang atau

tidak DU).

Jika tidak, maka nilai hasil akan menjadi konsekuen

Jika ada, maka cari anteseden selanjutnya dengan melakukan

langkah 1 dan seterusnya.

c. Menyederhanakan aturan-aturan

1) Menyederhanakan aturan dengan menghilangkan anteseden-

anteseden yang tidak perlu

Pada langkah ini, aturan-aturan yang memiliki anteseden lebih dari

satu diuji independensi dengan atribut keputusan dan atribut yang

lain didalam aturan tersebut. Dalam tugas akhir ini, langkah ini

tidak dilakukan karena ukuran matrix tabel kontingensi yang

terbentuk terlalu besar. Besarnya ukuran matrix ini akan

mempengaruhi besarnya nilai derajat kebebasan. Ketika digunakan


48

tabel chi-square untuk menguji suatu hipotesis, nilai derajat

kebebasan yang terbentuk melebihi batas maksimal nilai derajat

kebebasan pada tabel chi-square, sehingga dibutuhkan dasar-dasar

teori teknik uji independensi tingkat lanjut.

2) Menyederhanakan aturan dengan membuang aturan-aturan yang

tidak perlu

Langkah ini mencari jumlah konsekuen yang paling banyak dan

selanjutnya aturan-aturan dengan konsekuen ini diubah menjadi

aturan default.

d. Menguji aturan-aturan pada himpunan data tes

Aturan–aturan yang sudah terbentuk diujikan pada himpunan data tes.

Nilai prediksi setiap data sampel yang dihasilkan dibandingkan dengan

nilai atribut keputusannya. Sesudah itu dihitung persentase

keberhasilan prediksi. Hasil penghitungan dari keberhasilan prediksi

ini akan disimpan sehingga pemakai program dapat membandingkan

hasilnya dengan hasil dari simulasi aturan yang akan dibuat

selanjutnya.

3. Keluaran Sistem

Sistem yang dibuat akan menampilkan keluaran sebagai berikut :

a. Menampilkan himpunan data pelatihan dan himpunan data tes beserta

detail atribut keputusan dan atribut yang lain dengan jumlah sampel

pada masing-masing kejadian.


49

b. Keluaran pada penentuan node awal adalah nilai gain pada tiap atribut

beserta atribut yang dipilih sebagai node awal.

c. Pada proses pembuatan pohon, keluarannya adalah tabel pohon yang di

dalamnya berisi informasi nomor, tingkat pohon, nomor akar atasnya,

atribut-atribut yang menjadi node, cabang-cabang berupa nama

kejadian-kejadian dan hasilnya.

d. Pada proses unpruned aturan yaitu proses mengubah pohon menjadi

aturan, keluarannya ada dua tabel yaitu tabel pertama yang berisi

nomor aturan, konsekuen, banyaknya anteseden dan total sampel

sedangkan tabel kedua berupa anteseden-anteseden beserta nomor

aturannya.

e. Pada proses penyederhanaan aturan

Proses penyederhanaan aturan dengan membuang aturan-aturan yang

tidak perlu, keluarannya adalah konsekuen dengan jumlah paling

banyak dan mengeliminasi aturan-aturan dengan konsekuen tersebut

serta aturan yang telah disederhanakan.

f. Keluaran pada pengujian aturan adalah himpunan data tes beserta hasil

pengujian aturan dan informasi yang berisi persentase keberhasilan

prediksi, hasil simulasi berupa jumlah benar, jumlah salah dan jumlah

yang tidak dapat diprediksi

g. Keluaran pada proses prediksi suatu sampel berupa hasil prediksi yang

berisi nomor aturan dan prediksinya apakah daftar ulang atau tidak

daftar ulang.


50

4. Perancangan Struktur Data

Dalam proses pembuatan pohon, data pohon disimpan dalam 6

ArrayList. ArrayList merupakan versi array yang berbentuk list. Jumlah

data pohon yang disimpan tidak dapat diperkirakan sebelumnya dalam

proses pembuatan pohon. ArrayList menjadi solusi karena tidak diperlukan

pendeklarasian seberapa banyak kuota yang harus disediakan untuk

menampung data. Kapasitas ArrayList akan bertambah secara otomatis

sesuai dengan jumlah data yang disimpan.

ArrayList pertama menyimpan nomor akar pohon, ArrayList kedua

menyimpan tingkat pohon, ArrayList ketiga menyimpan nomor akar

atasnya, ArrayList keempat menyimpan node, ArrayList kelima

menyimpan cabang, ArrayList keenam menyimpan hasil. Tipe data yang

dapat digunakan dalam ArrayList hanya tipe data objek. Tipe data objek

dapat berupa tipe data lain, misalnya string, numeric, booelan, char, date

dan sebagainya. Berikut ini contoh penggunaan ArrayList :

Public Class ContohArrayList Public Shared Sub Main() 'deklarasi ArrayList Dim tingkat, noAkar, node, cabang, _

hasil As New ArrayList

'Menyimpan data ke ArrayList tingkat.Insert(0, 1) tingkat.Insert(1, 1) noAkar.Insert(0, 0) noAkar.Insert(1, 0) node.Insert(0, "prodi") node.Insert(1, "prodi") cabang.Insert(0, "IKOM") cabang.Insert(1, "PSI") hasil.Insert(0, "Daftar Ulang") hasil.Insert(1, "tidak DU")


51

'menampilkan dalam DataGridView Dim i As Integer For i = 0 To 1 DataGridView1.Rows.Add() DataGridView1.Rows(i).Cells(0).Value = i + 1 DataGridView1.Rows(i).Cells(1).Value = tingkat(i) DataGridView1.Rows(i).Cells(2).Value = noAkar(i) DataGridView1.Rows(i).Cells(3).Value = node(i) DataGridView1.Rows(i).Cells(4).Value = cabang(i) DataGridView1.Rows(i).Cells(5).Value = hasil(i) Next End Sub End Class

Keluarannya :

Tabel 3.3 Keluaran Contoh ArrayList

No Tingkat No Akar Atasnya Node Cabang Hasil 1 1 0 prodi IKOM Daftar Ulang 2 1 0 prodi PSI Tidak DU

5. Perancangan Antarmuka

Perancangan antarmuka sistem adalah sebagai berikut :

a. Form Input Data Tabel

Gambar 3.1 Desain Antarmuka Form Input Data Tabel


52

Form di atas merupakan form awal dimana tabel data pelatihan dan

tabel data tes digunakan sebagai masukan untuk sistem. Ada dua

tombol dalam form ini yaitu :

Reset, digunakan untuk menghapus tabel data pelatihan dan tabel

data tes yang telah dimasukan sebelumnya

Ok, digunakan untuk melanjutkan ke form berikutnya yaitu form

detail tabel.

b. Form Detail Tabel

Gambar 3.2 Desain Antarmuka Form Detail Tabel

Form ini untuk menampilkan detail tabel yang telah dimasukkan

sebelumnya, baik itu tabel pelatihan maupun tabel tes. Informasi yang

diberikan berupa himpunan data sampel, jumlah atribut, jumlah data,

atribut keputusan, jumlah dan nama kejadian atribut keputusan, dan

atribut yang lain dengan jumlah sampel pada masing-masing kejadian.

Ada tiga tombol dalam form ini yaitu :


53

Tampil tabel, digunakan untuk menampilkan himpunan data

sampel, beserta informasi detail tabel tersebut yang telah dijelaskan

di atas.

Proses ID3, untuk melanjutkan ke proses atau form selanjutnya

yaitu form penentuan node awal.

c. Form Penentuan Node Awal

Gambar 3.3 Desain Antarmuka Form Penentuan Node Awal

Form di atas untuk menampilkan nama atribut serta nilai gain masing-

masing atribut dan menampilkan atribut yang dipilih menjadi node

awal beserta nilai gainnya. Ada dua tombol dalam form ini yaitu:

Cari Node Awal, tombol ini digunakan untuk mencari atribut yang

dipilih menjadi node awal beserta nilai gainnya, serta mencari nilai

gain atribut yang lain.

Lanjut, untuk melanjutkan ke proses atau form selanjutnya yaitu

form pembuatan pohon.


54

d. Form Pembuatan Pohon

Gambar 3.4 Desain Antarmuka Form Pembuatan Pohon

Form di atas digunakan untuk melakukan proses pembentukan pohon

dan menampilkan tabel pohon yang sudah terbentuk yang berisi

informasi tentang tingkat pohon, nomor akar atasnya, atribut-atribut

yang menjadi node, cabang-cabang berupa nama kejadian-kejadiannya

dan hasilnya. Ada dua tombol yaitu :

Buat Pohon, digunakan untuk melakukan proses pembentukan

pohon dan menampilkan tabel pohon yang terbentuk.


form unpruned aturan.


55

e. Form Unpruned Aturan

Gambar 3.5 Desain Antarmuka Form Unpruned Aturan

Form di atas digunakan untuk proses penentuan aturan dan

menampilkan aturan tersebut serta jumlahnya. Dalam form tersebut

terdapat combo box klasifikasi yang digunakan untuk menampilkan

aturan-aturan berdasarkan klasifikasi yang dipilih. Informasi

ditampilkan dalam dua tabel, tabel pertama menampilkan informasi

tentang nomor aturan, konsekuen, total anteseden dan total sampel,

sedangkan tabel kedua menampilkan informasi anteseden yang berisi

nomor aturan dan anteseden. Ada dua tombol yaitu :

Unpruned, tombol ini digunakan untuk melakukan proses

penentuan aturan-aturan dari pohon yang telah dibentuk

sebelumnya dan menampilkan combo box klasifikasi.


56


form Aturan Default

f. Form Aturan Default

Gambar 3.6 Desain Antarmuka Form Aturan Default

Form di atas digunakan untuk membuat aturan default. Dalam form

tersebut terdapat combo box klasifikasi yang digunakan untuk

menampilkan aturan-aturan berdasarkan klasifikasi yang dipilih. Ada

dua tombol dalam form ini yaitu

Aturan Default, digunakan untuk membuat aturan default.


form simulasi dan pengujian aturan.


57

g. Form Simulasi dan Pengujian Aturan

o Form Simulasi

Gambar 3.7 Desain Antarmuka Form Simulasi

Form simulasi ini digunakan untuk membuat simulasi aturan,

menghapus aturan-aturan yang diinginkan dan menampilkan

informasi tentang aturan beserta anteseden yang dihapus. Informasi

tersebut berisi tentang nomor aturan, konsekuen, total anteseden

dan nama antesedennya. Dalam form tersebut terdapat combo box

klasifikasi yang digunakan untuk menampilkan aturan-aturan

berdasarkan klasifikasi yang dipilih dan jumlah aturan. Tombol-

tombol yang ada yaitu :

Buat Simulasi, tombol ini digunakan untuk membuat simulasi

aturan dan menampilkan aturan-aturan yang terbentuk


58

Pengujian Aturan, digunakan untuk melanjutkan ke form

pengujian aturan.

Lihat Sampel, tombol ini digunakan untuk menjalankan form

detail sampel.

Hapus Aturan, tombol ini digunakan untuk menghapus aturan

yang telah dipilih

Selesai, tombol ini digunakan untuk menyelesaikan pembuatan

simulasi dan menyimpan aturan-aturan yang termasuk dalam

simulasi ini.

Batal, digunakan untuk membatalkan aturan yang telah

dihapus.

o Form Pengujian Aturan

Gambar 3.8 Desain Antarmuka Form Pengujian Aturan

Form pengujian aturan ini digunakan untuk menguji aturan-aturan

dalam simulasi pada himpunan data tes dan menampilkan


59

informasi yang berupa persentase keberhasilan prediksi dan detail

hasil simulasi yang berisi nomor simulasi, jumlah benar, jumlah

salah dan jumlah yang tidak dapat diprediksi. Tombol-tombol yang

ada dalam form ini yaitu :

Data Tes, digunakan untuk menampilkan tabel tes dan detail

atribut keputusan pada tabel tes

Uji Aturan, tombol ini digunakan untuk menampilkan hasil uji

yang terdapat pada atribut prediksi dan persentase keberhasilan

prediksi serta menampilkan detail hasil simulasi yang dibuat.

Aturan-Aturan, digunakan untuk menampilkan aturan-aturan

pada simulasi yang telah dibuat dengan menjalankan form

aturan-aturan.

Pilih Simulasi, digunakan untuk memilih salah satu simulasi

dimana aturan-aturan yang ada pada simulasi tersebut

merupakan aturan-aturan yang paling sederhana dan akan

melanjutkan ke Form aturan-aturan sederhana dan prediksi

sampel.

Hapus Simulasi, digunakan untuk menhapus simulasi yang

telah dibuat.

Buat Simulasi, tombol ini digunakan untuk menjalankan form

simulasi dan pengujian aturan dimana pemakai program ingin

membuat simulasi aturan dan melakukan pengujian aturan lagi.


60

o Form Detail Sampel

Gambar 3.9 Desain Antarmuka Form Detail Sampel

Form di atas digunakan untuk menampilkan informasi yang berisi

tentang jumlah sampel masing-masing kejadian pada atribut

keputusan dan detail sampelnya.

o Form Aturan-Aturan

Gambar 3.10 Desain Antarmuka Form Aturan-Aturan

Form di atas digunakan untuk menampilkan aturan-aturan yang

ada pada suatu simulasi yang telah dipilih.


61

h. Form Aturan-Aturan Sederhana dan Prediksi Sampel

o Form Aturan-Aturan Sederhana

Gambar 3.11 Desain Antarmuka Form Aturan-Aturan Sederhana

Form di atas digunakan untuk menampilkan aturan-aturan yang

merupakan aturan paling sederhana.

o Form Prediksi Sampel

Gambar 3.12 Desain Antarmuka Form Prediksi Sampel


62

Form di atas digunakan untuk melakukan prediksi terhadap suatu

sampel yaitu dengan memasukkan data yang ada pada kedua

combo box dan menampilkan hasil prediksi. Tombol-tombol yang

ada pada form ini yaitu :

Prediksi, digunakan untuk memprediksi suatu sampel

Hasil Prediksi, tombol ini digunakan untuk memprediksi

sampel berdasarkan data yang telah dimasukkan dari kedua

combo box dan menampilkan hasil prediksi berupa nomor

aturan dan prediksinya.

Reset, tombol ini digunakan untuk mengganti keseluruhan

nilai-nilai kejadian yang telah dipilih

Selesai, digunakan untuk mengakhiri ataupun menutup

program


63

BAB IV

IMPLEMENTASI PROGRAM

A. Jalannya Program dan Pembahasannya

Program ini meminta masukan berupa himpunan data pelatihan

yang digunakan untuk membuat pohon keputusan dan aturan-aturan serta

himpunan data tes yang digunakan untuk menguji aturan-aturan yang telah

dibuat. Dari pengujian tersebut dapat diketahui seberapa besar ketepatan

prediksi dari aturan-aturan yang telah dibuat. Berikut ini merupakan

penjabaran proses jalannya program. Pada saat program dijalankan, form

yang pertama kali ditampilkan adalah form berikut ini :

Gambar 4.1 Form Menu dan Form Input Data Tabel

Pada form menu terdapat menu File, Window dan Help. Masing-

masing menu memiliki fungsi sendiri-sendiri. Di dalam menu file terdapat


64

submenu-submenu yaitu Program Penambangan Data (menu untuk

melakukan proses penentuan data) dan Keluar (menu untuk keluar dari

program). Menu Window untuk menampilkan form yang aktif atau yang

sudah ditampilkan. Menu Bantuan terdiri dari submenu Aturan yaitu menu

untuk menampilkan aturan-aturan tentang himpunan data pelatihan dan

himpunan data tes dan submenu Tentang Program Penambangan Data

yaitu menu untuk menampilkan informasi tentang program ini. Untuk

lebih jelasnya, lihat gambar berikut ini :

Gambar 4.2 Form Aturan Himpunan Tabel Pelatihan dan Tes

Gambar 4.3 Form Tentang Program Penambangan Data

Dalam form input data tabel, pertama-tama pemakai program

diminta memilih tabel data pelatihan yang sudah ditampilkan dalam

combo box pelatihan sewaktu form ini aktif dan memilih tabel data tes.


65

Jika pemakai program belum memilih kedua tabel, maka program akan

menampilkan kotak peringatan :

Gambar 4.4 Kotak Peringatan 1

Jika tabel data tes belum dipilih, maka program akan menampilkan kotak

peringatan :

Gambar 4.5 Kotak Peringatan 2

Tombol Reset digunakan jika pemakai program ingin mengulang

pemilihan tabel. Jika pemilihan tabel sudah selesai, maka untuk

melanjutkan ke proses selanjutnya pengguna dapat menekan tombol OK.

Tombol ini akan menampilkan form Data Tabel, dimana dalam form ini

akan ditampilkan detail tabel data pelatihan dan tabel data tes yang telah

dipilih sebelumnya. Pada program ini dipilih tabel training sebagai tabel

data pelatihan dan tabel test sebagai tabel data tes. Di bawah ini

merupakan form data tabel (Tabel Pelatihan) :


66

Gambar 4.6 Form Data Tabel (Tabel Pelatihan)

Berikut ini merupakan form data tabel (Tabel Tes) :

Gambar 4.7 Form Data Tabel (Tabel Tes)

Jika pemakai program memilih tab control untuk Tabel Pelatihan,

maka akan ditampilkan tabcontrol tabel pelatihan yang di dalamnya

terdapat tombol tampil tabel. Jika tombol ini ditekan, maka informasi

detail tabel akan ditampilkan. Informasi ini berisi tentang jumlah atibut,

jumlah data, nama atribut keputusan, jumlah dan nama kejadian atribut


67

keputusan dan informasi tentang detail atribut yang lain beserta jumlah

sampel setiap kejadian suatu atribut. Untuk menampilkan informasi

tentang detail atribut yang lain, pemakai program dapat memilih nama

atribut yang sudah ditampilkan di combo box. Informasi yang ada pada

tabel tes sebagian besar sama dengan informasi yang ada pada tabel

pelatihan. Yang membedakan adalah penambahan informasi tentang nama

atribut hasil. Tombol Tampil Tabel juga akan mengaktifkan tombol Proses

ID3 yang berguna untuk menampilkan form penentuan node awal. Berikut

ini adalah form Penentuan Node Awal :

Gambar 4.8 Form Penentuan Node Awal

Jika tombol Cari Node Awal ditekan, maka proses pencarian node

awal akan dilakukan. Proses ini memilih atribut dengan nilai gain paling

besar sebagai node awalnya. Dalam form ini juga terdapat progressbar


68

yang berfungsi untuk menunjukkan bahwa proses penentuan node awal

sedang berlangsung. Konstruksi programnya adalah sebagai berikut :

entropi_awal = 0 For i = 0 To MDI_utama.temp_sq1_akhir.Rows.Count - 1 q1 = "select count(" & MDI_utama.field_akhir & ") from " & _ MDI_utama.tbl_training & " where " & MDI_utama.field_akhir & _ "='" & MDI_utama.temp_sq1_akhir.Rows(i).Item(0) & "'" Dim ambil_p As New MySqlDataAdapter(q1, konek) Dim temp As New DataTable ambil_p.Fill(temp) PA = temp.Rows(0).Item(0) / objDt.Rows.Count PAlog = Math.Log(PA, 2) ea_p = (-1 * (PA * PAlog)) entropi_awal = entropi_awal + ea_p

Next

* Fungsi di atas adalah untuk mencari nilai entropi total dari atribut

keputusan untuk keseluruhan data sample.

atribut = 0 j = 0 Do While j <= tempfields.Rows.Count - 3 qkejadian = "select distinct(" & arrkej(j) & ") from " & MDI_utama.tbl_training & "" Dim ambil_kej As New MySqlDataAdapter(qkejadian, konek) Dim tempkej As New DataTable ambil_kej.Fill(tempkej) Dim total_akhir(tempkej.Rows.Count - 1), entropi(tempkej.Rows.Count - 1) As Double rt_entropi = 0 For i = 0 To tempkej.Rows.Count - 1

tot_akhir = 0 Dim jum_target(1) For x = 0 To MDI_utama.temp_sq1_akhir.Rows.Count - 1 q2 = "select count(*) from " & MDI_utama.tbl_training & " where (" MDI_utama.field_akhir & "='" & MDI_utama.temp_sq1_akhir.Rows(x).Item(0) & "' and " & arrkej(j) & "='" & tempkej.Rows(i).Item(0) & "')" Dim tot_entr1 As New MySqlDataAdapter(q2, konek) Dim qa1 As New DataTable tot_entr1.Fill(qa1) jum_target(x) = qa1.Rows(0).Item(0) tot_akhir = tot_akhir + jum_target(x)

Next total_akhir(i) = tot_akhir etot_at = 0 For x = 0 To MDI_utama.temp_sq1_akhir.Rows.Count - 1 If jum_target(x) > 0 Then


69

Ptot = jum_target(x) / tot_akhir logPtot = Math.Log((Ptot), 2) End If If jum_target(x) = 0 Then Ptot = 0 logPtot = 0 End If entrp = (-1 * (Ptot * logPtot)) etot_at = etot_at + entrp Next entropi(i) = etot_at rt_entropi = rt_entropi + ((total_akhir(i) /

objDt.Rows.Count)* entropi(i)) Next gain = entropi_awal - rt_entropi gain_field(j) = gain gain = 0 j = j + 1 Loop

* Fungsi di atas adalah untuk menghitung nilai gain setiap atribut

besar = gain_field(0) For i = 0 To tempfields.Rows.Count - 3

If besar <= gain_field(i) Then besar = gain_field(i) besar_i = i

End If Next MDI_utama.node_awal = tempfields.Rows(besar_i + 1).Item(0) 'menyimpan atribut yang menjadi node awal gain_awal = gain_field(besar_i)

* Fungsi ini adalah untuk mencari nilai gain yang paling besar dan memilih atribut dengan nilai gain ini sebagai node awal.

Tombol Cari Node Awal ini harus ditekan terlebih dahulu sebelum

melanjutkan ke proses selanjutnya. Tombol ini juga akan mengaktifkan

tombol Lanjut yaitu tombol untuk melanjutkan ke form pembuatan pohon.

Tombol ini menjadi tidak aktif ketika hasil penentuan node awal sudah

ditampilkan. Di bawah ini merupakan form Pembuatan Pohon :


70

Gambar 4.9 Form Pembuatan Pohon

Proses pembuatan pohon ini akan dilakukan ketika tombol Buat

Pohon ditekan. Proses ini akan menampilkan informasi tentang nomor

akar, tingkat pohon, no akar atasnya, node, cabang dan hasil pohon.

Konstruksi program untuk pembuatan pohon dapat dilihat di lampiran.

Pada konstruksi program tersebut proses yang dilakukan pertama adalah

mencari kejadian-kejadian yang ada pada node awal, kemudian

menyimpannya dalam array. Dalam program ini digunakan arrayList

untuk menyimpan nomor akar, tingkat pohon, nomor akar atasnya, node,

cabang dan hasil. Berikut ini pendeklarasian dari arrayList :

Public no, tingkat_phn, noakaratas_phn, node_phn, cabang_phn, _ hsl_phn As New ArrayList

Proses selanjutnya mencari sampel tiap cabang (kejadian) dari

node awal tersebut. Dari pencarian tersebut dilakukan pengecekan

homogenitasnya. Jika sampel homogen, maka program akan menyimpan


71

kejadiannya sebagai hasil. Jika sampel tidak ada, maka program akan

menyimpan kejadian paling banyak pada atribut keputusan sebagai hasil.

Jika sampel masih heterogen, maka program akan mencari node lagi dan

menyimpan sampel beserta nomor recordnya dalam arrayList sampel dan

menyimpan node ini sebagai atribut yang tidak diikutkan dalam proses

penentuan node selanjutnya. Jika sudah selesai, maka program akan

melakukan pengecekan untuk mencari anak cabang. Jika

MDI_utama.hsl_phn(jfor) = "^^" , maka program akan melakukan

proses pembuatan anak cabang. Pada proses ini juga terdapat proses

penghitungan nilai gain untuk memperoleh atribut dengan nilai gain

terbesar. Proses selengkapnya dapat dilihat dalam konstruksi programnya

di lampiran. Selama proses pembuatan pohon dilakukan, program akan

menampilkan progress bar yang berfungsi sebagai indikator untuk

mengetahui proses pembuatan pohon sedang berlangsung. Berikut ini

progress bar tersebut :

Gambar 4.10 Progress Bar Proses Pembuatan Pohon

Jika dilakukan double klik pada salah satu cabang yang

mempunyai hasil = “^^”, maka program akan menunjukkan anak

cabangnya. Jika hasil tidak sama dengan “^^”, maka program akan

menampilkan kotak pesan :


72

Gambar 4.11 Kotak Pesan 1

Ketika tabel pohon ditampilkan dalam datagridview, maka tombol

Buat Pohon menjadi tidak aktif sedangkan tombol Lanjut menjadi aktif.

Jika tombol Lanjut ditekan, maka form Unpruned Aturan akan

ditampilkan. Berikut ini form Unpruned Aturan tersebut :

Gambar 4.12 Form Unpruned Aturan

Proses unpruned aturan dilakukan jika tombol Unpruned ditekan.

Proses ini dimulai dari indeks yang sudah pasti tidak ada anak cabangnya

yaitu indeks yang terbesar sehingga program akan mencari indeks akar

atasnya saja. Selanjutnya dilakukan pengecekan apakah hasil sama dengan


73

“^^”. Jika tidak, maka program akan menyimpan aturan dengan hasil

sebagai konsekuennya sedangkan atribut dan cabang sebagai

antesedennya. Anteseden-anteseden akan terus dicari sampai akar paling

atas atau indeks akar bernilai 0. untuk lebih jelasnya, berikut ini konstruksi

programnya :

'*********fungsi untuk mencari rule*********** 'menyimpan nomor rule no_rule = 0 'menyimpan anteseden MDI_utama.i_rule = -1 'indeks rule MDI_utama.i_prediksi = -1 'indeks data sampel i_dtSampel = -1 'dimulai dari indeks pohon paling besar Dim awal = MDI_utama.indx_phn Dim xyz, q As Integer Do While awal >= 0

Dim hasilX = MDI_utama.hsl_phn(awal) Dim i_akar = MDI_utama.noakaratas_phn(awal) Dim jml_Sampel = MDI_utama.sampelsisa_phn(awal) If hasilX = "^^" Then Else

If i_akar > 0 Then 'jika belum mrpk akar plg atas 'menyimpan rule no_rule = no_rule + 1 MDI_utama.i_prediksi = MDI_utama.i_prediksi + 1 prediksi_A.Insert(MDI_utama.i_prediksi, no_rule) prediksi_B.Insert(MDI_utama.i_prediksi, hasilX) prediksi_C.Insert(MDI_utama.i_prediksi, jml_Sampel)

'mencari atribut & cabang yg akan mjd anteseden 'sampai akar plg atas Dim i_Phn = awal Do While i_akar > 0 'menyimpan anteseden2 MDI_utama.i_rule = MDI_utama.i_rule + 1 rule_A.Insert(MDI_utama.i_rule, no_rule) rule_B.Insert(MDI_utama.i_rule, _ MDI_utama.node_phn(i_Phn)) rule_C.Insert(MDI_utama.i_rule, _ MDI_utama.cabang_phn(i_Phn)) xyz = i_akar 'menentukan akar atasnya


74

i_akar = MDI_utama.noakaratas_phn(xyz) i_Phn = xyz Loop 'menyimpan anteseden2 'yg mrpk atributakar plg atas MDI_utama.i_rule = MDI_utama.i_rule + 1 rule_A.Insert(MDI_utama.i_rule, no_rule) rule_B.Insert(MDI_utama.i_rule, _

MDI_utama.node_phn(xyz)) rule_C.Insert(MDI_utama.i_rule, _

MDI_utama.cabang_phn(xyz)) Else 'jika sudah mrpk akar plg atas 'menyimpan rule no_rule = no_rule + 1 MDI_utama.i_prediksi = MDI_utama.i_prediksi + 1 prediksi_A.Insert(MDI_utama.i_prediksi, no_rule) prediksi_B.Insert(MDI_utama.i_prediksi, hasilX) prediksi_C.Insert(MDI_utama.i_prediksi, jml_Sampel) 'menyimpan anteseden MDI_utama.i_rule = MDI_utama.i_rule + 1 rule_A.Insert(MDI_utama.i_rule, no_rule) rule_B.Insert(MDI_utama.i_rule, _

MDI_utama.node_phn(awal)) rule_C.Insert(MDI_utama.i_rule, _

MDI_utama.cabang_phn(awal)) End If 'menyimpan data sampel u/ suatu rule Dim sdsdsd = MDI_utama.indx_sampel2 For q = 0 To MDI_utama.indx_sampel2 If awal = MDI_utama.sampel2_A(q) Then i_dtSampel = i_dtSampel + 1 MDI_utama.dt_sampel_A.Insert(i_dtSampel, _

prediksi_A(MDI_utama.i_prediksi)) MDI_utama.dt_sampel_B.Insert(i_dtSampel, _

MDI_utama.sampel2_B(q)) End If Next End If awal = awal - 1 Loop '*********************************************

*Fungsi di atas adalah untuk mencari aturan dari tabel pohon yang telah dibuat sebelumnya

Selama proses unpruned aturan berlangsung, program akan menampilkan

status progress bar :


75

Gambar 4.13 Status Progress Bar Unpruned Aturan

Pada saat hasil proses unpruned aturan ditampilkan, maka tombol

Unpruned menjadi tidak aktif dan tombol Lanjut menjadi aktif. Proses

akan dilanjutkan dengan menekan tombol Lanjut dan form Aturan Default

akan ditampilkan. Berikut ini form Aturan Default:

Gambar 4.14 Form Aturan Default

Pada form tersebut proses pembuatan aturan default dapat

dilakukan dengan menekan tombol aturan default. Jika pemakai program

menekan tombol ini, maka program akan menampilkan kotak pesan yang

berisi konsekuen paling banyak yaitu :


76


Jika memilih tombol ‘Yes’, maka aturan-aturan dengan konsekuen

tersebut akan dieliminasi atau dengan kata lain dijadikan aturan default.

Jika memilih tombol ‘No’, maka aturan-aturan dengan konsekuen tersebut

tidak dieliminasi. Aturan-aturan dapat ditampilkan dengan memilih

konsekuen yang ada pada combo box klasifikasi. Jika konsekuen yang

dipilih merupakan konsekuen yang menjadi aturan default, maka akan

ditampilkan kotak pesan :


Untuk melanjutkan ke proses selanjutnya, maka pengguna program

dapat menekan tombol Lanjut. Tombol ini akan menampilkan form

Simulasi dan Pengujian Aturan. Dalam form ini, yang pertama kali

ditampilkan adalah form simulasi :


77

Gambar 4.17 Form Simulasi

Pada form di atas proses pembuatan simulasi dapat dilakukan dengan

menekan tombol Buat Simulasi. Proses pembuatan simulasi merupakan

proses dimana pengguna dapat membuat variasi simulasi aturan. Proses ini

dilakukan dengan cara menghapus aturan yang tidak diinginkan. Simulasi

yang terbentuk memberikan hasil persentase keberhasilan prediksi yang

bervariasi, sesuai dengan aturan-aturan yang dihapus sebelumnya. Jika

tombol Buat Simulasi ditekan maka, akan memunculkan tombol Pengujian

Aturan, Lihat Sampel, Hapus Sampel dan Selesai. Untuk lebih jelasnya

dapat melihat gambar di bawah ini :


78

Gambar 4.18 Form Simulasi Setelah Tombol Buat Simulasi diklik

Tombol Lihat Sampel ditekan akan menampilkan form Detail Sampel

(lihat gambar di bawah)

Gambar 4.19 Form Detail Sampel

Tombol Hapus Aturan ditekan, maka aturan yang terseleksi akan dihapus

dan ditampilkan pada tabel Aturan yang Dihapus. Tombol Selesai ditekan,

maka akan ditampilkan kotak pesan :



79

Jika memilih tombol ‘Yes’, maka proses pembuatan simulasi telah selesai

dan akan menampilkan tombol Pengujian Aturan. Jika memilih tombol

‘No’, maka akan kembali ke proses sebelumnya. Ada dua pilihan dalam

proses ini, yaitu program memberikan fasilitas untuk melakukan

penghapusan terhadap aturan-aturan sederhana yang tidak diinginkan,

kemudian melakukan pengujian aturan atau langsung melakukan

pengujian aturan terhadap himpunan data tes. Jika langsung melakukan

pengujian aturan, maka dapat menekan tombol Pengujian Aturan. Tombol

ini akan menampilkan form selanjutnya, yaitu form Pengujian Aturan.

Berikut ini form Pengujian Aturan :

Gambar 4.21 Form Pengujian Aturan

Pada form tersebut, tombol Data Test digunakan untuk menampilkan tabel

tes dan detail atribut keputusan pada tabel tes. Pengguna dapat melakukan

pengujian aturan dengan menekan tombol Uji Aturan. Program akan


80

menyimpan hasil pengujian aturan dan menampilkan hasil prediksi pada

tabel Pengujian Aturan beserta persentase keberhasilan prediksi. Program

juga akan menampilkan Hasil Simulasi. Untuk lebih jelasnya dapat dilihat

gambar di bawah ini :

Gambar 4.22 Form Pengujian Aturan Setelah Tombol Uji Aturan

diklik

Pada tabel Hasil Simulasi terdapat tombol Aturan-Aturan, Pilih

Simulasi, Hapus Simulasi dan Buat Simulasi. Untuk melihat aturan-

aturan yang ada pada suatu simulasi tekan tombol Aturan-Aturan (lihat

gambar di bawah ini).


81

Gambar 4.23 Form Detail Simulasi Aturan

Untuk membuat simulasi lagi tekan tombol Buat Simulasi. Tekan tombol

Hapus Simulasi untuk menghapus simulasi yang diinginkan dan

menampilkan kotak pesan sebagai berikut :


Jika memilih tombol ‘Yes’, maka simulasi yang dipilih akan dihapus. Jika

memilih tombol ‘No’, maka akan kembali ke proses sebelumnya. Tekan

tombol Pilih Simulasi untuk memilih simulasi yang diinginkan dan

menampilkan kotak pesan :


82


Jika memilih tombol ‘Yes’, maka akan dilanjutkan ke form Aturan-Aturan

Sederhana dan Prediksi Sampel. Jika memilih tombol ‘No’, maka akan

kembali ke proses sebelumnya. Berikut ini form Aturan-Aturan Sederhana:

Gambar 4.26 Form Aturan-Aturan Sederhana

Form di atas untuk mengetahui aturan-aturan yang paling sederhana

berdasarkan simulasi yang telah dipilih sebelumnya. Untuk melakukan

prediksi terhadap suatu sampel, tekan tab control Prediksi Sampel (lihat

gambar di bawah).


83

Gambar 4.27 Form Prediksi Sampel

Untuk melakukan prediksi suatu sampel tekan tombol prediksi, maka

combo box Nama Atribut akan aktif. Pemakai program dapat memilih

atribut dari combo box tersebut. Setelah atribut dipilih maka combo box

Nama Kejadian akan aktif. Combo box ini akan menampilkan nama-nama

kejadian sesuai atribut yang dipilih sebelumnya. Proses ini dilakukan terus

sampai nama atribut habis. Tombol Reset digunakan jika pengguna ingin

mengulang pemilihan atribut yang sebelumnya telah dimasukkan.

Kemudian tekan tombol Hasil Prediksi untuk menampilkan hasil prediksi

berdasarkan nama-nama atribut dan kejadian yang telah dimasukan (lihat

gambar di bawah).


84

Gambar 4.28 Form Prediksi Sampel Setelah Proses Prediksi

Tekan tombol Prediksi untuk melakukan prediksi lagi dan tekan tombol

Selesai untuk keluar dari program.

B. Analisa Hasil Program

Untuk menganalisa hasil program, penulis melakukan pengujian

menggunakan metode cross-validation (Witten & Frank, 2005:149).

Metode ini membagi data keseluruhan menjadi beberapa partisi.

Pendekatan yang dilakukan menggunakan fivefold cross-validation, yaitu

membagi sampel data menjadi lima partisi dengan jumlah data masing-

masing partisi sama banyak. Setiap partisi menjadi himpunan data tes dan

partisi yang lain menjadi himpunan data pelatihan. Misalkan partisi 1

sebagai himpunan data tes, maka partisi 2, 3, 4 dan 5 menjadi himpunan


85

data pelatihan. Langkah ini diulangi sampai setiap partisi digunakan tepat

satu kali sebagai himpunan data tes.

Dalam pengujian ini sampel data yang digunakan sebanyak 1400

record. Masing-masing partisi mempunyai sampel data sebanyak 280

record Berikut ini merupakan pengujian cross-validation:

• Pengujian I

Data pelatihan adalah partisi ke 2, 3, 4, 5 sedangkan data tes

merupakan partisi ke 1. Berikut confusion matrix yang terbentuk :

Tabel 4.1 Confusion Matrix Pengujian I

Kelas Prediksi Daftar Ulang Tidak DU Total

Daftar Ulang 134 40 174Kelas Sebenarnya Tidak DU 61 45 106

Total 195 85

• Pengujian II



Tabel 4.2 Confusion Matrix Pengujian II



Total 191 89

• Pengujian III




86

Tabel 4.3 Confusion Matrix Pengujian III



Total 182 98

• Pengujian IV



Tabel 4.4 Confusion Matrix Pengujian IV



Total 193 87

• Pengujian V



Tabel 4.5 Confusion Matrix Pengujian V



Total 183 97


87

Berikut ini merupakan tabel dari pengujian-pengujian di atas :

Tabel 4.6 Pengujian Cross-validation

Pengujian Data Pelatihan

Data Tes Jumlah Benar

Jumlah Salah

I 2, 3, 4, 5 1 179 101II 1, 3, 4, 5 2 177 103III 1, 2, 4, 5 3 178 102IV 1, 2, 3, 5 4 166 114V 1, 2, 3, 4 5 163 117

Total 863 537

Dari tabel di atas, jumlah data pengujian yang benar untuk keseluruhan

pengujian sebanyak 863 record dan jumlah data pengujian yang salah

sebanyak 537 record sehingga persentase keberhasilan prediksi yang

didapat sebesar, %64.61%1001400863

=× .


88

BAB V

KESIMPULAN DAN SARAN

C. Kesimpulan

Kesimpulan yang dapat diperoleh sebagai hasil dari penyelesaian tugas

akhir ini adalah :

Pengujian menggunakan metode fivefold cross-validation dengan jumlah

data sebanyak 1400 sampel dapat memprediksi mahasiswa yang tidak

melakukan daftar ulang dengan tingkat keberhasilan prediksi sebesar

61.64 %

D. Saran

Berangkat dari hasil analisa tugas akhir, penulis memberikan saran

untuk perbaikan dan pengembangan program lebih lanjut, antara lain :

1) Program tidak melakukan uji independensi karena ukuran

matrik untuk tabel kontingensi terlalu besar. Untuk itu

program dapat dikembangkan lagi agar dapat menangani

ukuran matrik yang besar sehingga uji independensi dapat

dilakukan.

2) Karena lamanya waktu proses pembuatan pohon maka

program dapat dikembangkan untuk memberikan fasilitas

penyimpanan aturan-aturan yang telah terbentuk, sehingga


89

aturan-aturan ini dapat diujikan pada himpunan data tes yang

lain tanpa perlu mengulangi proses dari awal.

3) Program dapat dikembangkan untuk menangani data yang

bertipe numerik secara langsung tanpa perlu mengubahnya

menjadi data yang bertipe string terlebih dahulu, misalnya

menggunakan metode C4.5 (Daniel, 2005).

4) Pemilihan atribut tidak ditentukan secara intuitif namun

menggunakan feature analysis sehingga akurasi keberhasilan

dapat ditingkatkan.


90

DAFTAR PUSTAKA

Dzeroski, Saso & Lavrac, Nada. Relational Data Mining. Berlin: Springer. 2001

Fayyad, Usama & Shapiro, Gregory Piatetsky & Smyth, Padhraic. From Data Mining to Knowledge Discovery in Databases. http:// www.kdnuggets.com/gpspubs/aimag-kdd-overview-1996-Fayyad.pdf

Groth, Robert. Data Mining: A Hands-on Approach for Business Professionals. New Jersey: Prentice Hall PTR. 1998

Hamilton, Howard & Gurak, Ergun & Findlander, Leah & Olive, Wayne. Overview of Decision Trees. http://www2.cs.uregina.ca/~hamilton/courses/831/notes/ml/dtrees/4_dtrees1.html

Hamilton, Howard & Gurak, Ergun & Findlander, Leah & Olive, Wayne. Decision Tree Contruction. http://www2.cs.uregina.ca/~hamilton/courses/831/notes/ml/dtrees/4_dtrees2.html.2000

Hamilton, Howard & Gurak, Ergun & Findlander, Leah & Olive, Wayne. Decision Tree Rules & Pruning. http://www2.cs.uregina.ca/~hamilton/courses/831/notes/ml/dtrees/4_dtrees3.html.

Han, Jiawei. & Kamber, Micheline. Data Mining: Concepts And Techniques. http://www.cs.sfu.ca/~han/dmbook

Larose, Daniel T. Discovering Knowledge in Data: An Introduction to Data Mining. Canada: Wiley-Interscience. 2005

Mitra, Sushmita & Acharya, Tinku. Data Mining: Multimedia, Soft Computing, and Bioinformatics. Canada: Wiley-Interscience. 2003


91

Rosa, Paulina H.Prima. (2003, 7 Mei). Data Mining: Pemaknaan Data Secara Komprehensif. Makalah “Seminar Rumpun MIPA Universitas Sanata Dharma Yogyakarta”.

Sucahyo, Yudho Giri, Data Mining Menggali Informasi yang Terpendam. http://ilmukomputer.com/populer/yudho-datamining.php.2003

Sucahyo, Yudho Giri, Penerapan Data Mining: Permasalahan Apa Saja yang Bisa Diselesaikan. http://ilmukomputer.com/populer/yudho-datamining.php.2003

Witen, Ian H. & Frank, Eibe. Data Mining: Practical Machine Learning Tools and Techniques. California: Morgan Kaufmann Publishers. 2005

Witen, Ian H. & Frank, Eibe. Data Mining: Practical Machine Learning Tools and Techniques with Java Implementations. California: Morgan Kaufmann Publishers. 2000 http://www.cs.sfu.ca/~han/bk/7class.ppt


92

LAMPIRAN Listing Program Pembuatan Pohon : '******membuat cabang pada node awal******* tingkat = 1 MDI_utama.indx_phn = -1 indx_sampel = -1 indx_attr = -1 MDI_utama.indx_sampel2 = -1 Dim kejdo, akhir, total_jum_target, no_kejadian As Integer Dim jum_target_akhir(1) 'mencari total kejadian pd node awal Dim qr2 As String 'mencari kejadian2 yang ada pada node awal qr2 = "select distinct(" & MDI_utama.node_awal & ") from " & MDI_utama.tbl_training & "" Dim ambil_qr2 As New MySqlDataAdapter(qr2, konek) Dim temp_qr2 As New DataTable ambil_qr2.Fill(temp_qr2) kejdo = 0 nmr_phn = 0 Do While kejdo <= temp_qr2.Rows.Count - 1 MDI_utama.indx_phn = MDI_utama.indx_phn + 1 nmr_phn = nmr_phn + 1 'menyimpan nomor no_phn.Insert(MDI_utama.indx_phn, nmr_phn) 'menyimpan tingkat tingkat_phn.Insert(MDI_utama.indx_phn, tingkat) 'menyimpan node MDI_utama.node_phn.Insert(MDI_utama.indx_phn,

MDI_utama.node_awal) 'menyimpan cabang MDI_utama.cabang_phn.Insert(MDI_utama.indx_phn,

temp_qr2.Rows(MDI_utama.indx_phn).Item(0)) total_jum_target = 0 Dim qr3 As String For akhir = 0 To MDI_utama.temp_sq1_akhir.Rows.Count - 1 qr3 = "select count(*) from " & MDI_utama.tbl_training & "

where " & MDI_utama.node_awal & " = '" & temp_qr2.Rows(kejdo).Item(0) & "' and status = '" & MDI_utama.temp_sq1_akhir.Rows(akhir).Item(0) & "'"

Dim ambil_qr3 As New MySqlDataAdapter(qr3, konek) Dim temp_qr3 As New DataTable ambil_qr3.Fill(temp_qr3) jum_target_akhir(akhir) = temp_qr3.Rows(0).Item(0) total_jum_target = total_jum_target + jum_target_akhir(akhir) Next


93

'cek homogenitasnya Dim jum_nol = 0 Dim jum_tak_nol = 0 For akhir = 0 To MDI_utama.temp_sq1_akhir.Rows.Count - 1 If jum_target_akhir(akhir) = 0 Then jum_nol = jum_nol + 1 End If If jum_target_akhir(akhir) > 0 Then jum_tak_nol = jum_tak_nol + 1 no_kejadian = akhir End If Next If jum_nol = MDI_utama.temp_sq1_akhir.Rows.Count Then '*******jika sampel tidak ada******* 'jumlah sampel sisa MDI_utama.sampelsisa_phn.Insert(MDI_utama.indx_phn, 0) 'menyimpan hasil MDI_utama.hsl_phn.Insert(MDI_utama.indx_phn,

MDI_utama.kej_jum_max) ElseIf jum_tak_nol = 1 Then '****jika sampel homogen*** '---menyimpan hasil--- MDI_utama.hsl_phn.Insert(MDI_utama.indx_phn,

MDI_utama.temp_sq1_akhir.Rows(no_kejadian).Item(0)) '---menyimpan jumlah sampel tersisa MDI_utama.sampelsisa_phn.Insert(MDI_utama.indx_phn,

jum_target_akhir(no_kejadian)) '---Mencari Sampel--- '::mencari jumlah sampel:: Dim qr5 As String '::mencari nomor record:: qr5 = "select no from " & MDI_utama.tbl_training & " where "_ & MDI_utama.node_awal & "= '" & temp_qr2.Rows(kejdo).Item(0)

& "'" Dim ambil_qr5 As New MySqlDataAdapter(qr5, konek) Dim temp_qr5 As New DataTable ambil_qr5.Fill(temp_qr5) 'menyimpan data sampel Dim sfor As Integer For sfor = 0 To temp_qr5.Rows.Count - 1 MDI_utama.indx_sampel2 = MDI_utama.indx_sampel2 + 1 MDI_utama.sampel2_A.Insert(MDI_utama.indx_sampel2,

MDI_utama.indx_phn) MDI_utama.sampel2_B.Insert(MDI_utama.indx_sampel2,

temp_qr5.Rows(sfor).Item(0)) Next Else '***jika sampel masih heterogen dan sampel tidak kosong*** 'menyimpan hasil MDI_utama.hsl_phn.Insert(MDI_utama.indx_phn, "^^")


94

'menyimpan jumlah sampel tersisa MDI_utama.sampelsisa_phn.Insert(MDI_utama.indx_phn, -1) Dim qr5 As String '::mencari nomor record:: qr5 = "select no from " & MDI_utama.tbl_training & " where "_ & MDI_utama.node_awal & "= '" & temp_qr2.Rows(kejdo).Item(0)

& "'" Dim ambil_qr5 As New MySqlDataAdapter(qr5, konek) Dim temp_qr5 As New DataTable ambil_qr5.Fill(temp_qr5) 'menyimpan data sampel Dim sfor As Integer For sfor = 0 To temp_qr5.Rows.Count - 1 indx_sampel = indx_sampel + 1 sampel_A.Insert(indx_sampel, MDI_utama.indx_phn) sampel_B.Insert(indx_sampel, temp_qr5.Rows(sfor).Item(0)) Next 'mencari atribut tdk ikut proses penghitungan gain indx_attr = indx_attr + 1 attr_g_ikut1.Insert(indx_attr, MDI_utama.indx_phn) attr_g_ikut2.Insert(indx_attr, MDI_utama.node_awal) End If 'menyimpan indeks akar atasnya MDI_utama.noakaratas_phn.Insert(MDI_utama.indx_phn, 0) 'akar

paling atas kejdo = kejdo + 1 Loop 'memanggil function cek() fcek() ProgressBar1.Value = 95 'menampilkan(pohon) Dim tfor As Integer For tfor = 0 To MDI_utama.indx_phn grid_phn.Rows.Add() grid_phn.Rows(tfor).Cells(0).Value = no_phn.Item(tfor) grid_phn.Rows(tfor).Cells(1).Value = tingkat_phn(tfor) grid_phn.Rows(tfor).Cells(2).Value =

MDI_utama.noakaratas_phn(tfor) grid_phn.Rows(tfor).Cells(3).Value = MDI_utama.node_phn(tfor) grid_phn.Rows(tfor).Cells(4).Value = MDI_utama.cabang_phn(tfor) grid_phn.Rows(tfor).Cells(5).Value = MDI_utama.hsl_phn(tfor) Next ProgressBar1.Value = 100 ProgressBar1.Visible = False


95

Public Function fcek() '********function untuk mencari anak cabang (jika ada)******** Dim afor, jfor, x, xfor, jml_phn, nx, no_fields, calc As Integer Dim nilai_etr, tot_akhir2, etot_at, entrp, Ptot, logPtot, _ etot_at2, entrp2, Ptot2, logPtot2, rt_entropi, gainS As Double Dim node1, sqr2, sqr3, sqr4 As String jfor = 0 jml_phn = MDI_utama.indx_phn 'menyimpan atribut Dim qr_kolom = "show fields from " & MDI_utama.tbl_training & "" Dim ambil_qr_kolom As New MySqlDataAdapter(qr_kolom, konek) Dim temp_qr_kolom As New DataTable ambil_qr_kolom.Fill(temp_qr_kolom) Dim arr_kolom_ikut(temp_qr_kolom.Rows.Count - 3) As String For afor = 0 To temp_qr_kolom.Rows.Count - 3 arr_kolom_ikut(afor) = temp_qr_kolom.Rows(afor + 1).Item(0) Next Do While jfor <= jml_phn If MDI_utama.hsl_phn(jfor) = "^^" Then 'jika mempunyai anak cabang Dim indxs_pohon = jfor 'mencari node selanjutnya(sebagai anak cabang) Dim jml_atribut_ikut = MDI_utama.jml_atribut -

tingkat_phn(indxs_pohon) '---mencari nilai gain--- Dim N_gainS(jml_atribut_ikut - 1, 1) As String Dim noNilai_etr = -1 nx = 0 Dim jum_target(1) Do While nx < MDI_utama.jml_atribut Dim ikut = 0 For no_fields = 0 To indx_attr If attr_g_ikut1(no_fields) = indxs_pohon Then If (arr_kolom_ikut(nx)) = (attr_g_ikut2(no_fields)) Then ikut = ikut + 1 End If End If Next If ikut = 0 Then noNilai_etr = noNilai_etr + 1 N_gainS(noNilai_etr, 0) = arr_kolom_ikut(nx) 'mencariEntropiPada atribut temp_qr_kolom.Rows(nx).Item(0) rt_entropi = 0 nilai_etr = 0 sqr2 = "select distinct(" & arr_kolom_ikut(nx) & ") from "

& MDI_utama.tbl_training & "" Dim ambil_sqr2 As New MySqlDataAdapter(sqr2, konek) Dim temp_sqr2 As New DataTable ambil_sqr2.Fill(temp_sqr2) Dim re = 0 Dim jum_target2(1)


96

Do While re <= temp_sqr2.Rows.Count - 1 For x = 0 To MDI_utama.temp_sq1_akhir.Rows.Count - 1 jum_target(x) = 0 jum_target2(x) = 0 Next Dim tot_record = 0 sqr3 = "select no," & MDI_utama.field_akhir & " from " &

MDI_utama.tbl_training & " where " _ & arr_kolom_ikut(nx) & "='" &

temp_sqr2.Rows(re).Item(0) & "'" Dim ambil_sqr3 As New MySqlDataAdapter(sqr3, konek) Dim temp_sqr3 As New DataTable ambil_sqr3.Fill(temp_sqr3) sqr4 = "select no," & MDI_utama.field_akhir & " from " &

MDI_utama.tbl_training & "" Dim ambil_sqr4 As New MySqlDataAdapter(sqr4, konek) Dim temp_sqr4 As New DataTable ambil_sqr4.Fill(temp_sqr4) tot_akhir2 = 0 calc = 0 Dim no_indx, no_indx2 As Integer Do While calc <= indx_sampel If sampel_A(calc) = indxs_pohon Then tot_record = tot_record + 1 'untuk mencari jumlah (+) dan (-) pada cabang For no_indx2 = 0 To temp_sqr4.Rows.Count - 1 Dim noMhs2 = temp_sqr4.Rows(no_indx2).Item(0) Dim at_target2 = temp_sqr4.Rows(no_indx2).Item(1) If sampel_B(calc) = noMhs2 Then For xfor=0 To MDI_utama.temp_sq1_akhir.Rows.Count-1 If at_target2 =

MDI_utama.temp_sq1_akhir.Rows(xfor).Item(0) Then

jum_target2(xfor) = jum_target2(xfor) + 1 End If Next End If Next 'mencari (+) dan (-) tiap kejadian pada atribut For no_indx = 0 To temp_sqr3.Rows.Count - 1 Dim noMhs = temp_sqr3.Rows(no_indx).Item(0) Dim at_target = temp_sqr3.Rows(no_indx).Item(1) If sampel_B(calc) = noMhs Then tot_akhir2 = tot_akhir2 + 1 For x=0 To MDI_utama.temp_sq1_akhir.Rows.Count-1 If at_target =

MDI_utama.temp_sq1_akhir.Rows(x).Item(0) Then jum_target(x) = jum_target(x) + 1 End If Next End If Next


97

End If calc = calc + 1 Loop 'hitung entropi awal etot_at2 = 0 For x = 0 To MDI_utama.temp_sq1_akhir.Rows.Count - 1 If jum_target2(x) > 0 Then Ptot2 = jum_target2(x) / tot_record logPtot2 = Math.Log((Ptot2), 2) End If If jum_target2(x) = 0 Then Ptot2 = 0 logPtot2 = 0 End If entrp2 = (-1 * (Ptot2 * logPtot2)) etot_at2 = etot_at2 + entrp2 Next 'hitung rata-rata entropi tiap atribut etot_at = 0 For x = 0 To MDI_utama.temp_sq1_akhir.Rows.Count - 1 If jum_target(x) > 0 Then Ptot = jum_target(x) / tot_akhir2 logPtot = Math.Log((Ptot), 2) End If If jum_target(x) = 0 Then Ptot = 0 logPtot = 0 End If entrp = (-1 * (Ptot * logPtot)) etot_at = etot_at + entrp Next rt_entropi=rt_entropi+((tot_akhir2/tot_record)* etot_at) re = re + 1 Loop gainS = etot_at2 - rt_entropi N_gainS(noNilai_etr, 1) = gainS gainS = 0 End If nx = nx + 1 Loop 'mencari nilai gain paling besar sebagai node selanjutnya '================================================= Dim i, besar_indk As Integer Dim Attr_besar = N_gainS(0, 1) For i = 0 To jml_atribut_ikut - 1 If Attr_besar <= N_gainS(i, 1) Then Attr_besar = N_gainS(i, 1) besar_indk = i End If Next node1 = N_gainS(besar_indk, 0)


98

'********Buat cabang pada node1*********** 'mencari kejadian-kejadian pada node1 Dim sqr_n1, sqr_n2 As String Dim tt As Integer sqr_n1 = "select distinct(" & node1 & ") from " &

MDI_utama.tbl_training & "" Dim ambil_sqr_n1 As New MySqlDataAdapter(sqr_n1, konek) Dim temp_sqr_n1 As New DataTable ambil_sqr_n1.Fill(temp_sqr_n1) Dim jum_sampel = indx_sampel Dim jum_attr = indx_attr tt = 0 Do While tt <= temp_sqr_n1.Rows.Count - 1 MDI_utama.indx_phn = MDI_utama.indx_phn + 1 nmr_phn = nmr_phn + 1 'menyimpan no pohon no_phn.Insert(MDI_utama.indx_phn, nmr_phn) 'menyimpan tingkat tingkat_phn.Insert(MDI_utama.indx_phn,

tingkat_phn(indxs_pohon) + 1) 'menyimpan node MDI_utama.node_phn.Insert(MDI_utama.indx_phn, node1) 'menyimpan cabang MDI_utama.cabang_phn.Insert(MDI_utama.indx_phn,

temp_sqr_n1.Rows(tt).Item(0)) sqr_n2 = "select no, " & MDI_utama.field_akhir & " from " &

MDI_utama.tbl_training _ & " where " & node1 & "='" &

temp_sqr_n1.Rows(tt).Item(0) & "'" Dim ambil_sqr_n2 As New MySqlDataAdapter(sqr_n2, konek) Dim temp_sqr_n2 As New DataTable ambil_sqr_n2.Fill(temp_sqr_n2) For x = 0 To MDI_utama.temp_sq1_akhir.Rows.Count - 1 jum_target(x) = 0 Next 'mencari jumlah kejadian -kejadian pada field akhir Dim tq = 0 Dim kk As Integer Do While tq <= temp_sqr_n2.Rows.Count - 1 Dim nobaru = temp_sqr_n2.Rows(tq).Item(0) For kk = 0 To jum_sampel If sampel_A(kk) = indxs_pohon And sampel_B(kk) = nobaru

Then Dim hsl = temp_sqr_n2.Rows(tq).Item(1) For x = 0 To MDI_utama.temp_sq1_akhir.Rows.Count - 1 If hsl=MDI_utama.temp_sq1_akhir.Rows(x).Item(0) Then jum_target(x) = jum_target(x) + 1 End If


99

Next End If Next tq = tq + 1 Loop 'cek homogenitasnya Dim jum_nol = 0 Dim jum_tak_nol = 0 Dim akhir, no_kejadian As Integer For akhir = 0 To MDI_utama.temp_sq1_akhir.Rows.Count - 1 If jum_target(akhir) = 0 Then jum_nol = jum_nol + 1 End If If jum_target(akhir) > 0 Then jum_tak_nol = jum_tak_nol + 1 no_kejadian = akhir End If Next If jum_nol = MDI_utama.temp_sq1_akhir.Rows.Count Then '*******jika sampel tidak ada******* 'jumlah sampel sisa MDI_utama.sampelsisa_phn.Insert(MDI_utama.indx_phn, 0) 'menyimpan hasil MDI_utama.hsl_phn.Insert(MDI_utama.indx_phn,

MDI_utama.kej_jum_max) ElseIf jum_tak_nol = 1 Then '****jika sampel homogen*** '---menyimpan hasil--- MDI_utama.hsl_phn.Insert(MDI_utama.indx_phn,

MDI_utama.temp_sq1_akhir.Rows(no_kejadian).Item(0)) '---menyimpan jumlah sampel tersisa MDI_utama.sampelsisa_phn.Insert(MDI_utama.indx_phn,

jum_target(no_kejadian)) 'menyimpan data sampel berupa nomor record Dim aa = 0, bb As Integer Do While aa <= temp_sqr_n2.Rows.Count - 1 Dim nobaru = temp_sqr_n2.Rows(aa).Item(0) For bb = 0 To jum_sampel If sampel_A(bb) = indxs_pohon Then If sampel_B(bb) = nobaru Then MDI_utama.indx_sampel2 = MDI_utama.indx_sampel2 + 1 MDI_utama.sampel2_A.Insert(MDI_utama.indx_sampel2,


nobaru) End If End If Next aa = aa + 1 Loop


100

Else '***jika sampel masih heterogen dan sampel tidak kosong*** If tingkat_phn(MDI_utama.indx_phn) < MDI_utama.jml_atribut

Then '--jika atribut masih ada-- ‘menyimpan hasil MDI_utama.hsl_phn.Insert(MDI_utama.indx_phn, "^^") 'menyimpan jumlah sampel tersisa MDI_utama.sampelsisa_phn.Insert(MDI_utama.indx_phn, -1) '***Mencari Sampel*** Dim aa = 0, bb, ss As Integer Do While aa <= temp_sqr_n2.Rows.Count - 1 Dim nobaru = temp_sqr_n2.Rows(aa).Item(0) For bb = 0 To jum_sampel If sampel_A(bb) = indxs_pohon Then If sampel_B(bb) = nobaru Then indx_sampel = indx_sampel + 1 sampel_A.Insert(indx_sampel,

MDI_utama.indx_phn) sampel_B.Insert(indx_sampel, nobaru) End If End If Next aa = aa + 1 Loop If ProgressBar1.Value < 90 Then ProgressBar1.PerformStep() Else End If 'mencari atibut tdk ikut proses penghitungan gain For ss = 0 To jum_attr If attr_g_ikut1(ss) = indxs_pohon Then indx_attr = indx_attr + 1 attr_g_ikut1.Insert(indx_attr, MDI_utama.indx_phn) attr_g_ikut2.Insert(indx_attr, attr_g_ikut2(ss)) End If Next indx_attr = indx_attr + 1 attr_g_ikut1.Insert(indx_attr, MDI_utama.indx_phn) attr_g_ikut2.Insert(indx_attr, node1) Else '***jika atribut kondisi sudah habis*** '---mencari kejadian paling banyak pada sampel--- Dim jml_maks = jum_target(0) Dim vfor, ah As Integer For vfor = 0 To MDI_utama.temp_sq1_akhir.Rows.Count - 1 If jml_maks <= jum_target(vfor) Then jml_maks = jum_target(vfor) ah = vfor End If Next


101

'menyimpan hasil MDI_utama.hsl_phn.Insert(MDI_utama.indx_phn,

MDI_utama.jml_kej_akhir(ah)) Dim total1 = 0 For x = 0 To MDI_utama.temp_sq1_akhir.Rows.Count - 1 total1 = total1 + jum_target(x) Next ‘menyimpan jumlah sampel tersisa MDI_utama.sampelsisa_phn.Insert(MDI_utama.indx_phn,

total1) ‘---Mencari Sampel--- Dim aa = 0, bb As Integer Do While aa <= temp_sqr_n2.Rows.Count - 1 Dim nobaru = temp_sqr_n2.Rows(aa).Item(0) For bb = 0 To jum_sampel If sampel_A(bb) = indxs_pohon Then If sampel_B(bb) = nobaru Then MDI_utama.indx_sampel2=MDI_utama.indx_sampel2 + 1 MDI_utama.sampel2_A.Insert(MDI_utama.indx_sampel2,


nobaru) End If End If Next aa = aa + 1 Loop End If End If ‘menyimpan indeks akar atasnya MDI_utama.noakaratas_phn.Insert(MDI_utama.indx_phn,

indxs_pohon + 1) 'akar paling atas tt = tt + 1 Loop 'menghapus sampel yg mempunyai nilai sampel_A(...)=indxs_pohon Dim tempSampel(indx_sampel, 1) As String Dim rave1 = 0 Dim rave As Integer For rave = 0 To indx_sampel If sampel_A(rave) <> indxs_pohon Then rave1 = rave1 + 1 tempSampel(rave1, 0) = sampel_A(rave) tempSampel(rave1, 1) = sampel_B(rave) End If Next indx_sampel = rave1 For rave = 0 To indx_sampel sampel_A.Insert(rave, tempSampel(rave, 0)) sampel_B.Insert(rave, tempSampel(rave, 1)) Next


102

'menghapus atribut yang mempunyai nilai kolom1= indxs_pohon Dim tempAttr(indx_attr, 1) As String rave1 = 0 For rave = 0 To indx_attr If attr_g_ikut1(rave) <> indxs_pohon Then rave1 = rave1 + 1 tempAttr(rave1, 0) = attr_g_ikut1(rave) tempAttr(rave1, 1) = attr_g_ikut2(rave) End If Next indx_attr = rave1 For rave = 0 To indx_attr attr_g_ikut1.Insert(rave, tempAttr(rave, 0)) attr_g_ikut2.Insert(rave, tempAttr(rave, 1)) Next '***********Cabang Selanjutnya************** jfor = indxs_pohon + 1 jml_phn = MDI_utama.indx_phn Else jfor = jfor + 1 End If Loop Return 0 End Function Listing Program Untuk Unpruned Aturan : '*********fungsi untuk mencari rule*********** 'menyimpan nomor rule no_rule = -1 'menyimpan anteseden MDI_utama.i_rule = -1 'indeks rule MDI_utama.i_prediksi = -1 'indeks data sampel i_dtSampel = -1 'dimulai dari indeks pohon paling besar ToolStripProgressBar1.Value = 5 Dim awal = MDI_utama.indx_phn Dim xyz, q As Integer Do While awal >= 0 ToolStripProgressBar1.Value = +1 Dim hasilX = MDI_utama.hsl_phn(awal) Dim i_akar = MDI_utama.noakaratas_phn(awal) Dim i_akarX = i_akar - 1 Dim jml_Sampel = MDI_utama.sampelsisa_phn(awal)


103

If hasilX = "^^" Then Else If i_akarX > 0 Then 'jika belum mrpk akar plg atas 'menyimpan rule no_rule = no_rule + 1 MDI_utama.i_prediksi = MDI_utama.i_prediksi + 1 prediksi_A.Insert(MDI_utama.i_prediksi, no_rule) prediksi_B.Insert(MDI_utama.i_prediksi, hasilX) prediksi_C.Insert(MDI_utama.i_prediksi, jml_Sampel) 'mencari atribut & cabang yg akan mjd anteseden 'sampai akar plg atas Dim i_Phn = awal Do While i_akarX > 0 'menyimpan anteseden2 MDI_utama.i_rule = MDI_utama.i_rule + 1 rule_A.Insert(MDI_utama.i_rule, no_rule) rule_B.Insert(MDI_utama.i_rule, MDI_utama.node_phn(i_Phn)) rule_C.Insert(MDI_utama.i_rule,

MDI_utama.cabang_phn(i_Phn)) xyz = i_akarX 'menentukan akar atasnya i_akarX = MDI_utama.noakaratas_phn(xyz) - 1 i_Phn = xyz Loop 'menyimpan anteseden2 yg mrpk atributakar plg atas MDI_utama.i_rule = MDI_utama.i_rule + 1 rule_A.Insert(MDI_utama.i_rule, no_rule) rule_B.Insert(MDI_utama.i_rule, MDI_utama.node_phn(xyz)) rule_C.Insert(MDI_utama.i_rule, MDI_utama.cabang_phn(xyz)) If i_akarX = 0 Then MDI_utama.i_rule = MDI_utama.i_rule + 1 rule_A.Insert(MDI_utama.i_rule, no_rule) rule_B.Insert(MDI_utama.i_rule,

MDI_utama.node_phn(i_akarX)) rule_C.Insert(MDI_utama.i_rule,

MDI_utama.cabang_phn(i_akarX)) End If Else 'jika sudah mrpk akar plg atas 'menyimpan rule no_rule = no_rule + 1 MDI_utama.i_prediksi = MDI_utama.i_prediksi + 1 prediksi_A.Insert(MDI_utama.i_prediksi, no_rule) prediksi_B.Insert(MDI_utama.i_prediksi, hasilX) prediksi_C.Insert(MDI_utama.i_prediksi, jml_Sampel) 'menyimpan anteseden MDI_utama.i_rule = MDI_utama.i_rule + 1 rule_A.Insert(MDI_utama.i_rule, no_rule) rule_B.Insert(MDI_utama.i_rule, MDI_utama.node_phn(awal)) rule_C.Insert(MDI_utama.i_rule, MDI_utama.cabang_phn(awal))


104

If i_akarX = 0 Then MDI_utama.i_rule = MDI_utama.i_rule + 1 rule_A.Insert(MDI_utama.i_rule, no_rule) rule_B.Insert(MDI_utama.i_rule,

MDI_utama.node_phn(i_akarX)) rule_C.Insert(MDI_utama.i_rule,

MDI_utama.cabang_phn(i_akarX)) End If End If 'menyimpan data sampel u/ suatu rule Dim sdsdsd = MDI_utama.indx_sampel2 For q = 0 To MDI_utama.indx_sampel2 If awal = MDI_utama.sampel2_A(q) Then i_dtSampel = i_dtSampel + 1 MDI_utama.dt_sampel_A.Insert(i_dtSampel,

prediksi_A(MDI_utama.i_prediksi)) MDI_utama.dt_sampel_B.Insert(i_dtSampel,

MDI_utama.sampel2_B(q)) End If Next End If awal = awal - 1 Loop '********************************************* ToolStripProgressBar1.Value = 50 'tukar posisi prediksi & ganti no rule Dim no1 = -1 'indeks un_prediksi Dim no2 = -1 'indeks no_ruleAll Dim no_Rbaru As Integer 'no rule baru no_Rbaru = -1 Dim jm = MDI_utama.i_prediksi Dim p, km As Integer km = -1 Do While jm >= 0 no_Rbaru = no_Rbaru + 1 no1 = no1 + 1 'menyimpan no rule MDI_utama.un_prediksi_A.Insert(no1, no_Rbaru) 'menyimpan prediksi MDI_utama.un_prediksi_B.Insert(no1, prediksi_B(jm)) 'menyimpan jum sampel jml_sampelSisa.Insert(no1, prediksi_C(jm)) For p = 0 To i_dtSampel If MDI_utama.dt_sampel_A(p) = prediksi_A(jm) Then km = km + 1 dt_sampel2_A.Insert(km, MDI_utama.un_prediksi_A(no1)) dt_sampel2_B.Insert(km, MDI_utama.dt_sampel_B(p)) End If Next


105

Dim jml = 0 'jumlah syarat pd tiap no rule Dim pfor As Integer For pfor = 0 To MDI_utama.i_rule If rule_A(pfor) = prediksi_A(jm) Then no2 = no2 + 1 jml = jml + 1 no_ruleAll_A.Insert(no2, pfor) no_ruleAll_B.Insert(no2, no_Rbaru) End If Next 'menyimpan jumlah anteseden pd suatu rule MDI_utama.un_prediksi_C.Insert(no1, jml) jm = jm - 1 Loop ToolStripProgressBar1.Value = 60 'tukar posisi anteseden Dim x = -1 Dim kol = MDI_utama.i_rule Dim v, indw As Integer Do While kol >= 0 For v = 0 To MDI_utama.i_rule If no_ruleAll_A(v) = kol Then indw = v End If Next x = x + 1 MDI_utama.un_rule_A.Insert(x, no_ruleAll_B(indw)) MDI_utama.un_rule_B.Insert(x, rule_B(kol)) MDI_utama.un_rule_C.Insert(x, rule_C(kol)) kol = kol - 1 Loop ToolStripProgressBar1.Value = 80 Dim xfor, yfor, y2, totalSam As Integer y2 = -1 totalSam = 0 For xfor = 0 To MDI_utama.i_prediksi grid_unpruned.Rows.Add() grid_unpruned.Rows(xfor).Cells(0).Value =

MDI_utama.un_prediksi_A(xfor) grid_unpruned.Rows(xfor).Cells(1).Value =

MDI_utama.un_prediksi_B(xfor) grid_unpruned.Rows(xfor).Cells(2).Value =

MDI_utama.un_prediksi_C(xfor) grid_unpruned.Rows(xfor).Cells(3).Value = jml_sampelSisa(xfor) totalSam = totalSam + jml_sampelSisa(xfor) For yfor = 0 To MDI_utama.i_rule If MDI_utama.un_rule_A(yfor) = MDI_utama.un_prediksi_A(xfor)

Then y2 = y2 + 1 grid_unpruned2.Rows.Add() grid_unpruned2.Rows(y2).Cells(0).Value =

MDI_utama.un_rule_A(yfor)


106

Dim syarat = MDI_utama.un_rule_B(yfor) + "=" + MDI_utama.un_rule_C(yfor)

grid_unpruned2.Rows(y2).Cells(1).Value = syarat End If Next Next Label3.Text = MDI_utama.i_prediksi + 1 Label4.Text = MDI_utama.i_rule + 1 Label5.Text = totalSam 'menampilkan konsekuen dlm combobox Dim lo, lo2 As Integer lo2 = 0 Dim result_pre(MDI_utama.temp_sq1_akhir.Rows.Count) As String result_pre(lo2) = "Semua Aturan" For lo = 0 To MDI_utama.temp_sq1_akhir.Rows.Count - 1 lo2 = lo2 + 1 result_pre(lo2) = MDI_utama.temp_sq1_akhir.Rows(lo).Item(0) Next ComboBox1.DataSource = result_pre ToolStripProgressBar1.Value = 100


pencarian karakteris tik calon mahasiswa … filealgoritma pohon keputusan skripsi diajukan untuk...

Documents