Gambar 2 Pohon yang terbentuk pada tabel bdspT7
Setelah pohon terbentuk, dihasilkan sejumlah aturan dari path dalam pohon
tersebut. Contoh aturan yang dapat terbentuk dari pohon pada Gambar 2 adalah sebagai
berikut:
“JIKA komoditas = Jagung DAN lokasi = Bali DAN luas panen 6
DAN produktivitas = 6 MAKA produksi = 1”
”JIKA komoditas = Jagung DAN lokasi = Bengkulu MAKA produksi =
1” ”JIKA komoditas = Melon DAN
lokasi = Jawa Tengah DAN luas panen = 6 AND produktivitas = 6
MAKA produksi = 1”
”JIKA komoditas = Melon DAN lokasi = Timortimur MAKA produksi
= 1” ”JIKA komoditas = Nenas DAN
lokasi = Jawa Barat DAN produktivitas = 6 MAKA produksi
= 5” ”JIKA komoditas = Nenas DAN
lokasi = Jawa Barat DAN produktivitas 6 MAKA produksi =
1”
”JIKA komoditas = Nenas DAN lokasi = Jawa Timur MAKA produksi
= 1”
Aturan selengkapnya yang diperoleh dari tabel bdspT7 dapat dilihat pada
Lampiran 5. Rasio aturan yang terbentuk terhadap
ukuran kedelapan training set dapat dilihat pada Tabel 9 dan grafik dari rasio tiap tabel
dapat dilihat pada Gambar 3. Tabel 9 Rasio aturan pada training set
Training set
Ukuran Training
set Jumlah
aturan yang terbentuk
Rasio bdspT1
551 161
29.22 bdspT2
2779 340
12.23 bdspT3
2907 305
10.49 bdspT4
3231 390
12.07 bdspT5
3618 579
16.00 bdspT6
3849 756
19.64 bdspT7
4391 782
17.81 bdspT8
1909 644
33.73
Gambar 3 Grafik rasio pada delapan tabel bdsp
Dari kedelapan tabel bdsp yang ada, nilai rasio terbesar pada training set bdspT8
sebesar 33.73, sedangkan rasio terkecil pada tabel bdspT3 sebesar 10.49.
4.5 Evaluasi Data Keluaran
Tahap evaluasi dilakukan dengan melakukan pengujian terhadap aturan yang
telah terbentuk pada tahap data mining. Dengan menggunakan nilai masukkan yang
diambil secara random dan terdapat pada tabel training set dan test set, aturan yang
terbentuk dari tahap data mining dan data test set akan dibandingkan.
Pengujian dilakukan setelah pohon dari training set terbentuk. Pertama t entukan test
set yang ingin digunakan, kemudian masukkan nilai yang ingin diujikan.
Misalkan nilai Alpukat di Bangka Belitung dengan nilai luas panen Ha berada pada
kelompok = 6 dan produktivitas TonHa = 6. Sistem akan mencari nilai penguj ian
yang telah dimasukkan ke dalam test set dan pohon yang telah terbentuk. Akurasi
dihitung berdasarkan jumlah nilai yang sama
antara nilai dalam test set dengan nilai yang dihasilkan oleh pohon dengan menggunakan
keseluruhan aturan yang terbentuk, perhitungan akurasi adalah sebagai berikut
Tan et al. 2005:
00 f
01 f
10 f
11 f
00 f
11 f
akurasi atau
prediksi banyaknya
total benar
yang prediksi
banyak Akurasi
+ +
+ +
= =
Setiap entri f
ij
menyatakan banyaknya record dari kelas i yang diprediksi menjadi
kelas j. Dari delapan tabel yang ada, terhadap
masing-masing tabel training set diberikan 3 kali pengujian dengan jumlah masukkan
yang berbeda yaitu 100, 150 dan 200 data. Pengujian untuk setiap nilai masukkan
diulang sebanyak 3 kali. Nilai masukkan data acak dapat dilihat pada Lampiran 6 dan
hasil akurasi masing-masing masukkan data acak pada Lampiran 7 sampai 9. Hasil rata-
rata akurasi dari evaluasi data menggunakan data acak dapat dilihat pada Tabel 10.
Tabel 10 P resentasi akurasi data
pengambilan data input secara acak
Training set
Jumlah aturan
Jumlah test set
Akurasi 1 100
dat Akurasi
2 150 dat
Akurasi 3 200
dat
bdspT1 161
183 10.10
11.33 10.67
bdspT2 340
926 45.03
46.83 49.61
bdspT3 305
968 41.01
42.29 45.50
bdspT4 390
1077 51.00
53.04 52.33
bdspT5 579
1206 60.11
60.00 57.50
bdspT6 756
1282 55.00
53.33 55.57
bdspT7 782
1463 67.17
66.00 65.50
bdspT8 644
636 33.33
34.08 33.50
Pada Gambar 4 dapat dilihat grafik perbandingan dari ketiga nilai akurasi
dengan menggunakan data acak. Untuk grafik masing-masing nilai akurasi dapat
dilihat pada Lampiran 10 sampai 12 Gamb ar 4 Grafik perbandingan nilai akurasi
dengan data input secara acak Dari grafik tersebut dapat dilihat bahwa
nilai akurasi terbesar terdapat pada tabel bdspT7 dengan 100 data pengujian. Pada
percobaan di atas, nilai akurasi tertinggi 67.17 pada tabel bdspT7, sedangkan nilai
akurasi terendah 10.10 pada tabel bdspT1.
Dari informasi yang diperoleh, pengguna tidak perlu mengingat jumlah
aturan yang terbentuk pada tahap data mining. Pengguna dapat menggunakan
modul pengguna untuk menampilkan informasi sesuai kebutuhan pengguna.
Tampilan modul pengguna dapat dilihat pada Lampiran 13.
KESIMPULAN DAN SARAN
5.1 Kesimpulan
