Langkah- langkah Algoritma ID3

diimplementasikan menggunakan fungsi rekursif fungsi yang memanggil dirinya sendiri Suyanto, 2007.

2.3.1. Langkah- langkah Algoritma ID3

Penentuan kelayakan menggunakan Algoritma ID3 dapat dilihat dalam contoh kasus berikut. Diketahui data seperti didalam tabel dibawah ini, permasalahan nya adalah bagaimana mendapatkan ketentuanrule untuk mencari kelayakan seseorang dalam membeli sebuah motor. Tabel 2.1. Contoh Data Umur Pendapatan Pelajar Pinjaman Membeli Motor =16 Tinggi Tidak Tidak Tidak =16 Tinggi Tidak Ya Tidak 17..19 Rendah Ya Ya Ya 17..19 Tinggi Tidak Tidak Ya 19 Sedang Tidak Tidak Ya 19 Rendah Ya Tidak Ya 19 Rendah Ya Ya Tidak Langkah-langkah untuk menentukan ketentuanrule dari tabel diatas menggunakan Algoritma ID3 : 1. Tentukan keadaan yang mungkin terjadi dari setiap atribut yang ada pada data. 2. Hitung Entropy awal dengan rumus Chahal, 2013: Entropy S = −� �� ∗ � � 2 � �� − � ∗ � � 2 � Keterangan : S = himpunan atribut � �� = atribut yang bernilai “Ya” � = atribut yang bernilai “Tidak” 3. Hitung Entropy dan Information Gain dari setiap atribut untuk menentukan node awal dengan rumus Chahal, 2013: Information Gain S. A = � � � − | � | | �| ∈��� � � � �� Keterangan : � = atribut � = jumlah kasus � = jumlah kasus pada partisi ke-r | � | | �| ∈��� � � = menghitung jumlah partisi 4. Node awal didapatkan dari atribut yang memiliki nilai Information Gain tertinggi. 5. Ulangi langkah ketiga untuk menentukan node cabang selanjutnnya hingga seluruh kriteria keputusan digunakan. Entropy awal : Jumlah Instance Total = 7 Jumlah Instance Ya = 4 Jumlah Instance Tidak = 3 Entropy S = −� �� ∗ � � 2 � �� − � ∗ � � 2 � = − 4 7 � � 2 4 7 − 3 7 � � 2 3 7 = − 0.57 −0.811 – 0.43 −1.218 = 0.986 Entropy dan Information Gain per Atribut untuk node awal: Umur Entropy Umur=16 = − 2 � � 2 2 − 2 2 � � 2 2 2 = 0 Entropy Umur 17..19 = 0 Entropy Umur 19 = 0.915 Information Gain Umur = � � � − | � | | �| ∈��� � � � �� = 0.986 – 2 7 x 0 – 2 7 x 0 – 3 7 x 0.915 = 0.594 Pendapatan Entropy Pendapatan = Tinggi = 0.915 Entropy Pendapatan = Sedang = 0 Entropy Pendapatan = Rendah = 0.915 Information GainPendapatan = 0.202 Pelajar Entropy Pelajar = Tidak = 1 Entropy Pelajar = Ya = 0.915 Information GainPelajar = 0.023 Pinjaman Entropy Pinjaman= Tidak = 0.811 Entropy Pinjaman= Ya = 0.915 Information GainPinjaman = 0.131 Hasil Information Gain dari seluruh atribut = Umur = 0.594 Pendapatan = 0.202 Pelajar = 0.023 Pinjaman = 0.131 Karena atribut Umur memiliki nilai Information Gain paling tinggi maka atribut Umur dijadikan node awal, dan Decision Tree nya sebagai berikut : Gambar 2.1. Node awal Decision Tree Kemudian hitung Entropy dan Information Gain per atribut untuk menentukan node cabang dari edge 19. Jumlah Instance untuk atribut Umur 19 = 3 Jumlah Instance Ya = 2 Jumah Instance Tidak = 1 Pendapatan Entropy Pendapatan = Tinggi = 0 Entropy Pendapatan = Sedang = 0 Entropy Pendapatan = Rendah = 1 Information GainPendapatan = 0.319 Pelajar Entropy Pelajar = Tidak = 1 Entropy Pelajar = Ya = 0 Information GainPelajar = 0.319 Pinjaman Entropy Pinjaman= Tidak = 0.915 Entropy Pinjaman= Ya = 0 Information GainPinjaman = 0.376 Hasil Information Gain dari seluruh atribut = Pendapatan = 0.319 Pelajar = 0.319 Pinjaman = 0.376 Karena atribut Pinjaman memiliki nilai Information Gain paling tinggi maka atribut Pinjaman dijadikan node cabang untuk edge 19. Decision Tree nya sebagai berikut : Gambar 2.2. Hasil Decision Tree Dan didapatkan rules dari pohon keputusan diatas: IF Umur = =16 THEN beli = Tidak IF Umur = 17..19 THEN beli = Ya IF Umur = 19Pinjaman = Tidak THEN beli = Ya IF Umur = 19Pinjaman = Ya THEN beli = Tidak

2.4. Android