Implementasi Metode Decision Tree Untuk
Muhammad Iqbal Arfi Tuala
Implementasi Metode Decision Tree Untuk Menentukan Klasifikasi
Bangunan Rumah Tinggal Di Bandar Lampung
Muhammad Iqbal Arfi Tuala
Fakultas Ilmu Komputer, Informatics & Business Institute Darmajaya
Jl. 2.A. Pagar Alam No. 93, Bandar Lampung – Indonesia 35142
Telp. (0721) 787214 Fax. (0721) 700261
email : iqbalarla11@gmail.com
ABSTRACT
Property is one of the very profitable business objects due to the possibility of the addition
of the huge selling value from time to time. The population growth in Indonesia every year
has increased every year so that the number of the demand on the dwelling house also
increases. However, the consumers usually do not know the classification and the
valuation of the house construction in selecting a house so that the process of selecting the
house is hindered.
The method of Decision Tree in the classification of the dwelling house with C4.5
algorithm was used to determine the classification and the value of the dwelling house.
The method of Decision Tree changed the large fact into a decision tree that represented
the rule. The case of the classification of the dwelling house started with the processing of
the training data using C4.5 algorithm to become the decision tree which was represented
in determining the classification rof the value of the dwelling house.
The process of this classification of the dwelling house used the method of Decision Tree.
Moreover, the C4.5 algorithm functioned to determine the classification and the valuation
of the dwelling house and to subtract the subjective assessment.
Keywords: Decision Tree, C4.5 Algoritm, Classification of Dwelling House
ABSTRAK
Properti merupakan salah satu objek bisnis yang sangat menguntungkan karena
kemungkinan penambahan nilai jual yang sangat besar dari waktu ke waktu. Pertumbuhan
penduduk di Indonesia setiap tahunnya selalu bertambah sehingga jumlah permintaan
kebutuhan akan tempat tinggal juga meningkat. Namun untuk memilih sebuah rumah
biasanya konsumen tidak mengetahui klasifikasi dan penilaian bangunan rumah, sehingga
menghambat dalam proses pemilihan sebuah rumah.
Pada penggunaan metode Decision Tree dalam kasus klasifikasi bangunan rumah tinggal,
dengan algoritma C4.5 dapat menentukan klasifikasi dan nilai bangunan rumah tinggal.
Metode Decision Tree mengubah fakta yang sangat besar menjadi pohon keputusan yang
merepresentasikan aturan. Kasus klasifikasi bangunan rumah tinggal dimulai dengan
memproses data training menggunakan algoritma C4.5 untuk menjadi pohon keputusan
Informatics and Business Institute Darmajaya
Page 1
Muhammad Iqbal Arfi Tuala
yang merepresentasikan aturan dalam menentukan klasifikasi dan nilai bangunan rumah
tinggal.
Dalam proses klasifikasi bangunan rumah tinggal menggunakan metode Decision Tree dan
algoritma C4.5 ini dapat menentukan klasifikasi dan penilaian bangunan rumah tinggal
serta mengurangi penilaian yang bersifat subjektif.
Kata Kunci : Decision Tree, Algoritma C4.5, Klasifikasi Bangunan Rumah
I.
PENDAHULUAN
Namun untuk memilih sebuah rumah
biasanya bangunan rumah yang dijual
1.1 Latar Belakang
tidak sesuai dengan penilaian (misalnya:
Properti merupakan salah satu objek
ada orang yang ingin membeli rumah
bisnis
menguntungkan.
tetapi rumah yang dijual bangunannya
Properti seperti misalnya rumah, tanah
tidak sesuai kriteria). Hal ini disebabkan,
maupun ruko juga merupakan salah satu
karena
investasi yang banyak diminati oleh para
klasifikasi
pebisnis
rumah, sehingga menghambat dalam
yang
sangat
karena
kemungkinan
penambahan nilai jual yang sangat besar
konsumen
dan
tidak
mengetahui
penilaian
bangunan
proses pemilihan sebuah rumah.
dari waktu ke waktu. Salah satu bagian
dari properti adalah bangunan, baik
Padahal,
jika
masyarakat
bangunan berupa rumah, gedung, toko
mengetahui klasifikasi bangunan rumah
dsb. Bangunan rumah ialah salah satu
yang dijual tersebut akan mempermudah
penilaian yang digunakan konsumen
dalam proses pemilihan bangunan rumah
untuk
sesuai yang diinginkan. Situasi tersebut
menentukan
proses
pemilihan
sebuah rumah.
dapat dihindari jika masyarakat memiliki
Seiring berjalannya waktu, pertumbuhan
penduduk di Indonesia setiap tahunnya
selalu
bertambah
permintaan
sehingga
kebutuhan
akan
jumlah
tempat
tinggal juga meningkat. Ini terbukti
dengan
semakin
perumahan
baru
banyak
dibangun
untuk
memenuhi
kebutuhan tempat tinggal masyarakat.
pengetahuan
tentang
klasifikasi
dan
penilaian bangunan rumah. Pengetahuan
tersebut dapat diperoleh dari buku atau
situs-situs
yang
membahas
tentang
klasifikasi bangunan rumah. Akan tetapi
untuk mempelajari hal tersebut tidaklah
mudah, karena selain memerlukan waktu
untuk
memahaminya,
sumber-sumber
tersebut juga belum tentu benar.
Informatics and Business Institute Darmajaya
Page 2
Muhammad Iqbal Arfi Tuala
dengan kriteria - kriteria yang
Berdasarkan
permasalahan
telah ditentukan sebelumnya.
tersebut, maka diperlukan sebuah sistem
1.4 Ruang Lingkup Penelitian
untuk menentukan klasifikasi bangunan
Ruang lingkup permasalahan atau yang
rumah yaitu : “Implementasi Metode
menjadi batasan dalam penelitian ini
Decision
adalah:
Tree
untuk
Menentukan
Klasifikasi Bangunan Rumah Tinggal di
1) Sistem
ini
digunakan
klasifikasi
untuk
Bandar Lampung”. Diharapkan dengan
menentukan
bangunan
sistem ini, pengguna dapat terbantu
rumah tinggal. Adapun atribut yang
dalam menentukan klasifikasi bangunan
digunakan adalah pondasi, struktur
rumah sesuai dengan kriteria-kriteria
bangunan, rangka atap, penutup atap,
yang telah ditetapkan.
plafond, lantai, dinding, pintu dan
jendela. Dan class yang digunakan
1.2 Tujuan Penelitian
1. Membuat
yaitu
untuk
mewah.
menentukan klasifikasi bangunan
2) Metode
rumah
sistem
tinggal
di
Bandar
sederhana
yang
menentukan
Lampung.
dan
menengah
digunakan
klasifkasi
dalam
bangunan
rumah tinggal adalah decision tree.
2. Membantu
masyarakat
dalam
3) Tempat
menentukan klasifikasi bangunan
Sudiono
rumah
dengan waktu penelitian selama satu
tinggal
di
Bandar
Lampung.
penelitian
ini
Awaludin
di KJPP
dan
Rekan
bulan satu minggu.
1.3 Manfaat Penelitian
II.
METODE PENELITIAN
1. Dengan adanya aplikasi ini dapat
menentukan klasifikasi bangunan
II.1 Sistem Pendukung Keputusan
rumah tinggal sehingga dapat
Menurut
membantu
”Pendukung
dalam
proses
pemilihan bangunan rumah sesuai
merupakan
yang diinginkan.
interaktif
2. Mengurangi
penilaian
yang
informasi,
(Kusrini
2007)
keputusan
sistem
yang
informasi
menyediakan
pemodelan,
dan
bersifat subjektif, sehingga pada
pemanipulasian data. Sistem itu
tahap
digunakan
penilaian
dapat
sesuai
Informatics and Business Institute Darmajaya
untuk
membantu
Page 3
Muhammad Iqbal Arfi Tuala
pengambilan keputusan dalam
menggunakan
situasi yang semiterstruktur dan
memberikan sejumlah aturan. Salah satu
situasi yang tidak terstruktur,
contoh yang mudah dan popular adalah
dimana tak seorang pun tahu
dengan decision tree yaitu salah satu
secara
metode klasifikasi yang paling populer
pasti
bagaimana
keputusan seharusnya dibuat.
mining
adalah
proses
yang
mempekerjakan satu atau lebih teknik
pembelajaran yang menggunakan teknik
statistik, matematika, kecerdasan buatan,
dan komputer (machine learning) untuk
menganalisis
untuk
karena mudah untuk diinterpretasi.
II.4 Decision Tree (Pohon Keputusan)
II.2 Data Mining
Data
hasilnya
dan
mengekstraksi
pengetahuan (knowledge) secara otomatis
(Hermawati 2013).
Pohon keputusan merupakan metode
klasifikasi dan prediksi yang sangat kuat
dan terkenal. Metode pohon keputusan
mengubah
fakta
menjadi
pohon
yang
sangat
keputusan
besar
yang
merepresentasikan aturan. Aturan dapat
dengan mudah dipahami dengan bahasa
alami.
Dan
mereka
juga
dapat
diekspresikan dalam bentuk bahasa basis
data seperti Structured Query Language
untuk mencari record pada kategori
tertentu (Kusrini 2009).
II.5 Algoritma C4.5
Secara umum Algoritma C4.5 digunakan
untuk
Gambar 2.1 Bidang Ilmu Data Mining
Klasifikasi adalah menentukan sebuah
keputusan
adapun langkah-langkah nya sebagai
a. Pilih atribut sebagai akar
record data baru ke salah satu dari
kategori(class)
pohon
berikut:
II.3 Klasifikasi
beberapa
membangun
yang
telah
didefinisikan sebelumnya. Teknik ini
dapat memberikan klasifikasi pada data
baru dengan memanipulasi data yang ada
yang telah diklasifikasi dan dengan
Informatics and Business Institute Darmajaya
b.
Buat
cabang
untuk
masing-masing nilai
c.
Bagi kasus dalam cabang
Ulangi proses untuk masing-masing
cabang sampai semua kasus pada
cabang memiliki kelas yang sama.
Page 4
Muhammad Iqbal Arfi Tuala
Untuk memilih atribut sebagai akar,
Planning
didasarkan pada nilai Gain tertinggi dari
atribut-atribut
menghitung
yang
Gain
ada.
Analysis
Untuk
digunakan
Design
rumus
Implementation
seperti tertera dalam rumus 1 berikut.
Gain(S,
A)
=
Entropy
(S)
n
¿ ¿ ¿ * Entropy(Si)
¿ Si ∨ ¿ S∨¿
∑
i=1
Dengan:
S
: Himpunan kasus
A : Atribut
n
: Jumlah partisi atribut A
|Si| : Jumlah kasus pada partisi ke i
|S| : Jumlah kasus dalam S
Maintenance
Gambar 2.2 Metode Pengembangan Model
-
Waterfall
2.7 Metode Pengumpulan Data
Metode
pengumpulan
data
yang
digunakan dalam penelitian ini adalah
sebagai berikut:
1. Wawancara
Sedangkan penhitungan nilai Entropy
Tahap awal dalam pengumpulan data
dapat dilihat pada rumus 2 berikut:
adalah
dengan
melakukan
wawancara kepada Bpk. Rinaldi
n
Entropy(S) = ∑ −¿ ¿ pi * log 2 pi
sebagai surveyor di KJPP Sudiono
Dengan :
S
: Himpunan Kasus
A : Fitur
n
: Jumlah partisi S
pi
: Proporsi dari Si terhadap S
Awalaudin
i=1
2. Dokumentasi
Metode ini dilakukan dengan cara
meminta data yang sudah tersedia di
KJPP Sudiono Awaludin dan Rekan
Metode waterfall merupakan salah satu
mengenai
metode dalam SDLC yang mempunyai
rumah
ciri khas pengerjaan setiap fase dalam
diselesaikan
terlebih
dahulu sebelum melanjutkan ke fase
selanjutnya.
Artinya
masing-masing
fase
fokus
dapat
untuk
klasifikasi bangunan rumah tinggal.
Lunak
harus
Rekan
menganalisis lebih dalam tentang
II.6 Metode Pengembangan Perangkat
waterfall
dan
klasifikasi
tinggal
bangunan
sederhana
dan
menengah mewah.
3. Studi Literatur
terhadap
dilakukan
maksimal karena tidak adanya pengerjaan
yang sifatnya paralel.
Informatics and Business Institute Darmajaya
Mencari literatur yang berkaitan
dengan penelitian, baik buku,
penelitian sebelumnya dan informasi
yang terdapat di internet yang bisa
menunjang penelitian.
Page 5
Muhammad Iqbal Arfi Tuala
2.8 Tahapan Pengembangan Sistem
tahap penggalian informasi dalam
2.8.1 Planning
Knowledge Discovery in Database.
Planning merupakan tahap awal dari
2) Pre-processing / Cleaning
pengembangan sistem. Dalam hal ini
Sebelum proses data mining dapat
menentukan
pengambilan
dilaksanakan, perlu dilakukan proses
keputusan yang akan dibuat dengan
cleaning pada data selection yang
cara
sistem,
terdiri dari pondasi, struktur, rangka,
sehingga pengguna dapat mengetahui
penutup, plafond, dinding, pintu &
tentang klasifikasi bangunan rumah
jendela dan lantai yang menjadi fokus
yang ditempati.
KDD. Proses cleaning mencakup
proses
menggambarkan
antara lain membuang duplikasi data,
2.8.2 Analysis
Analisis
dilakukan
berdasarkan
tahapan Data Knowledge Discovery
in
Database
(KDD).
Digunakan
untuk menjelaskan proses penggalian
informasi tersembunyi dalam suatu
basis data yang besar. Dan berikut
adalah tahapan dalam keseluruhan
memeriksa data yang inkonsisten, dan
memperbaiki kesalahan pada data,
seperti kesalahan cetak (tipografi).
3) Transformation
Mentransforamsikan data ke dalam
bentuk yang lebih sesuai untuk data
mining dalam bentuk coding dari
data selection yaitu pondasi, struktur,
proses KDD yaitu :
rangka, penutup, plafond, dinding,
2.8.2.1 Knowladge Discovery in
Database
pintu & jendela dan lantai yang akan
menghasilkan klasifikasi bangunan
1) Data Selection
Tahap ini adalah langkah awal
rumah tinggal dan data yang telah
dilakukan
cleaning
klasifikasi bangunan rumah.
processing
untuk
Pengambilan
yang
data yang akan di masukan ke dalam
mempengaruhi klasifikasi bangunan
database yang akan menjadi data
rumah
training dan di olah untuk klasifikasi
untuk
menentukan
yaitu
data
pondasi,
data
struktur
atau
mempersiapkan
bangunan, rangka atap, penutup atap,
bangunan
plafond, dinding, pintu & jendela
dengan metode Decision Tree.
rumah
pre-
tinggal
sesuai
serta lantai yang dilakukan dalam
Informatics and Business Institute Darmajaya
Page 6
Muhammad Iqbal Arfi Tuala
dan
kasus
berdasarkan
yang
atribut
dibagi
Pondasi,
Struktur, Rangka atap, Penutup
atap, Plafond, Dinding, Pintu &
Jendela dan Lantai. Setelah itu
lakukan perhitungan Gain untuk
masing-masing atribut.
Perhitungan
Entropy
menggunakan rumus 2 :
Entropy (Total)
=
(
−7
7
∗log 2 ( ))+¿
15
15
(
−8
8
∗log 2 ( ))
15
15
= 0.996791632
Entropy (Pondasi-Tapak) =
(
−6
6
−2
2
∗log 2 ( ))+( ∗log 2 ( ))
8
8
8
8
= 0.811278124
Entropy (Pondasi-Struktur) =
(
= 0.747784151
Gambar 2.3 Transformation
Entropy (Struktur-Beton) =
4) Data mining
Berikut
ini
adalah
pembentukan
dengan
−5
5
−1
1
∗log 2( ))+( ∗log 2 ( ))
7
7
7
7
perhitungan
(
−2
2
−5
5
∗log 2 ( ))+( ∗log 2 ( ))
7
7
7
7
pohon
keputusan
= 0.863120569
menggunakan
Algoritma
Entropy (Struktur-Rangka) =
C4.5 pada Gambar 2.3.
a. Menghitung
jumlah
kasus,
(
−5
5
−1
1
∗log 2( ))+( ∗log 2 ( ))
6
6
6
6
jumlah kasus untuk keputusan
= 0.650022422
Sederhana, jumlah kasus untuk
Entropy (Rangka-Beton) =
keputusan Menengah Mewah,
dan Entropy dari semua kasus
Informatics and Business Institute Darmajaya
(
−1
1
−3
3
∗log 2 ( ))+( ∗log 2( ))
4
4
4
4
= 0.811278124
Page 7
Muhammad Iqbal Arfi Tuala
Entropy (Rangka-Kayu) =
(
−6
6
−2
2
∗log 2 ( ))+( ∗log 2 ( ))
8
8
8
8
Perhitungan
Gain
menggunakan rumus 1 :
Gain(Total,Pondasi)
=
= 0.811278124
0.996791632
=
Entropy (Penutup-Kodok) =
0.215144028
(
−3
3
−1
1
∗log 2( ))+( ∗log 2( ))
4
4
4
4
= 0.811278124
Entropy (Plafond-Kayu) =
(
−1
1
−3
3
∗log 2 ( ))+( ∗log 2( ))
4
4
4
4
-¿
Gain(Total,Struktur)
=
0.996791632
-
7
2
6
( 15 ∗0.863120569 +( 15 ∗0)+( 15 ∗0.650022
(
)
= 0.333993065
= 0.811278124
Gain(Total,Rangka)
=
Entropy (Dinding-B.Bata) =
0.996791632
-
(
−3
3
−2
2
∗log 2( ))+( ∗log 2 ( ))
5
5
5
5
4
3
8
( 15 ∗0.811278124 +( 15 ∗0)+( 15 ∗0.811278
(
)
= 0.970950594
= 0.347769132
Entropy (Dinding-Batako) =
Gain(Total,Penutup)
=
0.996791632
-
(
−2
2
−1
1
∗log 2 ( ))+( ∗log 2( ))
3
3
3
3
= 0.918295834
4
4
3
4
( 15 ∗0 +( 15 ∗0)+( 15 ∗0)+( 15 ∗0.81127812
Entropy (Dinding-Spndex) =
= 0.780450799
(
−2
2
−1
1
∗log 2 ( ))+( ∗log 2( ))
3
3
3
3
= 0.918295834
Entropy (Pintu-Kusen III) =
(
−4
4
−1
1
∗log 2 ( ))+( ∗log 2 ( ))
5
5
5
5
= 0.721928095
Entropy (Pintu-K.Bening) =
−3
3
−1
1
( ∗log 2( ))+( ∗log 2( ))
4
4
4
4
= 0.811278124
Entropy (Lantai-Marmer) =
−2
2
−1
1
( ∗log 2 ( ))+( ∗log 2( ))
3
3
3
3
(
)
Gain(Total,Plafond)=0.99679
1632
((
-
6
5
4
∗0)+( ∗0)+( ∗0.811278124 ))
15
15
15
= 0.780450799
Gain(Total,Dinding)
=
0.996791632
-
5
2
3
( 15 ∗0.970950594 +( 15 ∗0)+( 15 ∗0.918295
(
)
= 0.3058231
Gain(Total,Pijen)
=
0.996791632
-
= 0.811278124
Informatics and Business Institute Darmajaya
Page 8
Muhammad Iqbal Arfi Tuala
1
5
4
3 Perhtungan
2 Node 1
Gambar 2.4
( 15 ∗0 +( 15 ∗0.721928095)+( 15 ∗0.811278124 )+( 15 ∗0)+( 15 ∗0))
Dari hasil pada Gambar 2.4 dapat
= 0.5398081
diketahui bahwa atribut dengan Gain
Gain(Total,Lantai)
=
tertinggi adalah Lantai yaitu sebesar
0.996791632
0.813132465. Dengan demikian Lantai
(
)
2
3
4
3
3
menjadi node akar. Dari kelima
( 15 ∗0 +( 15 ∗0)+( 15 ∗0)+( 15 ∗0)+( 15dapat
∗0.918295834))
nilai atribut tersebut, nilai atribut
= 0.813132465
Semen Ekspose, Keramik 30 X 30
Hasil perhitungan ditunjukkan
sudah
mengklasifikasikan
kasus
oleh Gambar 2.4.
menjadi Sederhana dan Keramik 40 X
(
)
40,
Keramik
60
mengklasifikasikan
X
60
kasus
sudah
menjadi
Menengah Mewah, sehingga tidak
perlu dilakukan perhitungan lebih
lanjut,
tetapi
Marmer
untuk
masih
nilai
perlu
atribut
dilakukan
perhitungan lagi. Dari hasil tersebut
dapat digambarkan pohon keputusan
seperti Gambar 2.5.
1
LANTAI
SEMEN EKSPOSE
SEDERHANA
MARMER
KERAMIK 30 X 30
KERAMIK 60 X 60
1.1
?
SEDERHANA
KERAMIK 40 X 40
MENENGAH
MEWAH
MENENGAH
MEWAH
Gambar 2.5 Pohon Keputusan Node 1
b. Setelah
melakukan
proses
perhitungan node 1, terdapat nilai
atribut yang tidak menuju ke
hasil.
Atribut
dilakukan
untuk
Informatics and Business Institute Darmajaya
tersebut
proses
menentukan
perlu
perhitungan
node
akar
Page 9
Muhammad Iqbal Arfi Tuala
selanjutnya.
Perhitungan
selanjutnya
yaitu
node
dengan
menghitung jumlah kasus yang
diawali
lantai-marmer
yang
menuju keputusan Sederhana dan
Menengah Mewah. Dan Entropy
dari semua kasus yang dibagi
berdasarkan
atribut
Struktur, Rangka atap, Penutup
atap, Plafond, Dinding, Pintu &
Jendela.
Setelah
itu
lakukan
perhitungan Gain dan Entropy
seperti perhitungan node 1 untuk
masing-masing
perhitungan
Gambar 2.6.
Gambar 2.6 Perhtungan Node 1.1.
Pondasi,
atribut.
ditunjukkan
Hasil
pada
Dari hasil pada Gambar 2.6 dapat
diketahui bahwa atribut dengan Gain
tertinggi adalah Penutup atap, Plafond,
Dinding, Pintu & Jendela yaitu sebesar
0.918295834.
Karena
nilai
Gain
tertinggi lebih dari satu, dengan
demikian dapat memilih atribut secara
acak. Plafond dapat menjadi node akar
selanjutnya. Ada 3 nilai atribut dari
Plafond yaitu Triplek, Gypsumboard,
Kayu(lambressering).
1
LANTAI
SEMEN EKSPOSE
SEDERHANA
KERAMIK 30 X 30
SEDERHANA
TRIPLEK
SEDERHANA
MARMER
1.1
PLAFOND
GYPSUMBOARD
MENENGAH
MEWAH
KERAMIK 60 X 60
KERAMIK 40 X 40
MENENGAH
MEWAH
MENENGAH
MEWAH
KAYU
(lambressering)
SEDERHANA
Gambar 2.7 Pohon Keputusan Node 1.1
5) Interpretation / Evaluation
Pola informasi yang dihasilkan dari
proses data mining perlu ditampilkan
Informatics and Business Institute Darmajaya
Page 10
Muhammad Iqbal Arfi Tuala
dalam bentuk yang mudah dimengerti
untuk konteks dapat dilihat pada
oleh
gambar 2.9 berikut ini :
pihak
yang
berkepentingan.
Tahap ini merupakan bagian dari
proses
KDD
yang
Informasi Bangunan
disebut
USER
interpretation.
Proses Klasifikasi
Material Bangunan
KLASIFIKASI
BANGUNAN
RUMAH TINGGAL
Hasil Klasifikasi
ADMIN
Data Testing
Data Training
Gambar 2.9 Diagram Context (DFD) Level 0
b. Data Flow Diagram Level 1
Data Flow Diagram Level satu di
gambarkan admin melakukan proses
penginputan
data training,
data
testing dan data material, kemudian
Gambar 2.8 Interpretation Data Mining
2.8.3 Design (Perancangan)
Proses desain sistem yang membagi
kebutuhan-kebutuhan sistem yang mana
hasil penelitian ini dikhususkan sebagai
penunjang klasifikasi bangunan rumah
tinggal. Perancangan dan pembuatan
sistem ini menghasilkan arsitektur sistem
data disimpam kedalam database
masing-masing. Database tersebut
digunakan untuk keperluan proses
klasifikasi bangunan rumah. Sistem
akan memberikan informasi tentang
klasifikasi
bangunan
berdasarkan
material yang dipilih oleh user.
Lebih jelasnya dapat dilihat pada
gambar 3.8.
secara keseluruhan. Pada tahapan ini
proses desain sistem dibagi berdasarkan
kebutuhan-kebutuhan berdasarkan analisis
ke dalam bentuk yang mudah dimengerti
pengguna.
2.8.3.1 Data Flow Diagram
a. Data Flow Diagram Level 0
Diagram konteks merupakan DFD
level
0
yang
menggambarkan
seluruh input ke sistem atau output
dari sistem. Data Flow Diagram
Informatics and Business Institute Darmajaya
Page 11
Muhammad Iqbal Arfi Tuala
Data Training
Login Admin
Login
Admin
Proses Data
Training
Akses Program
Data Training
Data Training
LOGIN
DATABASE
Informasi
Data Training
ADMIN
Data Testing
Informasi Data Testing
Proses Data
Testing
Data Testing
PROSES
KLASIFIKASI
Data Testing
Klasifkasibangunan.
freeoda.com
Data Material
Informasi Data Material
Proses Data
Material
Material
Proses
Analisis
Analisis
Material
Data Analisis
Informasi Analisis
Data Algoritma C4.5
Proses
Algoritma
C4.5
Analisis
USER/KONSUMEN
ADMIN
Gambar 2.11 Arsitektur Sistem Klasifikasi
Algoritma C4.5
Algoritma C4.5
Bangunan Rumah
Informasi Bangunan
Proses Klasifikasi
Klasifikasi
Bangunan
Rumah Tinggal
USER
III.
Hasil Klasifikasi
HASIL PENELITIAN DAN
PEMBAHASAN
Gambar 2.10 Data Flow Diagram Level 1
2.8.3.2 Arsitektur Sistem
3.1 Hasil Penelitian
Arsitektur sistem adalah istilah untuk
Pada pembahasan ini menjelaskan hasil
menyatakan bagaimana mendefinisikan
perancangan klasifikasi bangunan rumah
komponen-komponen yang lebih spesifik
tinggal
secara terstruktur. Pada arsitektur sistem
dirancang untuk memudahkan dalam
ini menggambarkan user dan admin dalam
proses pemilihan rumah. Adapun aplikasi
menggunakan aplikasi. Arsitektur sistem
tersebut meliputi :
di
Bandar
Lampung
yang
klasifikasi bangunan rumah tinggal dapat
dilihat pada gambar 2.11.
3.1.1 Tampilan Halaman Utama
Pada halaman utama terdapat empat
submenu utama yaitu menu home, menu
proses
bangunan,
menu
informasi
bangunan dan menu login. Berikut
tampilan halaman utama dapat dilihat
pada gambar 3.1
Informatics and Business Institute Darmajaya
Page 12
Muhammad Iqbal Arfi Tuala
rangka atap, menu penutup atap, menu
plafond, menu dinding, menu pintu &
jendela dan menu lantai. Berikut tampilan
menu informasi bangunan dapat dilihat
pada gambar 3.3 dan gambar 3.4.
Gambar 3.1 Halaman Utama.
3.1.2 Tampilan Halaman Proses
Bangunan
User
dapat
menentukan
klasifikasi
bangunan rumah tinggal sesuai material
yang ada. Berikut tampilan halaman
Gambar 3.3 Halaman Informasi
proses bangunan dapat dilihat pada
Bangunan Pondasi, Struktur, Rangka
Atap dan Penutup Atap.
gambar 3.2.
Gambar 3.2 Halaman Proses
Gambar 3.4 Halaman Informasi
Bangunan.
Bangunan Plafond, Dinding, Pintu &
3.1.3 Tampilan Halaman Informasi
Bangunan
Halaman informasi bangunan digunakan
untuk user melihat gambar material
bangunan rumah. Halaman informasi
bangunan terdiri dari 8 sub menu, yaitu
menu pondasi, menu struktur, menu
Jendela dan Lantai
3.1.4 Tampilan Halaman Login
Halaman login digunakan untuk admin
yang
memiliki
hak
akses.
Berikut
tampilan menu login dapat dilihat pada
gambar 3.5.
Informatics and Business Institute Darmajaya
Page 13
Muhammad Iqbal Arfi Tuala
lihat dan tambah data dapat dilihat pada
gambar 3.7, 3.8 dan gambar 3.9.
Gambar 3.5 Halaman Login.
3.1.5 Tampilan Halaman Admin
Gambar 3.7 Halaman Data Training
Halaman
admin
digunakan
untuk
(Lihat Data)
menambahkan, mengedit dan menghapus
data. Pada halaman admin terdapat empat
submenu, yaitu menu data training, menu
material, menu data testing dan menu
analisis. Berikut tampilan halaman admin
dapat dilihat pada gambar 3.6.
Gambar 3.8 Halaman Data Training
(Tambah Data).
Gambar 3.6 Halaman Admin.
Gambar 3.9 Halaman Data Training
3.1.6 Tampilan Halaman Data
(Cetak Data).
Training
Halaman data training digunakan untuk
3.1.7 Tampilan Halaman Material
Bangunan
melihat, menambahkan dan mencetak
data training. Pada halaman data training
terdapat dua sub menu, yaitu lihat data
dan tambah data. Berikut tampilan menu
Halaman material bangunan digunakan
untuk
menambahkan,
mengedit
dan
menghapus data material. Pada halaman
Informatics and Business Institute Darmajaya
Page 14
Muhammad Iqbal Arfi Tuala
material bangunan terdapat 9 submenu,
lihat dan tambah data dapat dilihat pada
yaitu pondasi, struktur, rangka atap,
gambar 3.12, 3.13 dan gambar 3.14.
penutup atap, plafond, dinding, pintu &
jendela, lantai dan jenis. Berikut tampilan
menu tambah dan lihat pondasi dapat
dilihat pada gambar 3.10 dan gambar
3.11.
Gambar 3.12 Halaman Data Testing
(Lihat Data).
Gambar 3.10 Halaman Material
Bangunan (Lihat Data Pondasi).
Gambar 3.13 Halaman Data Testing
(Tambah Data).
Gambar 3.11 Halaman Material
Bangunan (Tambah Data Pondasi).
Gambar 3.14 Halaman Data Testing
3.1.8 Tampilan Halaman Data Testing
(Cetak Data).
Halaman data testing digunakan untuk
melihat, menambahkan dan mencetak
3.1.9 Tampilan Halaman Analisis
data testing. Pada halaman data testing
Halaman analisis menampilkan hasil
terdapat dua sub menu, yaitu lihat data
persamaan antara data training dan data
dan tambah data. Berikut tampilan menu
testing. Berikut tampilan menu analisis
dapat dilihat pada gambar 3.15.
Informatics and Business Institute Darmajaya
Page 15
Muhammad Iqbal Arfi Tuala
3.2 Pembahasan
Implementasi metode decision tree untuk
menentukan klasifikasi bangunan rumah
tinggal
di
Bandar
menjelaskan,
Lampung
masyarakat
ini
dapat
menetukan klasifikasi bangunan rumah
Gambar 3.15 Halaman Analisis.
tinggal
dengan
memilih
material
bangunan rumah. Setelah selesai memilih
3.1.10 Tampilan Halaman Algoritma
C4.5
material bangunan, maka sistem akan
memunculkan hasil klasifikasi bangunan
Halaman Algoritma C4.5 menampilkan
rumah apakah jenis bangunan rumah
hasil perhitungan node awal hingga akhir
tersebut
dari data training. Berikut tampilan menu
Mewah serta material yang dipilih oleh
Algoritma
user. Sistem klasifikasi bangunan rumah
C4.5
dapat
dilihat
pada
gambar 3.16 dan 3.17.
tinggal
Sederhana
ini
atau
memiliki
Menengah
kelebihan
dan
kekurangan.
Kelebihan sistem yang berjalan :
1) Sistem
rumah
klasifikasi
tinggal
menentukan
jenis
bangunan
ini
dapat
bangunan
rumah tinggal Sederhana dan
Menengah Mewah.
Gambar 3.16 Halaman Algoritma
C4.5 (Node 1).
2) Sistem ini dapat membantu dalam
pemilihan bangunan rumah sesuai
kriteria.
3) Sistem
ini
dapat
melakukan
perbandingan hasil data training
dan data testing.
Kekurangan sistem yang berjalan :
Gambar 3.17 Halaman Algoritma
1) Jumlah data training yang hanya
C4.5 (Node 1.1).
Informatics and Business Institute Darmajaya
15 sample.
Page 16
Muhammad Iqbal Arfi Tuala
2) Sulitnya
mengetahui
material
2. Pada aplikasi klasifikasi bangunan
bangunan rumah seperti pondasi
rumah tinggal ini tidak memberikan
dan
hasil
struktur
pada
bangunan
rumah yang sudah jadi.
yang
aplikasi
3) User harus mengetahui tentang
yang
menentukan
material bangunan rumah.
rumah
optimal,
dikarenakan
dibuat
klasifikasi
tinggal
hanya
bangunan
sederhana
dan
menengah mewah.
3.3 Pengujan Sistem
DAFTAR PUSTAKA
Setelah tahap pembuatan dilakukan,
maka program perlu diuji.
Andriani, A. 2013. Sistem Pendukung
1) Pengujian dilakukan dengan
Keputusan Berbasis Decision Tree
menjalankan sistem dengan
Dalam Pemberian Beasiswa Studi
menggunakan laptop dengan alamat
Kasus : AMIK “ BSI Yogyakarta ”,
local http:/localhost/klasifikasi.
Jurnal Seminar Nasional Teknologi
Proses berjalan dengan baik, semua
Informasi dan Komunikasi, ISSN:
tampilan dan menu dapat di akses.
2089-9815 : 163-167.
2) Pengujian dilakukan dengan
https://fti.uajy.ac.id/sentika/publikas
membandingkan hasil data training
i/makalah/2013/2013_23. (Diakses
dengan hasil data testing dengan
21 Juni 2016 10:52 wib)
tingkat akurasi 100 %.
Augusto, J, dan Mudjihartono. P. 2012.
IV.
SIMPULAN
Analisis Efektivitas Algoritma C4 .5
dalam Menentukan Peserta
4.1 Simpulan
Berdasarkan
Pemenang Tender Projek, Jurnal
latar
belakang
pembahasan-pembahasan
pada
serta
bab
Seminar Nasional Teknologi
Informasi dan Komunikasi, ISBN:
sebelumnya, maka dapat disimpulkan
978-602-19837-0-6, 7-11.
bahwa :
http://demo.pohonkeputusan.com/fil
es/Analisis_Efektivitas_Algoritma_
1. Aplikasi
digunakan
yang
untuk
dibuat
dapat
menentukan
C4.5
dalam_Menentukan_Peserta_Pemen
klasifikasi bangunan rumah tinggal.
Informatics and Business Institute Darmajaya
Page 17
Muhammad Iqbal Arfi Tuala
ang_Tender_Projek. (Diakses 21
Juni 2016 10:41 wib)
Kusrini, 2009. Algoritma Data Mining,
Yogyakarta: Andi.
Azmi, Z. et al. 1978. Decision Tree
Berbasis Algoritma Untuk
Kusrini, 2007. Konsep dan Aplikasi
Pengambilan Keputusan, Jurnal
Sistem Pendukung Keputusan,
Ilmiah Saintikom, 12(3): 157–164.
Yogyakarta: Andi.
http://lppm.trigunadharma.ac.id/publ
ic/fileJurnal/hp7mJurnal%2012-32013_1%20zulfian. (Diakses 21 Juni
2016 10:52 wib)
Dipaloka, A. 2016. Penerapan Decision
Tree untuk Penentuan Pola Data
Penerimaan Mahasiswa Baru.
Jurnal Penelitian Sitrotika, 7(1),
ISSN: 1693-9670.
https://www.researchgate.net/profile
/Aradea_Dipaloka/publication/2677
57302_Penerapan_Decision_Tree_u
ntuk_Penentuan_Pola_Data_Peneri
maan_Mahasiswa_Baru/links/
5459dd200cf2bccc4912d6a8.pdf?
origin=publication_detail. (Diakses
21 Juni 2016 10:47 wib)
Hermawati, F.A., 2013. DATA MINING,
Surabaya: Andi.
Jogiyanto, 2005. Analisis dan Desain
Sistem Informasi : Pendekatan
Terstruktur Teori dan Praktik
Aplikasi Bisnis, Yogyakarta: Andi.
Informatics and Business Institute Darmajaya
Page 18
Implementasi Metode Decision Tree Untuk Menentukan Klasifikasi
Bangunan Rumah Tinggal Di Bandar Lampung
Muhammad Iqbal Arfi Tuala
Fakultas Ilmu Komputer, Informatics & Business Institute Darmajaya
Jl. 2.A. Pagar Alam No. 93, Bandar Lampung – Indonesia 35142
Telp. (0721) 787214 Fax. (0721) 700261
email : iqbalarla11@gmail.com
ABSTRACT
Property is one of the very profitable business objects due to the possibility of the addition
of the huge selling value from time to time. The population growth in Indonesia every year
has increased every year so that the number of the demand on the dwelling house also
increases. However, the consumers usually do not know the classification and the
valuation of the house construction in selecting a house so that the process of selecting the
house is hindered.
The method of Decision Tree in the classification of the dwelling house with C4.5
algorithm was used to determine the classification and the value of the dwelling house.
The method of Decision Tree changed the large fact into a decision tree that represented
the rule. The case of the classification of the dwelling house started with the processing of
the training data using C4.5 algorithm to become the decision tree which was represented
in determining the classification rof the value of the dwelling house.
The process of this classification of the dwelling house used the method of Decision Tree.
Moreover, the C4.5 algorithm functioned to determine the classification and the valuation
of the dwelling house and to subtract the subjective assessment.
Keywords: Decision Tree, C4.5 Algoritm, Classification of Dwelling House
ABSTRAK
Properti merupakan salah satu objek bisnis yang sangat menguntungkan karena
kemungkinan penambahan nilai jual yang sangat besar dari waktu ke waktu. Pertumbuhan
penduduk di Indonesia setiap tahunnya selalu bertambah sehingga jumlah permintaan
kebutuhan akan tempat tinggal juga meningkat. Namun untuk memilih sebuah rumah
biasanya konsumen tidak mengetahui klasifikasi dan penilaian bangunan rumah, sehingga
menghambat dalam proses pemilihan sebuah rumah.
Pada penggunaan metode Decision Tree dalam kasus klasifikasi bangunan rumah tinggal,
dengan algoritma C4.5 dapat menentukan klasifikasi dan nilai bangunan rumah tinggal.
Metode Decision Tree mengubah fakta yang sangat besar menjadi pohon keputusan yang
merepresentasikan aturan. Kasus klasifikasi bangunan rumah tinggal dimulai dengan
memproses data training menggunakan algoritma C4.5 untuk menjadi pohon keputusan
Informatics and Business Institute Darmajaya
Page 1
Muhammad Iqbal Arfi Tuala
yang merepresentasikan aturan dalam menentukan klasifikasi dan nilai bangunan rumah
tinggal.
Dalam proses klasifikasi bangunan rumah tinggal menggunakan metode Decision Tree dan
algoritma C4.5 ini dapat menentukan klasifikasi dan penilaian bangunan rumah tinggal
serta mengurangi penilaian yang bersifat subjektif.
Kata Kunci : Decision Tree, Algoritma C4.5, Klasifikasi Bangunan Rumah
I.
PENDAHULUAN
Namun untuk memilih sebuah rumah
biasanya bangunan rumah yang dijual
1.1 Latar Belakang
tidak sesuai dengan penilaian (misalnya:
Properti merupakan salah satu objek
ada orang yang ingin membeli rumah
bisnis
menguntungkan.
tetapi rumah yang dijual bangunannya
Properti seperti misalnya rumah, tanah
tidak sesuai kriteria). Hal ini disebabkan,
maupun ruko juga merupakan salah satu
karena
investasi yang banyak diminati oleh para
klasifikasi
pebisnis
rumah, sehingga menghambat dalam
yang
sangat
karena
kemungkinan
penambahan nilai jual yang sangat besar
konsumen
dan
tidak
mengetahui
penilaian
bangunan
proses pemilihan sebuah rumah.
dari waktu ke waktu. Salah satu bagian
dari properti adalah bangunan, baik
Padahal,
jika
masyarakat
bangunan berupa rumah, gedung, toko
mengetahui klasifikasi bangunan rumah
dsb. Bangunan rumah ialah salah satu
yang dijual tersebut akan mempermudah
penilaian yang digunakan konsumen
dalam proses pemilihan bangunan rumah
untuk
sesuai yang diinginkan. Situasi tersebut
menentukan
proses
pemilihan
sebuah rumah.
dapat dihindari jika masyarakat memiliki
Seiring berjalannya waktu, pertumbuhan
penduduk di Indonesia setiap tahunnya
selalu
bertambah
permintaan
sehingga
kebutuhan
akan
jumlah
tempat
tinggal juga meningkat. Ini terbukti
dengan
semakin
perumahan
baru
banyak
dibangun
untuk
memenuhi
kebutuhan tempat tinggal masyarakat.
pengetahuan
tentang
klasifikasi
dan
penilaian bangunan rumah. Pengetahuan
tersebut dapat diperoleh dari buku atau
situs-situs
yang
membahas
tentang
klasifikasi bangunan rumah. Akan tetapi
untuk mempelajari hal tersebut tidaklah
mudah, karena selain memerlukan waktu
untuk
memahaminya,
sumber-sumber
tersebut juga belum tentu benar.
Informatics and Business Institute Darmajaya
Page 2
Muhammad Iqbal Arfi Tuala
dengan kriteria - kriteria yang
Berdasarkan
permasalahan
telah ditentukan sebelumnya.
tersebut, maka diperlukan sebuah sistem
1.4 Ruang Lingkup Penelitian
untuk menentukan klasifikasi bangunan
Ruang lingkup permasalahan atau yang
rumah yaitu : “Implementasi Metode
menjadi batasan dalam penelitian ini
Decision
adalah:
Tree
untuk
Menentukan
Klasifikasi Bangunan Rumah Tinggal di
1) Sistem
ini
digunakan
klasifikasi
untuk
Bandar Lampung”. Diharapkan dengan
menentukan
bangunan
sistem ini, pengguna dapat terbantu
rumah tinggal. Adapun atribut yang
dalam menentukan klasifikasi bangunan
digunakan adalah pondasi, struktur
rumah sesuai dengan kriteria-kriteria
bangunan, rangka atap, penutup atap,
yang telah ditetapkan.
plafond, lantai, dinding, pintu dan
jendela. Dan class yang digunakan
1.2 Tujuan Penelitian
1. Membuat
yaitu
untuk
mewah.
menentukan klasifikasi bangunan
2) Metode
rumah
sistem
tinggal
di
Bandar
sederhana
yang
menentukan
Lampung.
dan
menengah
digunakan
klasifkasi
dalam
bangunan
rumah tinggal adalah decision tree.
2. Membantu
masyarakat
dalam
3) Tempat
menentukan klasifikasi bangunan
Sudiono
rumah
dengan waktu penelitian selama satu
tinggal
di
Bandar
Lampung.
penelitian
ini
Awaludin
di KJPP
dan
Rekan
bulan satu minggu.
1.3 Manfaat Penelitian
II.
METODE PENELITIAN
1. Dengan adanya aplikasi ini dapat
menentukan klasifikasi bangunan
II.1 Sistem Pendukung Keputusan
rumah tinggal sehingga dapat
Menurut
membantu
”Pendukung
dalam
proses
pemilihan bangunan rumah sesuai
merupakan
yang diinginkan.
interaktif
2. Mengurangi
penilaian
yang
informasi,
(Kusrini
2007)
keputusan
sistem
yang
informasi
menyediakan
pemodelan,
dan
bersifat subjektif, sehingga pada
pemanipulasian data. Sistem itu
tahap
digunakan
penilaian
dapat
sesuai
Informatics and Business Institute Darmajaya
untuk
membantu
Page 3
Muhammad Iqbal Arfi Tuala
pengambilan keputusan dalam
menggunakan
situasi yang semiterstruktur dan
memberikan sejumlah aturan. Salah satu
situasi yang tidak terstruktur,
contoh yang mudah dan popular adalah
dimana tak seorang pun tahu
dengan decision tree yaitu salah satu
secara
metode klasifikasi yang paling populer
pasti
bagaimana
keputusan seharusnya dibuat.
mining
adalah
proses
yang
mempekerjakan satu atau lebih teknik
pembelajaran yang menggunakan teknik
statistik, matematika, kecerdasan buatan,
dan komputer (machine learning) untuk
menganalisis
untuk
karena mudah untuk diinterpretasi.
II.4 Decision Tree (Pohon Keputusan)
II.2 Data Mining
Data
hasilnya
dan
mengekstraksi
pengetahuan (knowledge) secara otomatis
(Hermawati 2013).
Pohon keputusan merupakan metode
klasifikasi dan prediksi yang sangat kuat
dan terkenal. Metode pohon keputusan
mengubah
fakta
menjadi
pohon
yang
sangat
keputusan
besar
yang
merepresentasikan aturan. Aturan dapat
dengan mudah dipahami dengan bahasa
alami.
Dan
mereka
juga
dapat
diekspresikan dalam bentuk bahasa basis
data seperti Structured Query Language
untuk mencari record pada kategori
tertentu (Kusrini 2009).
II.5 Algoritma C4.5
Secara umum Algoritma C4.5 digunakan
untuk
Gambar 2.1 Bidang Ilmu Data Mining
Klasifikasi adalah menentukan sebuah
keputusan
adapun langkah-langkah nya sebagai
a. Pilih atribut sebagai akar
record data baru ke salah satu dari
kategori(class)
pohon
berikut:
II.3 Klasifikasi
beberapa
membangun
yang
telah
didefinisikan sebelumnya. Teknik ini
dapat memberikan klasifikasi pada data
baru dengan memanipulasi data yang ada
yang telah diklasifikasi dan dengan
Informatics and Business Institute Darmajaya
b.
Buat
cabang
untuk
masing-masing nilai
c.
Bagi kasus dalam cabang
Ulangi proses untuk masing-masing
cabang sampai semua kasus pada
cabang memiliki kelas yang sama.
Page 4
Muhammad Iqbal Arfi Tuala
Untuk memilih atribut sebagai akar,
Planning
didasarkan pada nilai Gain tertinggi dari
atribut-atribut
menghitung
yang
Gain
ada.
Analysis
Untuk
digunakan
Design
rumus
Implementation
seperti tertera dalam rumus 1 berikut.
Gain(S,
A)
=
Entropy
(S)
n
¿ ¿ ¿ * Entropy(Si)
¿ Si ∨ ¿ S∨¿
∑
i=1
Dengan:
S
: Himpunan kasus
A : Atribut
n
: Jumlah partisi atribut A
|Si| : Jumlah kasus pada partisi ke i
|S| : Jumlah kasus dalam S
Maintenance
Gambar 2.2 Metode Pengembangan Model
-
Waterfall
2.7 Metode Pengumpulan Data
Metode
pengumpulan
data
yang
digunakan dalam penelitian ini adalah
sebagai berikut:
1. Wawancara
Sedangkan penhitungan nilai Entropy
Tahap awal dalam pengumpulan data
dapat dilihat pada rumus 2 berikut:
adalah
dengan
melakukan
wawancara kepada Bpk. Rinaldi
n
Entropy(S) = ∑ −¿ ¿ pi * log 2 pi
sebagai surveyor di KJPP Sudiono
Dengan :
S
: Himpunan Kasus
A : Fitur
n
: Jumlah partisi S
pi
: Proporsi dari Si terhadap S
Awalaudin
i=1
2. Dokumentasi
Metode ini dilakukan dengan cara
meminta data yang sudah tersedia di
KJPP Sudiono Awaludin dan Rekan
Metode waterfall merupakan salah satu
mengenai
metode dalam SDLC yang mempunyai
rumah
ciri khas pengerjaan setiap fase dalam
diselesaikan
terlebih
dahulu sebelum melanjutkan ke fase
selanjutnya.
Artinya
masing-masing
fase
fokus
dapat
untuk
klasifikasi bangunan rumah tinggal.
Lunak
harus
Rekan
menganalisis lebih dalam tentang
II.6 Metode Pengembangan Perangkat
waterfall
dan
klasifikasi
tinggal
bangunan
sederhana
dan
menengah mewah.
3. Studi Literatur
terhadap
dilakukan
maksimal karena tidak adanya pengerjaan
yang sifatnya paralel.
Informatics and Business Institute Darmajaya
Mencari literatur yang berkaitan
dengan penelitian, baik buku,
penelitian sebelumnya dan informasi
yang terdapat di internet yang bisa
menunjang penelitian.
Page 5
Muhammad Iqbal Arfi Tuala
2.8 Tahapan Pengembangan Sistem
tahap penggalian informasi dalam
2.8.1 Planning
Knowledge Discovery in Database.
Planning merupakan tahap awal dari
2) Pre-processing / Cleaning
pengembangan sistem. Dalam hal ini
Sebelum proses data mining dapat
menentukan
pengambilan
dilaksanakan, perlu dilakukan proses
keputusan yang akan dibuat dengan
cleaning pada data selection yang
cara
sistem,
terdiri dari pondasi, struktur, rangka,
sehingga pengguna dapat mengetahui
penutup, plafond, dinding, pintu &
tentang klasifikasi bangunan rumah
jendela dan lantai yang menjadi fokus
yang ditempati.
KDD. Proses cleaning mencakup
proses
menggambarkan
antara lain membuang duplikasi data,
2.8.2 Analysis
Analisis
dilakukan
berdasarkan
tahapan Data Knowledge Discovery
in
Database
(KDD).
Digunakan
untuk menjelaskan proses penggalian
informasi tersembunyi dalam suatu
basis data yang besar. Dan berikut
adalah tahapan dalam keseluruhan
memeriksa data yang inkonsisten, dan
memperbaiki kesalahan pada data,
seperti kesalahan cetak (tipografi).
3) Transformation
Mentransforamsikan data ke dalam
bentuk yang lebih sesuai untuk data
mining dalam bentuk coding dari
data selection yaitu pondasi, struktur,
proses KDD yaitu :
rangka, penutup, plafond, dinding,
2.8.2.1 Knowladge Discovery in
Database
pintu & jendela dan lantai yang akan
menghasilkan klasifikasi bangunan
1) Data Selection
Tahap ini adalah langkah awal
rumah tinggal dan data yang telah
dilakukan
cleaning
klasifikasi bangunan rumah.
processing
untuk
Pengambilan
yang
data yang akan di masukan ke dalam
mempengaruhi klasifikasi bangunan
database yang akan menjadi data
rumah
training dan di olah untuk klasifikasi
untuk
menentukan
yaitu
data
pondasi,
data
struktur
atau
mempersiapkan
bangunan, rangka atap, penutup atap,
bangunan
plafond, dinding, pintu & jendela
dengan metode Decision Tree.
rumah
pre-
tinggal
sesuai
serta lantai yang dilakukan dalam
Informatics and Business Institute Darmajaya
Page 6
Muhammad Iqbal Arfi Tuala
dan
kasus
berdasarkan
yang
atribut
dibagi
Pondasi,
Struktur, Rangka atap, Penutup
atap, Plafond, Dinding, Pintu &
Jendela dan Lantai. Setelah itu
lakukan perhitungan Gain untuk
masing-masing atribut.
Perhitungan
Entropy
menggunakan rumus 2 :
Entropy (Total)
=
(
−7
7
∗log 2 ( ))+¿
15
15
(
−8
8
∗log 2 ( ))
15
15
= 0.996791632
Entropy (Pondasi-Tapak) =
(
−6
6
−2
2
∗log 2 ( ))+( ∗log 2 ( ))
8
8
8
8
= 0.811278124
Entropy (Pondasi-Struktur) =
(
= 0.747784151
Gambar 2.3 Transformation
Entropy (Struktur-Beton) =
4) Data mining
Berikut
ini
adalah
pembentukan
dengan
−5
5
−1
1
∗log 2( ))+( ∗log 2 ( ))
7
7
7
7
perhitungan
(
−2
2
−5
5
∗log 2 ( ))+( ∗log 2 ( ))
7
7
7
7
pohon
keputusan
= 0.863120569
menggunakan
Algoritma
Entropy (Struktur-Rangka) =
C4.5 pada Gambar 2.3.
a. Menghitung
jumlah
kasus,
(
−5
5
−1
1
∗log 2( ))+( ∗log 2 ( ))
6
6
6
6
jumlah kasus untuk keputusan
= 0.650022422
Sederhana, jumlah kasus untuk
Entropy (Rangka-Beton) =
keputusan Menengah Mewah,
dan Entropy dari semua kasus
Informatics and Business Institute Darmajaya
(
−1
1
−3
3
∗log 2 ( ))+( ∗log 2( ))
4
4
4
4
= 0.811278124
Page 7
Muhammad Iqbal Arfi Tuala
Entropy (Rangka-Kayu) =
(
−6
6
−2
2
∗log 2 ( ))+( ∗log 2 ( ))
8
8
8
8
Perhitungan
Gain
menggunakan rumus 1 :
Gain(Total,Pondasi)
=
= 0.811278124
0.996791632
=
Entropy (Penutup-Kodok) =
0.215144028
(
−3
3
−1
1
∗log 2( ))+( ∗log 2( ))
4
4
4
4
= 0.811278124
Entropy (Plafond-Kayu) =
(
−1
1
−3
3
∗log 2 ( ))+( ∗log 2( ))
4
4
4
4
-¿
Gain(Total,Struktur)
=
0.996791632
-
7
2
6
( 15 ∗0.863120569 +( 15 ∗0)+( 15 ∗0.650022
(
)
= 0.333993065
= 0.811278124
Gain(Total,Rangka)
=
Entropy (Dinding-B.Bata) =
0.996791632
-
(
−3
3
−2
2
∗log 2( ))+( ∗log 2 ( ))
5
5
5
5
4
3
8
( 15 ∗0.811278124 +( 15 ∗0)+( 15 ∗0.811278
(
)
= 0.970950594
= 0.347769132
Entropy (Dinding-Batako) =
Gain(Total,Penutup)
=
0.996791632
-
(
−2
2
−1
1
∗log 2 ( ))+( ∗log 2( ))
3
3
3
3
= 0.918295834
4
4
3
4
( 15 ∗0 +( 15 ∗0)+( 15 ∗0)+( 15 ∗0.81127812
Entropy (Dinding-Spndex) =
= 0.780450799
(
−2
2
−1
1
∗log 2 ( ))+( ∗log 2( ))
3
3
3
3
= 0.918295834
Entropy (Pintu-Kusen III) =
(
−4
4
−1
1
∗log 2 ( ))+( ∗log 2 ( ))
5
5
5
5
= 0.721928095
Entropy (Pintu-K.Bening) =
−3
3
−1
1
( ∗log 2( ))+( ∗log 2( ))
4
4
4
4
= 0.811278124
Entropy (Lantai-Marmer) =
−2
2
−1
1
( ∗log 2 ( ))+( ∗log 2( ))
3
3
3
3
(
)
Gain(Total,Plafond)=0.99679
1632
((
-
6
5
4
∗0)+( ∗0)+( ∗0.811278124 ))
15
15
15
= 0.780450799
Gain(Total,Dinding)
=
0.996791632
-
5
2
3
( 15 ∗0.970950594 +( 15 ∗0)+( 15 ∗0.918295
(
)
= 0.3058231
Gain(Total,Pijen)
=
0.996791632
-
= 0.811278124
Informatics and Business Institute Darmajaya
Page 8
Muhammad Iqbal Arfi Tuala
1
5
4
3 Perhtungan
2 Node 1
Gambar 2.4
( 15 ∗0 +( 15 ∗0.721928095)+( 15 ∗0.811278124 )+( 15 ∗0)+( 15 ∗0))
Dari hasil pada Gambar 2.4 dapat
= 0.5398081
diketahui bahwa atribut dengan Gain
Gain(Total,Lantai)
=
tertinggi adalah Lantai yaitu sebesar
0.996791632
0.813132465. Dengan demikian Lantai
(
)
2
3
4
3
3
menjadi node akar. Dari kelima
( 15 ∗0 +( 15 ∗0)+( 15 ∗0)+( 15 ∗0)+( 15dapat
∗0.918295834))
nilai atribut tersebut, nilai atribut
= 0.813132465
Semen Ekspose, Keramik 30 X 30
Hasil perhitungan ditunjukkan
sudah
mengklasifikasikan
kasus
oleh Gambar 2.4.
menjadi Sederhana dan Keramik 40 X
(
)
40,
Keramik
60
mengklasifikasikan
X
60
kasus
sudah
menjadi
Menengah Mewah, sehingga tidak
perlu dilakukan perhitungan lebih
lanjut,
tetapi
Marmer
untuk
masih
nilai
perlu
atribut
dilakukan
perhitungan lagi. Dari hasil tersebut
dapat digambarkan pohon keputusan
seperti Gambar 2.5.
1
LANTAI
SEMEN EKSPOSE
SEDERHANA
MARMER
KERAMIK 30 X 30
KERAMIK 60 X 60
1.1
?
SEDERHANA
KERAMIK 40 X 40
MENENGAH
MEWAH
MENENGAH
MEWAH
Gambar 2.5 Pohon Keputusan Node 1
b. Setelah
melakukan
proses
perhitungan node 1, terdapat nilai
atribut yang tidak menuju ke
hasil.
Atribut
dilakukan
untuk
Informatics and Business Institute Darmajaya
tersebut
proses
menentukan
perlu
perhitungan
node
akar
Page 9
Muhammad Iqbal Arfi Tuala
selanjutnya.
Perhitungan
selanjutnya
yaitu
node
dengan
menghitung jumlah kasus yang
diawali
lantai-marmer
yang
menuju keputusan Sederhana dan
Menengah Mewah. Dan Entropy
dari semua kasus yang dibagi
berdasarkan
atribut
Struktur, Rangka atap, Penutup
atap, Plafond, Dinding, Pintu &
Jendela.
Setelah
itu
lakukan
perhitungan Gain dan Entropy
seperti perhitungan node 1 untuk
masing-masing
perhitungan
Gambar 2.6.
Gambar 2.6 Perhtungan Node 1.1.
Pondasi,
atribut.
ditunjukkan
Hasil
pada
Dari hasil pada Gambar 2.6 dapat
diketahui bahwa atribut dengan Gain
tertinggi adalah Penutup atap, Plafond,
Dinding, Pintu & Jendela yaitu sebesar
0.918295834.
Karena
nilai
Gain
tertinggi lebih dari satu, dengan
demikian dapat memilih atribut secara
acak. Plafond dapat menjadi node akar
selanjutnya. Ada 3 nilai atribut dari
Plafond yaitu Triplek, Gypsumboard,
Kayu(lambressering).
1
LANTAI
SEMEN EKSPOSE
SEDERHANA
KERAMIK 30 X 30
SEDERHANA
TRIPLEK
SEDERHANA
MARMER
1.1
PLAFOND
GYPSUMBOARD
MENENGAH
MEWAH
KERAMIK 60 X 60
KERAMIK 40 X 40
MENENGAH
MEWAH
MENENGAH
MEWAH
KAYU
(lambressering)
SEDERHANA
Gambar 2.7 Pohon Keputusan Node 1.1
5) Interpretation / Evaluation
Pola informasi yang dihasilkan dari
proses data mining perlu ditampilkan
Informatics and Business Institute Darmajaya
Page 10
Muhammad Iqbal Arfi Tuala
dalam bentuk yang mudah dimengerti
untuk konteks dapat dilihat pada
oleh
gambar 2.9 berikut ini :
pihak
yang
berkepentingan.
Tahap ini merupakan bagian dari
proses
KDD
yang
Informasi Bangunan
disebut
USER
interpretation.
Proses Klasifikasi
Material Bangunan
KLASIFIKASI
BANGUNAN
RUMAH TINGGAL
Hasil Klasifikasi
ADMIN
Data Testing
Data Training
Gambar 2.9 Diagram Context (DFD) Level 0
b. Data Flow Diagram Level 1
Data Flow Diagram Level satu di
gambarkan admin melakukan proses
penginputan
data training,
data
testing dan data material, kemudian
Gambar 2.8 Interpretation Data Mining
2.8.3 Design (Perancangan)
Proses desain sistem yang membagi
kebutuhan-kebutuhan sistem yang mana
hasil penelitian ini dikhususkan sebagai
penunjang klasifikasi bangunan rumah
tinggal. Perancangan dan pembuatan
sistem ini menghasilkan arsitektur sistem
data disimpam kedalam database
masing-masing. Database tersebut
digunakan untuk keperluan proses
klasifikasi bangunan rumah. Sistem
akan memberikan informasi tentang
klasifikasi
bangunan
berdasarkan
material yang dipilih oleh user.
Lebih jelasnya dapat dilihat pada
gambar 3.8.
secara keseluruhan. Pada tahapan ini
proses desain sistem dibagi berdasarkan
kebutuhan-kebutuhan berdasarkan analisis
ke dalam bentuk yang mudah dimengerti
pengguna.
2.8.3.1 Data Flow Diagram
a. Data Flow Diagram Level 0
Diagram konteks merupakan DFD
level
0
yang
menggambarkan
seluruh input ke sistem atau output
dari sistem. Data Flow Diagram
Informatics and Business Institute Darmajaya
Page 11
Muhammad Iqbal Arfi Tuala
Data Training
Login Admin
Login
Admin
Proses Data
Training
Akses Program
Data Training
Data Training
LOGIN
DATABASE
Informasi
Data Training
ADMIN
Data Testing
Informasi Data Testing
Proses Data
Testing
Data Testing
PROSES
KLASIFIKASI
Data Testing
Klasifkasibangunan.
freeoda.com
Data Material
Informasi Data Material
Proses Data
Material
Material
Proses
Analisis
Analisis
Material
Data Analisis
Informasi Analisis
Data Algoritma C4.5
Proses
Algoritma
C4.5
Analisis
USER/KONSUMEN
ADMIN
Gambar 2.11 Arsitektur Sistem Klasifikasi
Algoritma C4.5
Algoritma C4.5
Bangunan Rumah
Informasi Bangunan
Proses Klasifikasi
Klasifikasi
Bangunan
Rumah Tinggal
USER
III.
Hasil Klasifikasi
HASIL PENELITIAN DAN
PEMBAHASAN
Gambar 2.10 Data Flow Diagram Level 1
2.8.3.2 Arsitektur Sistem
3.1 Hasil Penelitian
Arsitektur sistem adalah istilah untuk
Pada pembahasan ini menjelaskan hasil
menyatakan bagaimana mendefinisikan
perancangan klasifikasi bangunan rumah
komponen-komponen yang lebih spesifik
tinggal
secara terstruktur. Pada arsitektur sistem
dirancang untuk memudahkan dalam
ini menggambarkan user dan admin dalam
proses pemilihan rumah. Adapun aplikasi
menggunakan aplikasi. Arsitektur sistem
tersebut meliputi :
di
Bandar
Lampung
yang
klasifikasi bangunan rumah tinggal dapat
dilihat pada gambar 2.11.
3.1.1 Tampilan Halaman Utama
Pada halaman utama terdapat empat
submenu utama yaitu menu home, menu
proses
bangunan,
menu
informasi
bangunan dan menu login. Berikut
tampilan halaman utama dapat dilihat
pada gambar 3.1
Informatics and Business Institute Darmajaya
Page 12
Muhammad Iqbal Arfi Tuala
rangka atap, menu penutup atap, menu
plafond, menu dinding, menu pintu &
jendela dan menu lantai. Berikut tampilan
menu informasi bangunan dapat dilihat
pada gambar 3.3 dan gambar 3.4.
Gambar 3.1 Halaman Utama.
3.1.2 Tampilan Halaman Proses
Bangunan
User
dapat
menentukan
klasifikasi
bangunan rumah tinggal sesuai material
yang ada. Berikut tampilan halaman
Gambar 3.3 Halaman Informasi
proses bangunan dapat dilihat pada
Bangunan Pondasi, Struktur, Rangka
Atap dan Penutup Atap.
gambar 3.2.
Gambar 3.2 Halaman Proses
Gambar 3.4 Halaman Informasi
Bangunan.
Bangunan Plafond, Dinding, Pintu &
3.1.3 Tampilan Halaman Informasi
Bangunan
Halaman informasi bangunan digunakan
untuk user melihat gambar material
bangunan rumah. Halaman informasi
bangunan terdiri dari 8 sub menu, yaitu
menu pondasi, menu struktur, menu
Jendela dan Lantai
3.1.4 Tampilan Halaman Login
Halaman login digunakan untuk admin
yang
memiliki
hak
akses.
Berikut
tampilan menu login dapat dilihat pada
gambar 3.5.
Informatics and Business Institute Darmajaya
Page 13
Muhammad Iqbal Arfi Tuala
lihat dan tambah data dapat dilihat pada
gambar 3.7, 3.8 dan gambar 3.9.
Gambar 3.5 Halaman Login.
3.1.5 Tampilan Halaman Admin
Gambar 3.7 Halaman Data Training
Halaman
admin
digunakan
untuk
(Lihat Data)
menambahkan, mengedit dan menghapus
data. Pada halaman admin terdapat empat
submenu, yaitu menu data training, menu
material, menu data testing dan menu
analisis. Berikut tampilan halaman admin
dapat dilihat pada gambar 3.6.
Gambar 3.8 Halaman Data Training
(Tambah Data).
Gambar 3.6 Halaman Admin.
Gambar 3.9 Halaman Data Training
3.1.6 Tampilan Halaman Data
(Cetak Data).
Training
Halaman data training digunakan untuk
3.1.7 Tampilan Halaman Material
Bangunan
melihat, menambahkan dan mencetak
data training. Pada halaman data training
terdapat dua sub menu, yaitu lihat data
dan tambah data. Berikut tampilan menu
Halaman material bangunan digunakan
untuk
menambahkan,
mengedit
dan
menghapus data material. Pada halaman
Informatics and Business Institute Darmajaya
Page 14
Muhammad Iqbal Arfi Tuala
material bangunan terdapat 9 submenu,
lihat dan tambah data dapat dilihat pada
yaitu pondasi, struktur, rangka atap,
gambar 3.12, 3.13 dan gambar 3.14.
penutup atap, plafond, dinding, pintu &
jendela, lantai dan jenis. Berikut tampilan
menu tambah dan lihat pondasi dapat
dilihat pada gambar 3.10 dan gambar
3.11.
Gambar 3.12 Halaman Data Testing
(Lihat Data).
Gambar 3.10 Halaman Material
Bangunan (Lihat Data Pondasi).
Gambar 3.13 Halaman Data Testing
(Tambah Data).
Gambar 3.11 Halaman Material
Bangunan (Tambah Data Pondasi).
Gambar 3.14 Halaman Data Testing
3.1.8 Tampilan Halaman Data Testing
(Cetak Data).
Halaman data testing digunakan untuk
melihat, menambahkan dan mencetak
3.1.9 Tampilan Halaman Analisis
data testing. Pada halaman data testing
Halaman analisis menampilkan hasil
terdapat dua sub menu, yaitu lihat data
persamaan antara data training dan data
dan tambah data. Berikut tampilan menu
testing. Berikut tampilan menu analisis
dapat dilihat pada gambar 3.15.
Informatics and Business Institute Darmajaya
Page 15
Muhammad Iqbal Arfi Tuala
3.2 Pembahasan
Implementasi metode decision tree untuk
menentukan klasifikasi bangunan rumah
tinggal
di
Bandar
menjelaskan,
Lampung
masyarakat
ini
dapat
menetukan klasifikasi bangunan rumah
Gambar 3.15 Halaman Analisis.
tinggal
dengan
memilih
material
bangunan rumah. Setelah selesai memilih
3.1.10 Tampilan Halaman Algoritma
C4.5
material bangunan, maka sistem akan
memunculkan hasil klasifikasi bangunan
Halaman Algoritma C4.5 menampilkan
rumah apakah jenis bangunan rumah
hasil perhitungan node awal hingga akhir
tersebut
dari data training. Berikut tampilan menu
Mewah serta material yang dipilih oleh
Algoritma
user. Sistem klasifikasi bangunan rumah
C4.5
dapat
dilihat
pada
gambar 3.16 dan 3.17.
tinggal
Sederhana
ini
atau
memiliki
Menengah
kelebihan
dan
kekurangan.
Kelebihan sistem yang berjalan :
1) Sistem
rumah
klasifikasi
tinggal
menentukan
jenis
bangunan
ini
dapat
bangunan
rumah tinggal Sederhana dan
Menengah Mewah.
Gambar 3.16 Halaman Algoritma
C4.5 (Node 1).
2) Sistem ini dapat membantu dalam
pemilihan bangunan rumah sesuai
kriteria.
3) Sistem
ini
dapat
melakukan
perbandingan hasil data training
dan data testing.
Kekurangan sistem yang berjalan :
Gambar 3.17 Halaman Algoritma
1) Jumlah data training yang hanya
C4.5 (Node 1.1).
Informatics and Business Institute Darmajaya
15 sample.
Page 16
Muhammad Iqbal Arfi Tuala
2) Sulitnya
mengetahui
material
2. Pada aplikasi klasifikasi bangunan
bangunan rumah seperti pondasi
rumah tinggal ini tidak memberikan
dan
hasil
struktur
pada
bangunan
rumah yang sudah jadi.
yang
aplikasi
3) User harus mengetahui tentang
yang
menentukan
material bangunan rumah.
rumah
optimal,
dikarenakan
dibuat
klasifikasi
tinggal
hanya
bangunan
sederhana
dan
menengah mewah.
3.3 Pengujan Sistem
DAFTAR PUSTAKA
Setelah tahap pembuatan dilakukan,
maka program perlu diuji.
Andriani, A. 2013. Sistem Pendukung
1) Pengujian dilakukan dengan
Keputusan Berbasis Decision Tree
menjalankan sistem dengan
Dalam Pemberian Beasiswa Studi
menggunakan laptop dengan alamat
Kasus : AMIK “ BSI Yogyakarta ”,
local http:/localhost/klasifikasi.
Jurnal Seminar Nasional Teknologi
Proses berjalan dengan baik, semua
Informasi dan Komunikasi, ISSN:
tampilan dan menu dapat di akses.
2089-9815 : 163-167.
2) Pengujian dilakukan dengan
https://fti.uajy.ac.id/sentika/publikas
membandingkan hasil data training
i/makalah/2013/2013_23. (Diakses
dengan hasil data testing dengan
21 Juni 2016 10:52 wib)
tingkat akurasi 100 %.
Augusto, J, dan Mudjihartono. P. 2012.
IV.
SIMPULAN
Analisis Efektivitas Algoritma C4 .5
dalam Menentukan Peserta
4.1 Simpulan
Berdasarkan
Pemenang Tender Projek, Jurnal
latar
belakang
pembahasan-pembahasan
pada
serta
bab
Seminar Nasional Teknologi
Informasi dan Komunikasi, ISBN:
sebelumnya, maka dapat disimpulkan
978-602-19837-0-6, 7-11.
bahwa :
http://demo.pohonkeputusan.com/fil
es/Analisis_Efektivitas_Algoritma_
1. Aplikasi
digunakan
yang
untuk
dibuat
dapat
menentukan
C4.5
dalam_Menentukan_Peserta_Pemen
klasifikasi bangunan rumah tinggal.
Informatics and Business Institute Darmajaya
Page 17
Muhammad Iqbal Arfi Tuala
ang_Tender_Projek. (Diakses 21
Juni 2016 10:41 wib)
Kusrini, 2009. Algoritma Data Mining,
Yogyakarta: Andi.
Azmi, Z. et al. 1978. Decision Tree
Berbasis Algoritma Untuk
Kusrini, 2007. Konsep dan Aplikasi
Pengambilan Keputusan, Jurnal
Sistem Pendukung Keputusan,
Ilmiah Saintikom, 12(3): 157–164.
Yogyakarta: Andi.
http://lppm.trigunadharma.ac.id/publ
ic/fileJurnal/hp7mJurnal%2012-32013_1%20zulfian. (Diakses 21 Juni
2016 10:52 wib)
Dipaloka, A. 2016. Penerapan Decision
Tree untuk Penentuan Pola Data
Penerimaan Mahasiswa Baru.
Jurnal Penelitian Sitrotika, 7(1),
ISSN: 1693-9670.
https://www.researchgate.net/profile
/Aradea_Dipaloka/publication/2677
57302_Penerapan_Decision_Tree_u
ntuk_Penentuan_Pola_Data_Peneri
maan_Mahasiswa_Baru/links/
5459dd200cf2bccc4912d6a8.pdf?
origin=publication_detail. (Diakses
21 Juni 2016 10:47 wib)
Hermawati, F.A., 2013. DATA MINING,
Surabaya: Andi.
Jogiyanto, 2005. Analisis dan Desain
Sistem Informasi : Pendekatan
Terstruktur Teori dan Praktik
Aplikasi Bisnis, Yogyakarta: Andi.
Informatics and Business Institute Darmajaya
Page 18