Contoh Proses Perhitungan Data

3.6 Contoh Proses Perhitungan Data

Data yang digunakan dalam penelitian ini adalah data dari sebuah situs www.inkuiri.com. Dalam paparan di bawah ini digunakan data berjumlah 40, yang terdiri dari 4 kategori yaitu :fashion, smartphone, motorbike dan talisman. Contoh data yang akan diolah seperti pada Tabel 3.4. Tabel 3. 4 Tabel data yang akan diolah Interest type city waktu bulan Fashion Personal computer Surabaya siang awal Fashion Smartphone Jakarta siang awal Fashion Personal computer Surabaya siang awal Fashion Personal computer Denpasar siang awal Fashion Personal computer Jakarta siang awal Fashion Smartphone Mountain View siang awal Fashion Smartphone Jakarta siang awal Fashion Personal computer Jakarta pagi awal Fashion Personal computer Jakarta pagi awal Fashion Personal computer Jakarta pagi awal Smartphone Smartphone Jakarta siang awal 4. Pengguna menekan tombol Pengujian. 5. Sistem menampilkan hasil pengujian data. Smartphone Tabelt Jakarta siang awal Smartphone Tabelt Jakarta siang awal Smartphone Smartphone Jakarta siang tengah Smartphone Smartphone Jakarta siang tengah Smartphone Personal computer Pekanbaru siang akhir Smartphone Personal computer Kudus siang akhir Smartphone Personal computer Pekanbaru siang akhir Smartphone Smartphone San Mateo malam akhir Smartphone Personal computer Surabaya malam akhir Motorbike Tabelt Depok malam awal Motorbike Tabelt Depok malam awal Motorbike Tabelt Depok malam awal Motorbike Smartphone Jakarta malam awal Motorbike Smartphone Jakarta malam tengah Motorbike Smartphone Jakarta malam tengah Motorbike Smartphone Jakarta malam tengah Motorbike Smartphone Jakarta malam akhir Motorbike Smartphone Jakarta malam akhir Motorbike Smartphone Jakarta malam akhir Talisman Personal computer Surabaya pagi awal Talisman Personal computer Jakarta pagi awal Talisman Personal computer Jakarta pagi awal Talisman Personal computer Surabaya pagi awal Talisman Personal computer Denpasar pagi awal Talisman Smartphone Denpasar pagi tengah Talisman Smartphone Denpasar siang tengah Talisman Smartphone Surabaya siang tengah Talisman Smartphone Surabaya siang akhir Talisman Smartphone Jakarta siang akhir Setelah memperoleh data seperti di atas, selanjutnya data dikelompokkan berdasarkan nilai dalam setiap atribut seperti pada Tabel 3.5. Tabel 3. 5 Tabel pengelompokkan data dari setiap atribut Nama atribut Keterangan Jumlah dalam kategori Total Fashion Smartphone Motorbike Talisman Interest TOTAL 10 10 10 10 40 type Personal Computer 7 4 5 17 Smartphone 3 4 7 5 19 Tabelt 2 3 5 city Surabaya 1 1 4 6 Jakarta 6 5 7 3 21 Denpasar 2 3 5 Mountain View 1 1 2 Pekanbaru 2 2 Kudus 1 1 San Mateo 1 1 Depok 3 3 waktu pagi 3 6 9 siang 7 8 4 19 malam 2 10 12 bulan awal 10 3 4 5 22 tengah 2 3 3 8 akhir 5 3 2 10 Setelah data dikelompokan, untuk mengetahui node pertama terlebih dulu hitung nilai entropy dari setiap atribut berdasarkan data yang telah dikelompokan dengan menggunakan Persamaan 2.2. Entropysemua = - p fashion|semua x log 2 p fashion|semua + p smartphone|semua xlog 2 p smarthphone|semua + p motorbike|semua x log 2 p motorbike|semua + p talisman|semua x log 2 p talisman|semua = - 1040 x log 2 1040 + 1040 x log 2 1040 + 1040 x log 2 1040 + 1040 x log 2 1040= 2 Setelah mendapatkan nilai entropy dan nilaigain dari semua data maka selanjutnya dihitung nilai entopry untuk setiap atribut yang ada. Hasil nilai gain yang paling besar akan dijadikan sebagai node akar. Hasil perhitungan nilai entropy dari semua atribut dapat dilihat pada Tabel 3.6. Tabel 3. 6 Tabel perhitungan nilai entropy semua atribut Node Jumlah F S M T Entropy Gain 1 Total 40 10 10 10 10 2 type 0.345 Personal 16 7 4 5 1.545 computer Smartphone 19 3 4 7 5 1.93 Tabelt 5 2 3 0.969 city 0.629 Surabaya 6 1 1 4 1.248 Jakarta 21 6 5 7 3 1.93 Denpasar 5 2 3 0.969 Mountain View 2 1 1 1 Pekanbaru 2 2 Kudus 1 1 San Mateo 1 1 Depok 3 3 waktu 0.882 pagi 9 3 6 0.918 siang 19 7 8 4 1.517 malam 12 2 10 0.64 bulan 0.313 awal 22 10 3 4 5 1.829 tengah 8 2 3 3 1,562 akhir 10 5 3 2 1.483 Berdasarkan hasil perhitungan di atas nilai gain tertinggi ada pada atribut waktu. Maka, atribut waktu dijadikan sebagai node akar. Untuk cabangnya digunakan 3 nilai di dalam node akar, yaitu „siang‟, „pagi‟, dan „malam‟.Dan terbentuk pohon awal seperti Gambar 3.3. waktu ? ? ? pagi siang malam Gambar 3. 3 Bentuk awal pohon dengan gain tertinggi waktu Dalam perhitungan entropy dan gain berikutnya, atribut waktu tidak dilibatkan. Lakukan pengelompokkan kembali untuk node internal di cabang malam, sehingga di dapat hasil seperti Tabel 3.7. Tabel 3. 7 Perhitungan data pada cabang malam Node Jumlah F S M T Entropy Gain 2 Total 12 2 10 0.64 type 0.278 Personal computer 1 1 Smartphone 8 1 7 0.543 Tabelt 3 3 city 0.64 Surabaya 1 1 Jakarta 7 7 Denpasar Mountain View Pekanbaru Kudus San Mateo 1 1 Depok 3 3 bulan 0.102 awal 4 4 tengah 3 3 akhir 5 2 3 0.969 Berdasarkan hasil perhitungan di atas nilai gain tertinggi ada pada atribut city. Maka, atribut city dijadikan sebagai node akar pada cabang malam. Untuk cabangnya digunakan 4 nilai didalam node akar, yaitu „San Mateo‟, „Surabaya‟, „Depok‟ dan „Jakarta‟. Lakukan juga klasifikasi pada tiap cabang yang ada. Dan pohon yang terbentuk seperti Gambar 3.4. waktu ? city ? pagi siang malam San Mateo Surabaya Depok Jakarta Smartphone Smartphone Motorbike Motorbike Gambar 3. 4 Pembentukkan pohon untuk cabang malam Lakukan pengelompokkan kembali untuk node internal di cabang pagi, sehingga di dapat hasil seperti Tabel 3.8. Tabel 3. 8 Perhitungan data pada cabang pagi Node Jumlah F S M T Entropy Gain 3 Total 9 3 6 0.918 type 0.074 Personal computer 8 3 5 0.951 Smartphone 1 1 Tabelt city 0.38 Surabaya 2 2 Jakarta 5 3 2 0.97 Denpasar 2 2 Mountain View Pekanbaru Kudus San Mateo Depok bulan 0.074 awal 8 3 5 0.951 tengah 1 1 akhir Berdasarkan hasil perhitungan di atas nilai gain tertinggi ada pada atribut city. Maka, atribut city dijadikan sebagai node akar pada cabang pagi. Untuk cabangnya digunakan 3 nilai didalam node akar, yaitu „Jakarta‟, „Denpasar‟, dan „Surabaya‟.Dan pohon yang terbentuk seperti Gambar 3.5. waktu city city ? pagi siang malam San Mateo Surabaya Depok Jakarta ? Surabaya Jakarta Denpasar Talisman Talisman Smartphone Smartphone Motorbike Motorbike Gambar 3. 5 Pembentukan pohon untuk cabang pagi Untuk node city dengan cabang Jakarta harus dilakukan perhitungan kembali karena masih belum terklasifikasi kedalam satu kelas keputusan, sehingga masih harus dilakukan proses pencarian node selanjutnya. Hasil perhitungan nilai untuk cabang Jakarta dapat dilihat pada Tabel 3.9. Tabel 3. 9 Perhitungan data pada cabang Jakarta Node Jumlah F S M T Entropy Gain 4 Total 5 3 2 0.97 type Personal computer 5 3 2 0.97 Smartphone 0 Tabelt bulan awal 5 3 2 0.97 tengah akhir Untuk hasil perhitungan dari cabang Jakarta ternyata didapat nilai yang sama antara atribut type dan atribut bulan. Maka, untuk berikutnya diambil atribut yang terletak lebih awal, yaitu atribut type. Setelah atribut type menjadi node maka diambil atribut yang kedua yaitu bulan. Dan pohon yang terbentuk seperti Gambar 3.6. waktu city city ? pagi siang malam San Mateo Surabaya Depok Jakarta type Surabaya Jakarta Denpasar Personal Computer bulan awal Fashion Talisman Talisman Smartphone Smartphone Motorbike Motorbike Gambar 3. 6 Pembentukan pohon untuk cabang pagi dan city Jakarta Lakukan pengelompokkan kembali untuk node internal di cabang siang, sehingga di dapat hasil seperti pada Tabel 3.10. Tabel 3. 10 Perhitungan data pada cabang siang Node Jumlah F S M T Entropy Gain 5 Total 19 7 8 4 1.517 type 0.332 Personal computer 7 4 3 0.982 Smartphone 10 3 3 4 1.566 Tabelt 2 2 city 0.563 Surabaya 4 2 2 1 Jakarta 9 3 5 1 1.35 Denpasar 2 1 1 1 Mountain View 1 1 Pekanbaru 2 2 Kudus 1 1 San Mateo Depok bulan 0.591 awal 10 7 3 0.876 tengah 4 2 2 1 akhir 5 3 2 0.969 Berdasarkan hasil perhitungan di atas nilai gain tertinggi ada pada atribut bulan. Maka, atribut bulan dijadikan sebagai node akar pada cabang siang. Untuk cabangnya digunakan 3 nilai didalam node akar, yaitu „awal‟, „tengah‟, dan „akhir‟. Lakukan juga klasifikasi pada tiap cabang yang ada. Dan pohon yang terbentuk seperti Gambar 3.7. waktu city city bulan pagi siang malam San Mateo Surabaya Depok Jakarta type Surabaya Jakarta Denpasar Personal Computer bulan awal Fashion Talisman Talisman ? ? ? awal tengah akhir Smartphone Smartphone Motorbike Motorbike Gambar 3. 7 Pembentukan pohon untuk atribut bulan Lakukan pengelompokkan untuk node internal di cabang awal, sehingga di dapat hasil seperti pada Tabel 3.11. Tabel 3. 11 Perhitungan data pada cabang awal Node Jumlah F S M T Entropy Gain 6 Total 10 7 3 0.876 type 0.548 Personal computer 4 4 Smartphone 4 3 1 0.821 Tabelt 2 2 city 0.279 Surabaya 2 2 Jakarta 6 3 3 1 Denpasar 1 1 Mountain View 1 1 Pekanbaru Kudus San Mateo Depok Dari perhitungan di atas nilai gain tertinggi ada pada atribut type. Maka, atribut type dijadikan sebagai node akar pada cabanag awal. Untuk cabangnya digunakan 3 nilai didalamnya, yaitu „Personal Computer’ , ‘Smartphone’, dan „Tabelt‟. Dan pohon yang terbentuk seperti Gambar 3.8. waktu city city bulan pagi siang malam San Mateo Surabaya Depok Jakarta type Surabaya Jakarta Denpasar Personal Computer bulan awal Fashion Talisman Talisman type ? ? awal tengah akhir Fashion Fashion city Personal Computer Smartphone Tablet Smartpho ne Smartpho ne Motorbi ke Motorbi ke Gambar 3. 8 Pembentukan pohon untuk cabang awal Untuk node type dengan cabang Smartphone harus dilakukan perhitungan kembali karena masih belum terklasifikasi kedalam satu kelas keputusan, sehinnga masih harus dilakukan proses pencarian node selanjutnya. Perhitungan untuk cabang Smartphoneseperti pada Tabel 3.12 Tabel 3. 12 Perhitungan data pada cabang Smartphone Node Jumlah F S M T Entropy Gain 7 Tota l 4 3 1 0.821 city 0.671 Surabaya Jakarta 3 2 1 0.14 Denpasar Mountain View 1 1 Pekanbaru Kudus San Mateo Depok Untuk perhitungan dari cabang Smartphone, hanya ada satu atribut, yaitu city. Maka atribut city dijadikan node berikutnya dan terdapat satu cabang yang mempunyai nilai tertinggi, yaitu „Jakarta‟. Dan pohon yang terbentuk seperti Gambar 3.9. waktu city city bulan pagi siang malam San Mateo Surabaya Depok Jakarta type Surabaya Jakarta Denpasar Personal Computer bulan awal Fashion Talisman Talisman type ? ? awal tengah akhir Fashion Fashion city Personal Computer Smartphone Tablet Fashion Jakarta Smartpho ne Smartpho ne Motorbi ke Motorbi ke Gambar 3. 9 Pembentukan pohon untuk bulan awal dan type Smartphone Selanjutnya lakukan perhitungan untuk cabang tengah dan didapat hasil seperti pada Tabel 3.13. Tabel 3. 13 Perhitungan data pada cabang tengah Node Jumlah F S M T Entropy Gain 8 Tota l 8 2 3 3 1,562 type Personal computer Smartphone 8 2 3 3 1.562 Tabelt city 0.95 7 Surabaya 1 1 Jakarta 5 2 3 0.969 Denpasar 2 2 Mountain View Pekanbaru Kudus San Mateo Depok Perhitungan selanjutnya nilai gain tertinggi ada pada atribut city. Maka atribut city dijadikan node selanjutnya untuk cabang tengah. Dan pohon yang terbentuk seperti Gambar 3.10. PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI waktu city city bulan siang malam San Mateo Surabaya Depok type Surabaya Denpasar Personal Computer bulan awal Fashion Talisman Talisman type ? city awal tengah akhir Fash ion city Personal Computer Smartphone Tablet Fash ion Fashion Jakarta Smartp hone Talis man Smartp hone Surabaya Jakarta Denpasar Smartp hone Smartp hone Motor bike Motor bike Jakarta pagi Gambar 3. 10 Pembentukan pohon untuk cabang tengah Selanjutnya untuk perhitungan yang terakhir adalah perhitungan untuk cabang akhir. Dan didapat hasil seperti pada Tabel 3.14. Tabel 3. 14 Perhitungan data pada cabang akhir Node Jumlah F S M T Entropy Gain 9 Total 5 3 2 0.97 type 0.97 Personal computer 3 3 Smartphone 2 2 Tabelt city 0.97 Surabaya 1 1 Jakarta 1 1 Denpasar Mountain View Pekanbaru 2 Kudus 1 1 San Mateo Depok Untuk hasil perhitungan dari cabang akhir ternyata didapat nilai yang sama antara atribut type dan atribut city. Maka, untuk berikutnya diambil atribut yang terletak lebih awal, yaitu atribut type. Dan pohon yang terbentuk seperti Gambar 3.11. waktu city city bulan siang malam San Mateo Surabaya Depok Jakarta type Surabaya Denpasar Personal Computer bulan awal Fashion Talisman Talisman type type city awal tengah akhir Fash ion city Personal Computer Smartphone Tablet Fash ion Fashion Jakarta Smartp hone Talis man Smartp hone Surabaya Jakarta Denpasar Smartp hone Smartp hone Motor bike Motor bike Jakarta pagi Smartphone Talisman Personal Computer Smartphone Gambar 3. 11 Pembentukkan pohon untuk cabang akhir Dengan memperhatikan pohon keputusan pada Gambar 3.11 di atas diketahui bahwa pohon keputusan telah terbentuk. Dan setelah didapatkan tree, tahap selanjutnya adalah mengubahmenjadi rule. Berikut ini adalah bentuk tree yang diubah menjadi rule: R1 : if waktu = siang bulan = awal type = Personal Computer THEN interest = Fashion R2 : if waktu = siang bulan = awal type = Smartphone city = Jakarta THEN interest = Fashion R3 : if waktu = siang bulan = awal type = Tabelt THEN interest = Fashion R4 : if waktu = siang bulan = tengah city = Surabaya THEN interest = Smartphone R5 : if waktu = siang bulan = tengah city = Jakarta THEN interest = Smartphone R6 : if waktu = siang bulan = tengah city = Denpasar THEN interest = Talisman R7 : if waktu = siang bulan = akhir type = Personal Computer THEN interest = Smartphone R8 : if waktu = siang bulan = akhir type = Smartphone THEN interest = Talisman R9 : if waktu = pagi city = Surabaya THEN interest = Talisman R10 : if waktu = pagi city = Jakarta type = Personal Computer bulan = awal THEN interest = Fashion R11 : if waktu = pagi city = DenpasarTHEN interest = Talisman R12 : if waktu = malam city = San Mateo THEN interest = Smartphone R13 : if waktu = malam city = Surabaya THEN interest = Smartphone R14 : if waktu = malam city = Depok THEN interest = Motorbike R15 : if waktu = malam city = Jakarta THEN interest = Motorbike R16 : if waktu = siang bulan = tengah city = SurabayaTHEN interest = Talisman Berikut ini adalah pola yang terbentuk berdasarkan rule yang telah disederhanakan: Pola 1 : if waktu = siang OR pagi bulan = awal city = Jakarta type = Personal Computer OR Smartphone OR Tabelt THEN interest = Fashion Pola 2 : if waktu = siang OR malam bulan = tengah OR akhir city = Surabaya OR Jakarta OR San Mateo OR Surabaya type = Personal ComputerTHEN interest = Smartphone Pola 3 : if waktu = malam city = Depok OR Jakarta THEN interest = Motorbike Pola 4 : if waktu = siang OR pagi bulan = tengah OR akhir city = Denpasar OR Surabaya OR type = Smartphone THEN interest = Talisman PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

3.7 Perancangan Umum Sistem