Tabel 4.4. Signifikan Dari Tiga Variabel Prediktor Predikat
Change Statistics Model
R Std. Error
R Sig. F
Squar of the
Adjusted Durbin-
Square Chang
F R
e R Square
Estimate Watson
Change Change
e df1
df2 ,915
a
1 ,838
,838 ,331
,838 2062,768 3 1196
,000 1,828
dimension0
a. Predictors: Constant, DUKUNGAN KELUARGA, FASILITAS KAMPUS, DUKUNGAN SEKOLAH b. Dependent Variable: MINAT
4.2.4. Multicollinearity
Multikolinearitas adalah masalah umum dalam analisis korelasi banyak, terjadi ketika variabel yang berlebihan dan dapat mengganggu penafsiran yang
tepat dari hasil regresi berganda. Cara sederhana untuk mengidentifikasi collinearity adalah Toleransi dan Varian Inflation Factor VIF. Toleransi adalah
jumlah variabilitas variabel independen yang dipilih. Toleransi nilai mendekati 0.00 menunjukkan variabel sangat collinear dengan variabel prediktor lainnya.
Faktor inflasi varian berbanding terbalik dengan nilai toleransi. Sebuah nilai VIF yang besar, biasanya ambang 10,0 menunjukkan tingkat tinggi collinearity atau
multikolinieritas antar variabel independent, seperti pada tabel 4.5.
Collinearity Statistics Model
Beta In t
Sig. Partial
Correlation
Tabel 4.5. Multikolinearity Diagnostik
Tolerance VIF
Minimum Tolerance
DUKUNGAN SEKOLAH
,762
a
14,057 ,000
,376 ,047 21,212
,047 1
DUKUNGAN KELUARGA
,756
a
14,801 ,000
,393 ,052 19,107
,052 2 DUKUNGAN
KELUARGA ,501
b
5,458 ,000
,156 ,016 62,131
,014
a. Predictors in the Model: Constant, FASILITAS KAMPUS b. Predictors in the Model: Constant, FASILITAS KAMPUS, DUKUNGAN SEKOLAH
c. Dependent Variable: MINAT
Universitas Sumatera Utara
4.2.5. Implementasi ID3
Contoh dari manual implementasi ID3 terhadap pengukuran minat adalah sebagai berikut:
Tabel 4.6. Pengukuran Terhadap Minat Calon
Mahasiswa Fasilitas
Kampus Dukungan
Sekolah Dukungan
Keluarga Dukungan
Minat C1 Baik
Tinggi Tinggi
Minat C2 Baik
Sedang Tinggi
Minat C3 Baik
Sedang Rendah
Minat C4 Baik
Rendah Rendah
Tidak Minat
C5 Cukup Tinggi
Tinggi Minat
C6 Cukup Sedang
Tinggi Minat
C7 Cukup Sedang
Rendah Minat
C8 Cukup Rendah
Rendah Tidak
Minat C9 Buruk
Tinggi Tinggi
Minat C10 Buruk
Sedang Rendah
Tidak Minat
C11 Buruk Rendah
Tinggi Minat Dari data diatas disimpulkan:
a. Jumlah class target apakah minat? = 2 “Minat” dan “Tidak”
b. Jumlah sampel untuk kelas 1 “minat” = 8
P1 c.
Jumlah sampel untuk kelas 2 “tidak minat” = 3 P2
Entropy S = - log
2
– log
2
= 0.8454 8
11 8
11 3
11 3
11 Information Gain berdasarkan Fasilitas Kampus FK:
Values FK = “Baik”, “Cukup”, “Buruk” S = [8+, 3-]; |S| = 11
S
baik
= [3+, 1-]; |S
baik
| = 4 S
cukup
= [3+, 1-]; |S
cukup
| = 4 S
buruk
= [2+, 1-]; |S
buruk
| = 3 EntropyS = EntropyS = - log
2
– log
2
= 0.8454 EntropyS
baik
= - 34 log
2
34 – 14 log
2
14 = 0.8113 8
11 8
11 3
11 3
11 EntropyS
cukup
= - 34 log
2
34 – 14 log
2
14 = 0.8113 EntropyS
buruk
= - 23 log
2
23 – 13 log
2
13 = 0.9183
Universitas Sumatera Utara
Gain S,FK=EntropyS- EntropyS
v
=
| S
v
| | S |
v {Baik,Cukup,buruk}
EntropyS – 411 Entropy-S
baik
– 411EntropyS
cukup
-311EntropyS
buruk
= 0.8454 - 4110.8113 - 4110.8113 – 3110.9183 = 0.0049 Begitu juga dengan perhitungan gain untuk Dukungan Sekolah dan Dukungan
Keluarga, sehingga diperoleh hasil sebagai berikut: Gain S,FK = 0.0049
Gain S,DS = 0.2668 Gain S,DK = 0.4040
Dari perolehan information gain diperoleh tree sebagai berikut: tinggi
rendah minat
tinggi rendah
Dukungan Sekolah Dukungan Keluarga
tidak minat sedang tidak minat Fasilitas Kampus
baik buruk
minat cukup
tidak minat
minat
Gambar 4.11. Manual Decision Tree Terhadap Minat DK=tinggi
V
DK=rendahDS=sedangFK=baik
V
DK=rendahDS=sedangFK=cukup dukungan minat = minat
Berdasarkan implementasi manual dari algoritma ID3 tersebut diatas diperoleh rule sebagai berikut:
Jika DK ’tinggi’ atau Jika DK ‘rendah’ dan DS ‘sedang’ dan FK ‘baik’ atau
Jika DK ‘rendah’ dan DS ’sedang’ dan FK ‘cukup’ maka dukungan minat adalah Minat.
Universitas Sumatera Utara
4.2.6. Hasil Percobaan Decision Tree