Kontribusi Penelitian Pendahuluan Kesimpulan

misalnya flowchart, pseudocode dan bahasa algoritma. Pada penelitian ini, penulisan membuat model analisis terhadap preprocessing data yang menggunakan aturan pohon keputusan. Terhadap data tersebut dilakukan 2 preproceesing data, yakni dengan Handle missing value as category dan Missing value replenishment. Hasil preprocessing data diolah kembali dengan pohon keputusan decision tree, random tree dan random forest.

3.5 Kontribusi Penelitian

Penelitian ini memberikan kontribusi pada pemahaman kita manfaat preprocessing data, dan mengetahui model mana yang paling efisien untuk diterapakan pada algoritma pohon keputusan. Beberapa kemungkinan lain dianggap penting adalah pimpinan organisasi dapat menggunakan informasi yang diberikan dalam mengambil beberapa tindakan untuk meningkatkan kualitas relasi tenaga kerja. Pembuat keputusan bisa menggunakan model prediksi seberapa besar pemberian liburan ataupun jumlah upah dapat mempengaruhi kualitas relasi tenaga kerja Penelitian ini memperkenalkan model preproceesing data Handle missing value as category dan Missing value replenishment, yang diaplikasikan pada keputusan decision tree, random tree dan random forest. Universitas Sumatera Utara BAB IV HASIL DAN PEMBAHASAN

4.1. Pendahuluan

Bab ini menyajikan hasil penelitian sesuai dengan pertanyaan-pertanyaan yang diajukan pada permulaan. Penelitian dilaksanakan pada satu data set, yaitu Labor Relations Data Set yang diambil dari dari UCI Machine Learning Repository http:archive.ics.uci.edu. Secara terperinci, data ini terdiri dari 40 record berisikan persetujuan tenaga kerja pada bisnis dan layanan sektor personal, seperti guru, perawat, staf universitas, polisi, dan sebagainya. Dengan data ini dapat digunakan untuk proses data mining. Dataset digunakan sebagai inputan preprocessing, dan selanjutnya digunakan pada aplikasi model aturan algoritma decision tree, random tree dan random forest, menggunakan software rapidminer. Pohon Keputusan digunakan untuk membuat model aturan yang akan dipilih dalam mengambil keputusan.

4.2 Hasil Percobaan

Adapun hasil percobaan training dan testing data dapat dilihat pada bagian berikut ini. Universitas Sumatera Utara

4.2.1. Deskripsi Sampel Data

Dalam pengujian data set pada tesis ini yang terdiri dari 40 data dengan rincian sebagai berikut: Tabel 4.1 Deskripsi data Tipe Nama Tipe data Deskripsi Uraian Missing value label Class nominal mode = good 26, least = bad 14 bad 14, good 26 regular Duration integer avg = 2.103 +- 0.754 [1.000 ; 3.000] 1 regular wage-inc-1 real st avg = 3.621 +- 1.331 [2.000 ; 6.900] 1 regular wage-inc-2 real nd avg = 3.913 +- 1.281 [2.000 ; 7.000] 10 regular wage-inc-3 real rd avg = 3.767 +- 1.415 [2.000 ; 5.100] 28 regular col-adj nominal mode = none 14, least = tcf 4 tcf 4, none 14, tc 6 16 regular working-hours integer avg = 37.811 +- 2.717 [27.000 ; 40.000] 3 regular Pension nominal mode = none 8, least = ret_allw 3 none 8, empl_contr 7, ret_allw 3 22 regular standby-pay integer avg = 6.143 +- 4.845 [2.000 ; 13.000] 33 regular shift-differential integer avg = 4.583 +- 4.754 [0.000 ; 25.000] 16 regular education-allowance nominal mode = no 11, least = yes 7 no 11, yes 7 22 regular statutory-holidays integer avg = 11.105 +- 1.371 [9.000 ; 15.000] 2 regular Vacation nominal mode = below-average 14, least = average 11 generous 12, below-average 14, average 11 3 regular longterm-disability-assistance nominal mode = yes 11, least = no 5 no 5, yes 11 24 regular contrib-to-dental-plan nominal mode = half 11, least = none 6 none 6, half 11, full 8 15 regular bereavement-assistance nominal mode = yes 18, least = no 2 no 2, yes 18 20 regular contrib-to-health-plan nominal mode = full 12, least = none 6 none 6, half 6, full 12 16 21 Universitas Sumatera Utara

4.2.2 Hasil Preprocessing dengan Handle missing value as category

4.2.2.1 DecisionTree

Model preprocessing dengan grafik dari software rapidminer yang akan digunakan dapat dilihat pada gambar 4.1 Gambar 4.1 Model Preprocessingnya Handle missing value as category dengan implementasi decision tree Dari Gambar 4.1 dapat dihasilkan pohon seperti pada Gambar 4.2, dimana bahwa wage_inc_1st memiliki pengaruh paling besar dalam data penelitian tesis ini, setelah dilakukan percobaan dengan menggunakan rapidminer bahwa variabel wage_inc_1st berada pada node paling atas, kemudian dibandingkan dengan rata- rata nilai dari wage_in_1st untuk mendapatkan statutory_holiday dan working_hours. Gambar 4.2 Hasil decision tree Universitas Sumatera Utara Jika rule grafik diterjemahkan kedalam rule bahasa sederhana dapat dilihat pada Tabel 4.2. Tabel 4.2. Keterangan Rule Grafik Decision Tree Rule Keterangan Rule Predikat Bad Good 1 Wage-inc-1st 2.650 Statutory-holidays 10.500 : good statutory-holidays ≤ 10.500 22 2 wage-inc-1st 4.250: good wage-inc-1st ≤ 4.250: bad 4 3 3 wage-inc-1st ≤ 2.650 working-hours 36: bad working-hours ≤ 36: good 9 1 1 Untuk lebih jelasnya dapat dilihat pada model aturan berbentuk teks seperti pada Gambar 4.3. wage-inc-1st 2.650 | statutory-holidays 10.500: good {bad=0, good=22} | statutory-holidays ≤ 10.500 | | wage-inc-1st 4.250: good {bad=0, good=3} | | wage-inc-1st ≤ 4.250: bad {bad=4, good=0} wage-inc-1st ≤ 2.650 | working-hours 36: bad {bad=9, good=0} | working-hours ≤ 36: good {bad=1, good=1} Gambar 4.3 Rule decision tree dengan implementasi handle missing value as category

4.2.2.2 Random Tree

Model preprocessing dengan grafik dari software rapidminer yang akan digunakan dapat dilihat pada gambar 4.4. Universitas Sumatera Utara Gambar 4.4 Model Preprocessingnya Handle missing value as category dengan implementasi random tree Gambar 4.5 memperlihatkan bahwa dengan random tree pension memiliki pengaruh paling besar dalam data penelitian tesis ini, setelah dilakukan percobaan dengan menggunakan rapidminer bahwa variabel pension berada pada node paling atas, untuk mendapatkan wage_ind_2nd dan statutory_holiday. Gambar 4.5 Hasil random tree implementasi handle missing value as category Universitas Sumatera Utara Jika rule grafik Gambar 4.5 diterjemahkan kedalam rule bahasa sederhana dapat dilihat pada Tabel 4.3. Tabel 4.3. Keterangan Rule Grafik Random Tree Rule Keterangan Rule Predikat Bad Good 1 pension = empl_contr wage-inc-2nd 3.207: good wage-inc-2nd ≤ 3.207: bad 1 2 4 2 pension = missing statutory-holidays 10.500: good statutory-holidays ≤ 10.500 vacation = below-average: bad vacation = generous: good 1 18 1 2 3 pension = none: bad pension = ret_allw: bad 8 2 1 Untuk lebih jelasnya dapat dilihat pada model aturan berbentuk teks seperti pada Gambar 4.6. pension = empl_contr | wage-inc-2nd 3.207: good {bad=1, good=4} | wage-inc-2nd ≤ 3.207: bad {bad=2, good=0} pension = missing | statutory-holidays 10.500: good {bad=0, good=18} | statutory-holidays ≤ 10.500 | | vacation = below-average: bad {bad=1, good=1} | | vacation = generous: good {bad=0, good=2} pension = none: bad {bad=8, good=0} pension = ret_allw: bad {bad=2, good=1} Gambar 4.6 Rule random tree dengan implementasi handle missing value as category Universitas Sumatera Utara

4.2.2.3 Random Forest

Model preprocessing dengan grafik dari software rapidminer yang akan digunakan dapat dilihat pada gambar 4.7. Gambar 4.7 Model Preprocessingnya Handle missing value as category dengan implementasi random forest Model preprocessing ini memperlihatkan bahwa dengan random forest ada 10 sepuluh model yang dihasilkan dalam data penelitian tesis ini. Gambar 4.8 Model 1 handle missing value as category dengan implementasi random forest Jika rule grafik Gambar 4.8 diterjemahkan kedalam rule bahasa sederhana dapat dilihat pada Tabel 4.4. Tabel 4.4. Keterangan Rule Grafik Random Forest Model 1 Rule Keterangan Rule Predikat Bad Good 1 wage-inc-3rd 2.200: good wage-inc-3rd ≤ 2.200: bad 9 3 28 Universitas Sumatera Utara Untuk lebih jelasnya dapat dilihat pada model aturan berbentuk teks seperti pada Gambar 4.9. wage-inc-3rd 2.200: good {bad=9, good=28} wage-inc-3rd ≤ 2.200: bad {bad=3, good=0} Gambar 4.9 Teks Model 1 Rule random forest dengan implementasi handle missing value as category Model 2 : Gambar 4.10 Model 2 handle missing value as category dengan implementasi random forest Jika rule grafik Gambar 4.10 diterjemahkan kedalam rule bahasa sederhana dapat dilihat pada Tabel 4.5. Tabel 4.5. Keterangan Rule Grafik Random Forest Model 2 Rule Keterangan Rule Predikat Bad Good 1 standby-pay 5: good standby-pay ≤ 5: bad 7 5 28 Untuk lebih jelasnya dapat dilihat pada model aturan berbentuk teks seperti pada Gambar 4.11. Universitas Sumatera Utara standby-pay 5: good {bad=7, good=28} standby-pay ≤ 5: bad {bad=5, good=0} Gambar 4.11 Teks Model 2 Rule random forest dengan implementasi handle missing value as category Model 3 : Gambar 4.12 Model 3 handle missing value as category dengan implementasi random forest Jika rule grafik Gambar 4.12 diterjemahkan kedalam rule bahasa sederhana dapat dilihat pada Tabel 4.6. Universitas Sumatera Utara Tabel 4.6. Keterangan Rule Grafik Random Forest Model 3 Rule Keterangan Rule Predikat Bad Good 1 wage-inc-1st 2.750 working-hours 39 wage-inc-1st 4.250: good wage-inc-1st ≤ 4.250: bad 3 10 2 working-hours ≤ 39: good 19 3 wage-inc-1st ≤ 2.750: bad 8 Untuk lebih jelasnya dapat dilihat pada model aturan berbentuk teks seperti pada Gambar 4.13. wage-inc-1st 2.750 | working-hours 39 | | wage-inc-1st 4.250: good {bad=0, good=10} | | wage-inc-1st ≤ 4.250: bad {bad=3, good=0} | working-hours ≤ 39: good {bad=0, good=19} wage-inc-1st ≤ 2.750: bad {bad=8, good=0} Gambar 4.13 Teks Model 3 Rule random forest dengan implementasi handle missing value as category Model 4 : Gambar 4.14 Model 4 handle missing value as category dengan implementasi random forest Universitas Sumatera Utara Jika rule grafik Gambar 4.14 diterjemahkan kedalam rule bahasa sederhana dapat dilihat pada Tabel 4.7. Tabel 4.7. Keterangan Rule Grafik Random Forest Model 4 Rule Keterangan Rule Predikat Bad Good 1 wage-inc-1st 2.900: good wage-inc-1st ≤ 2.900: bad 3 10 26 1 Untuk lebih jelasnya dapat dilihat pada model aturan berbentuk teks seperti pada Gambar 4.15. wage-inc-1st 2.900: good {bad=3, good=26} wage-inc-1st ≤ 2.900: bad {bad=10, good=1} Gambar 4.15 Teks Model 4 Rule random forest dengan implementasi handle missing value as category Model 5 : Gambar 4.16 Model 5 handle missing value as category dengan implementasi random forest Universitas Sumatera Utara Jika rule grafik Gambar 4.16 diterjemahkan kedalam rule bahasa sederhana dapat dilihat pada Tabel 4.8. Tabel 4.8. Keterangan Rule Grafik Random Forest Model 5 Rule Keterangan Rule Predikat Bad Good 1 statutory-holidays 10.500: good statutory-holidays ≤ 10.500 2 27 2 shift-differential 4 longterm-disability-assistance = missing: bad longterm-disability-assistance = yes: good 3 1 1 3 shift-differential ≤ 4: bad 6 Untuk lebih jelasnya dapat dilihat pada model aturan berbentuk teks seperti pada Gambar 4.17. statutory-holidays 10.500: good {bad=2, good=27} statutory-holidays ≤ 10.500 | shift-differential 4 | | longterm-disability-assistance = missing: bad {bad=3, good=0} | | longterm-disability-assistance = yes: good {bad=1, good=1} | shift-differential ≤ 4: bad {bad=6, good=0} Gambar 4.17 Teks Model 5 Rule random forest dengan implementasi handle missing value as category Universitas Sumatera Utara Model 6 : Gambar 4.18 Model 6 handle missing value as category dengan implementasi random forest Jika rule grafik Gambar 4.18 diterjemahkan kedalam rule bahasa sederhana dapat dilihat pada Tabel 4.9. Tabel 4.9. Keterangan Rule Grafik Random Forest Model 6 Rule Keterangan Rule Predikat Bad Good 1 statutory-holidays 11.500: good statutory-holidays ≤ 11.500 15 2 wage-inc-2nd 3.957: good wage-inc-2nd ≤ 3.957: bad 2 14 8 1 Untuk lebih jelasnya dapat dilihat pada model aturan berbentuk teks seperti pada Gambar 4.19. Universitas Sumatera Utara statutory-holidays 11.500: good {bad=0, good=15} statutory-holidays ≤ 11.500 | wage-inc-2nd 3.957: good {bad=2, good=8} | wage-inc-2nd ≤ 3.957: bad {bad=14, good=1} Gambar 4.19 Teks Model 6 Rule random forest dengan implementasi handle missing value as category Model 7 : Gambar 4.20 Model 7 handle missing value as category dengan implementasi random forest Jika rule grafik Gambar 4.20 diterjemahkan kedalam rule bahasa sederhana dapat dilihat pada Tabel 4.10. Universitas Sumatera Utara Tabel 4.10. Keterangan Rule Grafik Random Forest Model 7 Rule Keterangan Rule Predikat Bad Good 1 wage-inc-1st 2.900 statutory-holidays 10.500: good statutory-holidays ≤ 10.500 22 2 working-hours 39: bad working-hours ≤ 39: good 4 2 3 wage-inc-1st ≤ 2.900 statutory-holidays 11.500: good statutory-holidays ≤ 11.500: 10 2 Untuk lebih jelasnya dapat dilihat pada model aturan berbentuk teks seperti pada Gambar 4.21. wage-inc-1st 2.900 | statutory-holidays 10.500: good {bad=0, good=22} | statutory-holidays ≤ 10.500 | | working-hours 39: bad {bad=4, good=0} | | working-hours ≤ 39: good {bad=0, good=2} wage-inc-1st ≤ 2.900 | statutory-holidays 11.500: good {bad=0, good=2} | statutory-holidays ≤ 11.500: bad {bad=10, good=0} Gambar 4.21 Teks Model 7 Rule random forest dengan implementasi handle missing value as category Universitas Sumatera Utara Model 8 : Gambar 4.22 Model 8 handle missing value as category dengan implementasi random forest Jika rule grafik Gambar 4.22 diterjemahkan kedalam rule bahasa sederhana dapat dilihat pada Tabel 4.11. Tabel 4.11. Keterangan Rule Grafik Random Forest Model 8 Rule Keterangan Rule Predikat Bad Good 1 statutory-holidays 10.500: good statutory-holidays ≤ 10.500: bad 2 10 27 1 Untuk lebih jelasnya dapat dilihat pada model aturan berbentuk teks seperti pada Gambar 4.23. statutory-holidays 10.500: good {bad=2, good=27} statutory-holidays ≤ 10.500: bad {bad=10, good=1} Gambar 4.23 Teks Model 8 Rule random forest dengan implementasi handle missing value as category Universitas Sumatera Utara Model 9 : Gambar 4.24 Model 9 handle missing value as category dengan implementasi random forest Jika rule grafik Gambar 4.24 diterjemahkan kedalam rule bahasa sederhana dapat dilihat pada Tabel 4.12. Tabel 4.12. Keterangan Rule Grafik Random Forest Model 9 Rule Keterangan Rule Predikat Bad Good 1 wage-inc-1st 2.900 statutory-holidays 10.500: good statutory-holidays ≤ 10.500 16 2 wage-inc-1st 4.250: good wage-inc-1st ≤ 4.250: bad 2 5 3 wage-inc-1st ≤ 2.900: bad 17 Universitas Sumatera Utara Untuk lebih jelasnya dapat dilihat pada model aturan berbentuk teks seperti pada Gambar 4.25. wage-inc-1st 2.900 | statutory-holidays 10.500: good {bad=0, good=16} | statutory-holidays ≤ 10.500 | | wage-inc-1st 4.250: good {bad=0, good=5} | | wage-inc-1st ≤ 4.250: bad {bad=2, good=0} wage-inc-1st ≤ 2.900: bad {bad=17, good=0} Gambar 4.25 Teks Model 9 Rule random forest dengan implementasi handle missing value as category Model 10 : Gambar 4.26 Model 10 handle missing value as category dengan implementasi random forest Universitas Sumatera Utara Jika rule grafik Gambar 4.26 diterjemahkan kedalam rule bahasa sederhana dapat dilihat pada Tabel 4.13. Tabel 4.13. Keterangan Rule Grafik Random Forest Model 10 Rule Keterangan Rule Predikat Bad Good 1 wage-inc-2nd 2.750 contrib-to-health-plan = full: good contrib-to-health-plan = half 10 2 bereavement-assistance = missing: bad bereavement-assistance = yes: good 1 1 2 3 contrib-to-health-plan = missing: good contrib-to-health-plan = none: bad 1 3 17 4 wage-inc-2nd ≤ 2.750: bad 5 Untuk lebih jelasnya dapat dilihat pada model aturan berbentuk teks seperti pada Gambar 4.27. wage-inc-2nd 2.750 | contrib-to-health-plan = full: good {bad=0, good=10} | contrib-to-health-plan = half | | bereavement-assistance = missing: bad {bad=1, good=1} | | bereavement-assistance = yes: good {bad=0, good=2} | contrib-to-health-plan = missing: good {bad=1, good=17} | contrib-to-health-plan = none: bad {bad=3, good=0} wage-inc-2nd ≤ 2.750: bad {bad=5, good=0} Gambar 4.27 Teks Model 10 Rule random forest dengan implementasi handle missing value as category Universitas Sumatera Utara

4.2.3 Preprocessing dengan Missing value replenishment

4.2.3.1 DecisionTree

Model preprocessing dengan grafik dari software rapidminer yang akan digunakan dapat dilihat pada gambar 4.28 Gambar 4.28 Model Preprocessingnya Missing value replenishment dengan implementasi decision tree Dari Gambar 4.28 dapat dihasilkan pohon seperti pada Gambar 4.30, dimana bahwa longterm_dissability_assistance memiliki pengaruh paling besar dalam wage_inc_2nd berada pada node paling atas. Gambar 4.29 Hasil decision tree implementasi Missing value replenishment Universitas Sumatera Utara Jika rule grafik Gambar 4.29 diterjemahkan kedalam rule bahasa sederhana dapat dilihat pada Tabel 4.14. Tabel 4.14. Keterangan Rule Grafik Decision Tree Rule Keterangan Rule Predikat Bad Good 1 longterm-disability-assistance = no: bad longterm-disability-assistance = yes 5 2 wage-inc-2nd 2.250 wage-inc-1st 2.900: good wage-inc-1st ≤ 2.900 23 3 statutory-holidays 11.500: good statutory-holidays ≤ 11.500 2 4 statutory-holidays 10.500: good statutory-holidays ≤ 10.500: bad 1 5 1 5 wage-inc-2nd ≤ 2.250: bad 3 Untuk lebih jelasnya dapat dilihat pada model aturan berbentuk teks seperti pada Gambar 4.30. longterm-disability-assistance = no: bad {bad=5, good=0} longterm-disability-assistance = yes | wage-inc-2nd 2.250 | | wage-inc-1st 2.900: good {bad=0, good=23} | | wage-inc-1st ≤ 2.900 | | | statutory-holidays 11.500: good {bad=0, good=2} | | | statutory-holidays ≤ 11.500 | | | | statutory-holidays 10.500: good {bad=1, good=1} | | | | statutory-holidays ≤ 10.500: bad {bad=5, good=0} | wage-inc-2nd ≤ 2.250: bad {bad=3, good=0} Gambar 4.30 Rule decision tree dengan implementasi Missing value replenishment Universitas Sumatera Utara

4.2.3.2 Random Tree

Model preprocessing dengan grafik dari software rapidminer yang akan digunakan dapat dilihat pada gambar 4.31. Gambar 4.31. Model Preprocessingnya Missing value replenishment dengan implementasi random tree Gambar 4.32 memperlihatkan bahwa dengan random tree longterm_dissability_assistance juga memiliki pengaruh paling besar dalam menentukan hasil wage_ind_3nd. Gambar 4.32 Hasil random tree implementasi Missing value replenishment Universitas Sumatera Utara Jika rule grafik Gambar 4.32 diterjemahkan kedalam rule bahasa sederhana dapat dilihat pada Tabel 4.15. Tabel 4.15. Keterangan Rule Grafik Random Tree Rule Keterangan Rule Predikat Bad Good 1 longterm-disability-assistance = no: bad longterm-disability-assistance = yes 5 2 wage-inc-3rd 2.150 contrib-to-health-plan = full: good contrib-to-health-plan = half: good contrib-to-health-plan = none: bad 5 2 21 5 3 wage-inc-3rd ≤ 2.150: bad 2 Untuk lebih jelasnya dapat dilihat pada model aturan berbentuk teks seperti pada Gambar 4.33. longterm-disability-assistance = no: bad {bad=5, good=0} longterm-disability-assistance = yes | wage-inc-3rd 2.150 | | contrib-to-health-plan = full: good {bad=5, good=21} | | contrib-to-health-plan = half: good {bad=0, good=5} | | contrib-to-health-plan = none: bad {bad=2, good=0} | wage-inc-3rd ≤ 2.150: bad {bad=2, good=0} Gambar 4.33 Rule random tree dengan implementasi Missing value replenishment Universitas Sumatera Utara

4.2.3.3 Random Forest

Model preprocessing dengan grafik dari software rapidminer yang akan digunakan dapat dilihat pada gambar 4.34. Gambar 4.34. Model Preprocessingnya Missing value replenishment dengan implementasi random tree Model preprocessing ini memperlihatkan bahwa dengan random forest ada 10 sepuluh model yang dihasilkan dengan implementasi Missing value replenishment. Model 1 : Gambar 4.35 Model 1 Missing value replenishment dengan implementasi random forest Universitas Sumatera Utara Jika rule grafik Gambar 4.35 diterjemahkan kedalam rule bahasa sederhana dapat dilihat pada Tabel 4.16. Tabel 4.16. Keterangan Rule Grafik Random Forest Model 1 Rule Keterangan Rule Predikat Bad Good 1 bereavement-assistance = no: bad bereavement-assistance = yes: good 2 10 28 Untuk lebih jelasnya dapat dilihat pada model aturan berbentuk teks seperti pada Gambar 4.36. bereavement-assistance = no: bad {bad=2, good=0} bereavement-assistance = yes: good {bad=10, good=28} Gambar 4.36 Teks Model 1 Rule random forest dengan implementasi Missing value replenishment Model 2 : Gambar 4.37 Model 2 Missing value replenishment dengan implementasi random forest Universitas Sumatera Utara Jika rule grafik Gambar 4.37 diterjemahkan kedalam rule bahasa sederhana dapat dilihat pada Tabel 4.17. Tabel 4.17. Keterangan Rule Grafik Random Forest Model 2 Rule Keterangan Rule Predikat Bad Good 1 bereavement-assistance = no: bad bereavement-assistance = yes 2 2 contrib-to-health-plan = full: good contrib-to-health-plan = half: good contrib-to-health-plan = none: bad 5 1 4 25 3 Untuk lebih jelasnya dapat dilihat pada model aturan berbentuk teks seperti pada Gambar 4.38. bereavement-assistance = no: bad {bad=2, good=0} bereavement-assistance = yes | contrib-to-health-plan = full: good {bad=5, good=25} | contrib-to-health-plan = half: good {bad=1, good=3} | contrib-to-health-plan = none: bad {bad=4, good=0} Gambar 4.38 Teks Model 2 Rule random forest dengan implementasi Missing value replenishment Universitas Sumatera Utara Model 3 : Gambar 4.39 Model 3 Missing value replenishment dengan implementasi random forest Jika rule grafik Gambar 4.39 diterjemahkan kedalam rule bahasa sederhana dapat dilihat pada Tabel 4.18. Tabel 4.18. Keterangan Rule Grafik Random Forest Model 3 Rule Keterangan Rule Predikat Bad Good 1 wage-inc-2nd 3.207 duration 1.500: good duration ≤ 1.500 2 23 2 col-adj = none: good col-adj = tc: bad 1 3 3 3 wage-inc-2nd ≤ 3.207: bad 8 Untuk lebih jelasnya dapat dilihat pada model aturan berbentuk teks seperti pada Gambar 4.40. Universitas Sumatera Utara wage-inc-2nd 3.207 | duration 1.500: good {bad=2, good=23} | duration ≤ 1.500 | | col-adj = none: good {bad=1, good=3} | | col-adj = tc: bad {bad=3, good=0} wage-inc-2nd ≤ 3.207: bad {bad=8, good=0} Gambar 4.40 Teks Model 3 Rule random forest dengan implementasi Missing value replenishment Model 4 : Gambar 4.41 Model 4 Missing value replenishment dengan implementasi random forest Jika rule grafik Gambar 4.41 diterjemahkan kedalam rule bahasa sederhana dapat dilihat pada Tabel 4.19. Tabel 4.19. Keterangan Rule Grafik Random Forest Model 4 Rule Keterangan Rule Predikat Bad Good 1 longterm-disability-assistance = no: bad longterm-disability-assistance = yes 5 2 wage-inc-1st 2.900: good wage-inc-1st ≤ 2.900: bad 1 7 25 2 Universitas Sumatera Utara Untuk lebih jelasnya dapat dilihat pada model aturan berbentuk teks seperti pada Gambar 4.42. longterm-disability-assistance = no: bad {bad=5, good=0} longterm-disability-assistance = yes | wage-inc-1st 2.900: good {bad=1, good=25} | wage-inc-1st ≤ 2.900: bad {bad=7, good=2} Gambar 4.42 Teks Model 4 Rule random forest dengan implementasi Missing value replenishment Model 5 : Gambar 4.43 Model 5 Missing value replenishment dengan implementasi random forest Jika rule grafik Gambar 4.43 diterjemahkan kedalam rule bahasa sederhana dapat dilihat pada Tabel 4.20. Universitas Sumatera Utara Tabel 4.20. Keterangan Rule Grafik Random Forest Model 5 Rule Keterangan Rule Predikat Bad Good 1 wage-inc-3rd 2.200 contrib-to-health-plan = full: good contrib-to-health-plan = half: good contrib-to-health-plan = none: bad 3 6 20 8 2 wage-inc-3rd ≤ 2.200: bad 3 Untuk lebih jelasnya dapat dilihat pada model aturan berbentuk teks seperti pada Gambar 4.44. wage-inc-3rd 2.200 | contrib-to-health-plan = full: good {bad=3, good=20} | contrib-to-health-plan = half: good {bad=0, good=8} | contrib-to-health-plan = none: bad {bad=6, good=0} wage-inc-3rd ≤ 2.200: bad {bad=3, good=0} Gambar 4.44 Teks Model 5 Rule random forest dengan implementasi Missing value replenishment Model 6 : Gambar 4.45 Model 6 Missing value replenishment dengan implementasi random forest Universitas Sumatera Utara Jika rule grafik Gambar 4.45 diterjemahkan kedalam rule bahasa sederhana dapat dilihat pada Tabel 4.21. Tabel 4.21. Keterangan Rule Grafik Random Forest Model 6 Rule Keterangan Rule Predikat Bad Good 1 wage-inc-1st 2.650 wage-inc-1st 3.250: good wage-inc-1st ≤ 3.250 22 2 statutory-holidays 11: good statutory-holidays ≤ 11: bad 2 2 3 wage-inc-1st ≤ 2.650: bad 14 Untuk lebih jelasnya dapat dilihat pada model aturan berbentuk teks seperti pada Gambar 4.46. wage-inc-1st 2.650 | wage-inc-1st 3.250: good {bad=0, good=22} | wage-inc-1st ≤ 3.250 | | statutory-holidays 11: good {bad=0, good=2} | | statutory-holidays ≤ 11: bad {bad=2, good=0} wage-inc-1st ≤ 2.650: bad {bad=14, good=0} Gambar 4.46 Teks Model 6 Rule random forest dengan implementasi Missing value replenishment Universitas Sumatera Utara Model 7: Gambar 4.47 Model 7 Missing value replenishment dengan implementasi random forest Jika rule grafik Gambar 4.47 diterjemahkan kedalam rule bahasa sederhana dapat dilihat pada Tabel 4.22. Tabel 4.22. Keterangan Rule Grafik Random Forest Model 7 Rule Keterangan Rule Predikat Bad Good 1 standby-pay 5 wage-inc-2nd 2.250: good wage-inc-2nd ≤ 2.250: bad 3 3 30 2 standby-pay ≤ 5: bad {bad=4, good=0} 4 Untuk lebih jelasnya dapat dilihat pada model aturan berbentuk teks seperti pada Gambar 4.48. standby-pay 5 | wage-inc-2nd 2.250: good {bad=3, good=30} | wage-inc-2nd ≤ 2.250: bad {bad=3, good=0} standby-pay ≤ 5: bad {bad=4, good=0} Gambar 4.48 Teks Model 7 Rule random forest dengan implementasi Missing value replenishment Universitas Sumatera Utara Model 8 : Gambar 4.49 Model 8 Missing value replenishment dengan implementasi random forest Jika rule grafik Gambar 4.49 diterjemahkan kedalam rule bahasa sederhana dapat dilihat pada Tabel 4.23. Tabel 4.23. Keterangan Rule Grafik Random Forest Model 8 Rule Keterangan Rule Predikat Bad Good 1 wage-inc-2nd 2.750 bereavement-assistance = no: bad bereavement-assistance = yes: good 2 4 24 2 wage-inc-2nd ≤ 2.750: bad {bad=9, good=1} 9 1 Untuk lebih jelasnya dapat dilihat pada model aturan berbentuk teks seperti pada Gambar 4.50. Universitas Sumatera Utara wage-inc-2nd 2.750 | bereavement-assistance = no: bad {bad=2, good=0} | bereavement-assistance = yes: good {bad=4, good=24} wage-inc-2nd ≤ 2.750: bad {bad=9, good=1} Gambar 4.50 Teks Model 8 Rule random forest dengan implementasi Missing value replenishment Model 9 : Gambar 4.51 Model 9 Missing value replenishment dengan implementasi random forest Jika rule grafik Gambar 4.51 diterjemahkan kedalam rule bahasa sederhana dapat dilihat pada Tabel 4.24. Tabel 4.24. Keterangan Rule Grafik Random Forest Model 9 Rule Keterangan Rule Predikat Bad Good 1 wage-inc-1st 2.900: good wage-inc-1st ≤ 2.900: bad 2 14 24 Universitas Sumatera Utara Untuk lebih jelasnya dapat dilihat pada model aturan berbentuk teks seperti pada Gambar 4.52. wage-inc-1st 2.900: good {bad=2, good=24} wage-inc-1st ≤ 2.900: bad {bad=14, good=0} Gambar 4.52 Teks Model 9 Rule random forest dengan implementasi Missing value replenishment Model 10 : Gambar 4.53 Model 10 Missing value replenishment dengan implementasi random forest Jika rule grafik Gambar 4.53 diterjemahkan kedalam rule bahasa sederhana dapat dilihat pada Tabel 4.25. Universitas Sumatera Utara Tabel 4.25. Keterangan Rule Grafik Random Forest Model 10 Rule Keterangan Rule Predikat Bad Good 1 wage-inc-1st 2.650: good wage-inc-1st ≤ 2.650 2 31 2 statutory-holidays 11.500: good statutory-holidays ≤ 11.500: bad 5 2 Untuk lebih jelasnya dapat dilihat pada model aturan berbentuk teks seperti pada Gambar 4.54. wage-inc-1st 2.650: good {bad=2, good=31} wage-inc-1st ≤ 2.650 | statutory-holidays 11.500: good {bad=0, good=2} | statutory-holidays ≤ 11.500: bad {bad=5, good=0} Gambar 4.54 Teks Model 10 Rule random forest dengan implementasi Missing value replenishment Universitas Sumatera Utara BAB V KESIMPULAN DAN SARAN

5.1. Kesimpulan

Tesis ini menghasilkan beberapa kesimpulan sebagai berikut : 1. Dengan menerapkan model preprocessing data Handle missing value as category dan Missing value replenisment data hasil pre-processing dapat diaplikasikan pada pohon keputusan Decision tree, random tree dan Random Forest. 2. Diperoleh suatu model aturan yang dapat memperlihatkan aturan keterhubungan antara wage_inc_1st dengan staturoty holidays dan working hours 3. Dalam studi kasus labour realtion ditemukan bahwa jika statutrory holidays akan diberikan jika wage_inc_1st lebih besar dari 2.0. 4. Preprocessing ternyata memberi efek pada efisiensi implementasi pohon keputusan. .

5.2 Saran