APLIKASI DATA MINING MENGGUNAKAN METODE (1)
APLIKASI DATA MINING MENGGUNAKAN METODE DECISION TREE UNTUK
EVALUASI BALANCE SCALE COGNITIVE DENGAN ALGORITMA C4.5
M. Azhari Marpaung1, Nabila Dwi Cahyani2,
Gustara Sapto Ajie3, Agung Kurniawan4, Eka
Qolbu M.S. 5
Teknik Informatika, Fakultas Matematika dan Ilmu
Pengetahuan Alam, Universitas Padjadjaran
Jatinangor, Indonesia
Email : ariipaung@gmail.com1 , chyndc@gmail.com2 ,
gustara.sapto@gmail.com 3, agungkurniawan060496@gmail.com4
, ekaqolbums@yahoo.co.id5
Abstrak
Istilah “Cognitive” berasal dari kata cognition artinya adalah pengertian, mengerti.
Kognitif adalah proses yang terjadi secara internal di dalam pusat susunan saraf pada waktu
manusia sedang berpikir (Gagne dalam Jamaris, 2006). Pengertian yang luasnya cognition
(kognisi) adalah perolehan, penataan, dan penggunaan pengetahuan (Neisser, 1976). Menurut
para ahli jiwa aliran kognitifis, tingkah laku seseorang/anak itu senantiasa didasarkan pada
kognisi, yaitu tindakan mengenal atau memikirkan situasi dimana tingkah laku itu terjadi.
Kemudian istilah kognitif ini menjadi populer sebagai salah satu wilayah psikologi
manusia / satu konsep umum yang mencakup semua bentuk pengenalan yang meliputi setiap
perilaku mental yang berhubungan dengan masalah pemahaman, memperhatikan, memberikan,
menyangka, pertimbangan, pengolahan informasi, pemecahan masalah, kesengajaan,
pertimbangan, membayangkan, memperkirakan, berpikir dan keyakinan.
Pada penelitian ini dihasilkan untuk model eksperimen psikologis yang dilansir oleh
Siegler, R. S. (1976). Tiga Aspek Pengembangan Kognitif. Psikologi kognitif, 8, 481-520.
Kumpulan data ini dihasilkan untuk model hasil eksperimen psikologis. Setiap contoh
diklasifikasikan sebagai memiliki ujung timbangan ke kanan, ujung ke kiri, atau seimbang.
Atribut adalah berat kiri, jarak kiri, berat badan yang tepat, dan jarak yang tepat. Cara yang
benar untuk menemukan kelas adalah lebih besar dari (kiri-jarak * kiri berat badan) dan
(kanan jarak * kanan berat badan). Jika mereka sama, itu adalah seimbang.
Salah satu teknik data mining yang dapat digunakan adalah klasifikasi. Data percobaan
balance scale pada pengembangan kognitif yang telah ada dianalisis menggunakan Metode
Decision Tree (Pohon Keputusan) dengan algoritma C4.5. Metode Decision
Tree
merupakan metode yang merubah fakta yang sangat besar menjadi sebuah
pohon
keputusan
yang mereprentasikan aturan-aturan. Pohon keputusan ini juga
berguna untuk mengeksplorasi data, serta menemukan hubungan tersembunyi antara
sejumlah calon variabel input dengan sebuah variabel target. Algoritma C4.5 membuat
pohon keputusan dari atas ke bawah, dimana atribut paling atas merupakan akar, dan yang
paling bawah dinamakan daun, kemudian pola tersebut dapat digunakan untuk menunjukkan
hasil balance scale pengembangan kognitif
Kata kunci : balance scale, cognitive, data mining, decision tree, algoritma C4.5
1. PENDAHULUAN
Dalam pekembangan selanjutnya,
kemudian istilah kognitif ini menjadi
populer sebagai salah satu wilayah
psikologi manusia / satu konsep umum
yang
mencakup
semua
bentuk
pengenalan yang meliputi setiap perilaku
mental yang berhubungan dengan
masalah pemahaman, memperhatikan,
memberikan, menyangka, pertimbangan,
pengolahan
informasi,
pemecahan
masalah, kesengajaan, pertimbangan,
membayangkan,
memperkirakan,
berpikir dan keyakinan. Termasuk
kejiwaan yang berpusat di otak ini juga
berhubungan dengan konasi (kehendak)
dan afeksi (perasaan) yang bertalian
dengan rasa.
Tujuan aspek kognitif berorientasi
pada
kemampuan
berfikir
yang
mencakup kemampuan intelektual yang
lebih sederhana, yaitu mengingat, sampai
pada kemampuan memecahkan masalah
yang
menuntut
siswa
untuk
menghubungakan dan menggabungkan
beberapa ide, gagasan, metode atau
prosedur
yang
dipelajari
untuk
memecahkan masalah.
Berdasarkan uraian di atas, pada
penelitian ini akan dibuat sebuah
sistem
untuk
mengklasifikasikan
putaran motor servo dengan cara
mengevaluasi
kinerjanya
melalui
penerapan data mining menggunakan
metode decision tree dengan algoritma
C4.5.
2. LANDASAN TEORI
a. Data Mining
Data mining adalah penambangan
atau penemuan informasi baru
dengan mencari pola atau aturan
tertentu dari sejumlah data yang sangat
besar. Data mining juga disebut
sebagai serangkaian proses untuk
menggali nilai tambah berupa
pengetahuan yang selama ini tidak
diketahui secara manual dari suatu
kumpulan data.
Tahapan dari proses Knowledge
Discovery in Database (KDD) adalah
:
1. Selection
2. Pre-Processing / Cleaning.
3. Transformation
4. Data Mining
5. Interpretation / Evaluation.
b. Metode Klasifikasi
Klasifikasi adalah proses untuk
menemukan model atau fungsi yang
menjelaskan
atau
membedakan
konsep atau kelas data, dengan tujuan
untuk dapat memperkirakan kelas
dari suatu objek yang labelnya tidak
diketahui. Dalam mencapai tujuan
tersebut, proses
klasifikasi
membentuk suatu model yang
mampu membedakan data ke dalam
kelas-kelas yang berbeda berdasarkan
aturan atau fungsi tertentu. Model
itu sendiri bisa berupa aturan “jikamaka”,berupa pohon keputusan atau
formula matematis.
Gambar 1. Blok Diagram Model 1
c. Decision Tree
Sebuah pohon keputusan adalah
sebuah struktur yang dapat digunakan
untuk membagi kumpulan data yang
besar menjadi himpunan-himpunan
record yang lebih kecil dengan
menerapkan
serangkaian
aturan
keputusan. Dengan
masing-masing
rangkaian
pembagian,
anggota
himpunan hasil menjadi mirip satu
dengan yang lain (Berry & Linoff,
2004) .
Metode ini merupakan salah satu
metode yang
ada
pada teknik
klasifikasi dalam data mining. Metode
pohon keputusan
mengubah
fakta
yang
sangat besar
menjadi pohon
keputusan
yang merepresentasikan
aturan. Pohon keputusan juga berguna
untuk mengekplorasi data, menemukan
hubungan
tersembunyi
antara
sejumlah calon variabel input dengan
sebuah variabel target.
Data dalam pohon keputusan
biasanya dinyatakan dalam bentuk tabel
dengan atribut dan record. Atribut
menyatakan suatu parameter yang
disebut
sebagai
kriteria
dalam
pembentukan pohon. Misalkan untuk
menentukan kinerja motor sevo, kriteria
yang diperhatikan adalah loop, beban,
dan tegangan input. Salah satu atribut
merupakan atribut yang menyatakan
data solusi per item data yang disebut
atribut hasil. Banyak algoritma yang
dapat dipakai dalam pembentukan
pohon keputusan, antara lain ID3, C4.5,
CART .
d. Algoritma C4.5
Algoritma
C4.5
merupakan
pengembangan dari algoritma ID3.
Algoritma C4.5 dan ID3 diciptakan oleh
seorang peneliti dibidang kecerdasan
buatan bernama J. Rose Quinlan
pada akhir tahun 1970-an. Algoritma C4.5
membuat pohon keputusan dari atas ke
bawah, dimana atribut
paling atas
merupakan akar, dan yang paling
bawah dinamakan daun.
Secara umum, algoritma C4.5
untuk membangun sebuah pohon
keputusan adalah sebagai berikut:
Hitung jumlah data, jumlah data
berdasarkan anggota atribut hasil
dengan
syarat
tertentu.
Untuk proses pertama syaratnya
masih kosong.
Pilih atribut sebagai Node.
Buat cabang untuk tiap-tiap
anggota dari Node.
Periksa apakah nilai entropy
dari anggota Node ada yang
bernilai nol. Jika ada, tentukan
daun yang terbentuk. Jika seluruh
nilai entropy anggota
Node
adalah nol, maka proses pun
berhenti.
Jika ada anggota Node yang
memiliki nilai entropy lebih
besar dari nol, ulangi lagi proses
dari awal dengan Node sebagai
syarat sampai semua anggota dari
Node bernilai nol.
Node adalah atribut yang mempunyai
nilai gain tertinggi
dari atribut-aribut
yang ada. Gain adalah nilai dari setiap
atribut yang dijadikan acuan / patokan
dalam menentuka node pada model
pohon keputusan. Untuk menghitung
nilai gain suatu atribut digunakan rumus
seperti yang tertera dalam persamaan
berikut :
3. ANALISA DATA DENGAN ALGORITMA C.4.5
Secara umum algoritma
adalah sebagai berikut:
C4.5 untuk
membangun
pohon keputusan
Pilih atribut sebagai akar
Buat cabang untuk masing-masing nilai
Bagi kasus dalam cabang
Ulangi proses untuk masing-masing cabang sampai semua kasus pada cabang
memiliki kelas yang sama.
Data hasil percobaan balance scale pada pengembanga kognitif yang terdapat pada
tabel 1 merupakan data yang akan dijadikan parameter dalam proses pengklasifikasian
balance scale dengan algoritma C4.5 menggunakan Model Metode Pohon Keputusan.
TOTAL
KASUS
15
SUM ( L
)
5
SUM ( B
)
5
NODE
ATRIBUT
Nilai
LW
LD
1
RW
RD
1
2
3
4
5
1
2
3
4
5
1
2
3
4
5
1
2
3
4
5
SUM ( R
)
5
SUM
(N)
15
0
0
0
0
6
2
5
2
0
11
3
1
0
0
7
4
2
1
1
ENTROPI
TOTAL
1,584963
SUM ( L )
5
0
0
0
0
0
0
3
2
0
4
1
0
0
0
3
2
0
0
0
SUM ( B
)
5
0
0
0
0
1
2
2
0
0
3
1
1
0
0
3
1
1
0
0
Tabel 1. Balance
Gambar 1. Decision Tree Node 1 1
SUM ( R
)
5
0
0
0
0
5
0
0
0
0
4
1
0
0
0
1
1
1
1
1
Entropi
GAIN
1,584963
0
0
0
0
0
0,650022
0
0,970951 1,001303
0
0
1,572624
1,584963
0
0,114713
0
0
1,448816
1,5
1
0,375515
0
0
Berdasarkan pembentukan pohon keputusan pada gambar 1, menunjukkan
bahwa pada node 1 (balance) merupakan node dengan mendapatkan gain tertinggi
sebesar 1,001303. Sehingga node 1 mendapatkan attribute LD
TOTAL KASUS
6
NODE
1.1
SUM ( L
)
0
ATRIBUT
SUM ( B
)
1
Nilai
2
3
4
5
1
2
3
4
5
1
2
3
4
5
RW
RD
SUM ( R
ENTROPI
)
TOTAL
5
0,650022
SUM ( SUM ( B
SUM (N)
L)
)
0
0
0
0
5
1
0
0
0
2
1
1
1
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
Tabel 2. LD (Left-Distance)
Gambar 2. Decision Tree Node 1 1
0
0
0
0
1
0
0
0
0
1
0
0
0
0
SUM (
R)
0
0
0
0
4
1
0
0
0
1
1
1
1
1
Entropi
GAIN
0
0
0
0
0,721928
0
0
0,048416
0
0
1
0
0
0,316689
0
0
Berdasarkan pembentukan pohon keputusan pada gambar 2, menunjukkan
bahwa pada node 1.1 (Left-Distance) merupakan node dengan mendapatkan attribute
RW
TOTAL
KASUS
5
SUM ( L
)
0
SUM ( B
)
1
NODE
ATRIBUT
Nilai
LW
1.1.1
RD
1
2
3
4
5
1
2
3
4
5
SUM ( R
)
4
SUM
(N)
5
0
0
0
0
1
1
1
1
1
ENTROPI
TOTAL
0,721928
SUM ( L )
0
0
0
0
0
0
0
0
0
0
SUM ( B
)
1
0
0
0
0
1
0
0
0
0
Tabel 3. RD (Right-Distance)
Gambar 3. Decision Tree Node 1.1.1. 1
SUM ( R
)
4
0
0
0
0
0
1
1
1
1
Entropi
GAIN
0,721928
0
0
0
0
0
0
0
0
0,721928
0
0
Berdasarkan pembentukan pohon keputusan pada gambar 3, menunjukkan
bahwa pada node 1.1.1. (RD) merupakan node dengan mendapatkan gain tertinggi
sebesar 0,721928. Sehingga node 1.1.1. mendapatkan attribute RD
TOTAL
KASUS
5
SUM ( L
)
3
SUM ( B
)
2
NODE
ATRIBUT
Nilai
LW
1.3
RW
RD
Tabel 4. LD 3
1
2
3
4
5
1
2
3
4
5
1
2
3
4
5
SUM ( R
)
0
SUM
(N)
5
0
0
0
0
3
1
1
0
0
3
1
1
0
0
ENTROPI
TOTAL
0,970951
SUM ( L )
3
0
0
0
0
2
1
0
0
0
2
1
0
0
0
SUM ( B
)
2
0
0
0
0
1
0
1
0
0
1
0
1
0
0
SUM ( R
)
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
Entropi
GAIN
0,970951
0
0
0
0
0
0,918296
0
0
0,419973
0
0
0,918296
0
0
0,419973
0
0
Gambar 4. Decision Tree Node 1.3. 1
Berdasarkan pembentukan pohon keputusan pada gambar 4, menunjukkan
bahwa pada node 1.3 (LD 3) merupakan node dengan mendapatkan gain tertinggi
sebesar 0,419973. Sehingga node 1.3 mendapatkan attribute RD
TOTAL
KASUS
3
SUM ( L
)
2
SUM ( B
)
1
NODE
ATRIBUT
Nilai
LW
1.3.1
RW
1
2
3
4
5
1
2
3
4
5
SUM ( R
)
0
SUM
(N)
3
0
0
0
0
1
1
1
0
0
ENTROPI
TOTAL
0,918296
SUM ( L )
2
0
0
0
0
1
1
0
0
0
SUM ( B
)
1
0
0
0
0
0
0
1
0
0
SUM ( R
)
0
0
0
0
0
0
0
0
0
0
Entropi
GAIN
0,918296
0
0
0
0
0
0
0
0
0,918296
0
0
Tabel 5. RD 1
Gambar 5.
4. Decision Tree Node 1.3.1
1.3. 21
Berdasarkan pembentukan pohon keputusan pada gambar 5, menunjukkan
bahwa pada node 1.3.1 (RD 1) merupakan node dengan mendapatkan gain tertinggi
sebesar 0,918296. Sehingga node 1.3.1 mendapatkan attribute RW
4. Implementasi Sistem
Berikut merupakan kesimpulan dari mining data balance scale :
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
1
1
1
1
1
1
1
1
1
1
1
1
1
1
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
3
4
4
4
4
4
4
4
5
5
5
5
5
5
1
1
1
1
1
1
1
1
2
2
2
2
2
2
2
2
2
2
2
2
2
3
3
3
3
3
3
3
3
3
4
4
4
4
4
4
4
4
4
5
5
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
RD
RD
RD
RD
RD
RD
RD
RD
RD
RD
RD
RD
RD
RD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
RD
RD
RD
RD
RD
RD
RD
RD
RD
RD
RD
RD
RD
RD
RD
RD
RD
RD
RD
RD
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
5
1
1
1
2
3
4
5
1
1
2
3
4
5
1
1
1
2
2
3
4
5
1
1
2
2
2
3
3
3
4
4
4
5
5
1
1
2
2
2
3
3
4
5
1
1
1
2
2
2
3
4
5
1
1
THEN
^ LD
^ LD
^ LD
THEN
THEN
THEN
THEN
^ LD
^ LD
THEN
THEN
THEN
THEN
^ RD
^ RD
^ RD
^ RD
^ RD
THEN
THEN
THEN
^ RD
^ RD
^ RD
^ RD
^ RD
^ RD
^ RD
^ RD
^ RD
^ RD
^ RD
^ RD
^ RD
^ LD
^ LD
^ LD
^ LD
^ LD
^ LD
^ LD
THEN
THEN
^ LD
^ LD
^ LD
^ LD
^ LD
^ LD
THEN
THEN
THEN
^ LD
^ LD
BALANCE 'R'
= 1/2/3 THEN BALANCE 'R'
= 4 THEN BALANCE 'B'
= 5 THEN BALANCE 'L'
BALANCE 'R'
BALANCE 'R'
BALANCE 'R'
BALANCE 'R'
= 1/2/3/4 THEN BALANCE 'R'
= 5 THEN BALANCE 'B'
BALANCE 'R'
BALANCE 'R'
BALANCE 'R'
BALANCE 'R'
= 1 THEN BALANCE 'L'
= 2 THEN BALANCE 'B'
= 3/4/5 THEN BALANCE 'R'
= 1/2/3 THEN BALANCE 'L'
= 4 THEN BALANCE 'B'
BALANCE 'L'
BALANCE 'L'
BALANCE 'L'
= 1 THEN BALANCE 'B'
= 2/3/4/5 THEN BALANCE 'R'
= 1 THEN BALANCE 'L'
= 2 THEN BALANCE 'B'
= 3/4/5 THEN BALANCE 'R'
= 1/2 THEN BALANCE 'L'
= 3 THEN BALANCE 'B'
= 4/5 THEN BALANCE 'R'
= 1/2/3 THEN BALANCE 'L'
= 4 THEN BALANCE 'B'
= 5 THEN BALANCE 'R'
= 1/2/3/4 THEN BALANCE 'L'
= 5 THEN BALANCE 'B'
= 1 THEN BALANCE 'R'
= 2/3/4/5 THEN BALANCE 'L'
= 1/2 THEN BALANCE 'R'
= 3 THEN BALANCE 'B'
= 4/5 THEN BALANCE 'L'
= 1/2/3/4 THEN BALANCE 'R'
= 5 THEN BALANCE 'L'
BALANCE 'R'
BALANCE 'R'
= 1 THEN BALANCE 'R'
= 2 THEN BALANCE 'B'
= 3/4/5 THEN BALANCE 'L'
= 1/2/3 THEN BALANCE 'R'
= 4 THEN BALANCE 'B'
= 5 THEN BALANCE 'L'
BALANCE 'R'
BALANCE 'R'
BALANCE 'R'
= 1/2 THEN BALANCE 'R'
= 3/4/5 THEN BALANCE 'L'
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
2
2
2
2
2
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
4
4
4
4
4
4
4
4
4
4
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
5
5
5
5
5
1
1
1
1
1
1
1
2
2
2
2
2
2
2
2
2
3
3
3
3
3
3
3
3
3
3
3
3
3
4
4
4
4
4
4
4
4
4
5
5
5
5
5
5
5
5
1
1
1
1
1
1
1
1
1
1
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
RD
RD
RD
RD
RD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
RD
RD
RD
RD
RD
RD
RD
RD
RD
RD
RD
RD
RD
RD
RD
RD
RD
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
2^ LD = 1/2/3/4 THEN BALANCE 'R'
2^ LD = 5 THEN BALANCE 'B'
3 THEN BALANCE 'R'
4 THEN BALANCE 'R'
5 THEN BALANCE 'R'
1 ^ RD = 1/2 THEN BALANCE 'L'
1 ^ RD = 3 THEN BALANCE 'B'
1 ^ RD = 4/5 THEN BALANCE 'R'
2 THEN BALANCE 'L'
3 THEN BALANCE 'L'
4 THEN BALANCE 'L'
5 THEN BALANCE 'L'
1 ^ RD = 1 THEN BALANCE 'L'
1 ^ RD = 2/3/4/5 THEN BALANCE 'R'
2 ^ RD = 1/2 THEN BALANCE 'L'
2 ^ RD = 3 THEN BALANCE 'B'
2 ^ RD = 4/5 THEN BALANCE 'R'
3 ^ RD = 1/2/3/4 THEN BALANCE 'L'
3 ^ RD = 5 THEN BALANCE 'R'
4 THEN BALANCE 'L'
5 THEN BALANCE 'L'
1 ^ RD = 1 THEN BALANCE 'B'
1 ^ RD = 2/3/4/5 THEN BALANCE 'R'
2 ^ RD = 1 THEN BALANCE 'L'
2 ^ RD = 2 THEN BALANCE 'B'
2 ^ RD = 3/4/5 THEN BALANCE 'R'
3 ^ RD = 1/2 THEN BALANCE 'L'
3 ^ RD = 3 THEN BALANCE 'B'
3 ^ RD = 4/5 THEN BALANCE 'R'
4 ^ RD = 1/2/3 THEN BALANCE 'L'
4 ^ RD = 4 THEN BALANCE 'B'
4 ^ RD = 5 THEN BALANCE 'R'
5 ^ RD = 1/2/3/4 THEN BALANCE 'L'
5 ^ RD = 5 THEN BALANCE 'B'
1 ^ LD = 1 THEN BALANCE 'R'
1 ^ LD = 2/3/4/5 THEN BALANCE 'L'
2 ^ LD = 1/2 THEN BALANCE 'R'
2 ^ LD = 3/4/5 THEN BALANCE 'L'
3 ^ LD = 1/2/3 THEN BALANCE 'R'
3 ^ LD = 4 THEN BALANCE 'B'
3 ^ LD = 5 THEN BALANCE 'L'
4 THEN BALANCE 'R'
5 THEN BALANCE 'R'
1 ^ LD = 1 THEN BALANCE 'R'
1 ^ LD = 2/3/4/5 THEN BALANCE 'L'
2 ^ LD = 1/2/3 THEN BALANCE 'R'
2 ^ LD = 4/5 THEN BALANCE 'L'
3 ^ LD = 1/2/3/4 THEN BALANCE 'R'
3 ^ LD = 5 THEN BALANCE 'B'
4 THEN BALANCE 'R'
5 THEN BALANCE 'R'
1 ^ RD = 1/2/3 THEN BALANCE 'L'
1 ^ RD = 4 THEN BALANCE 'B'
1 ^ RD = 4 THEN BALANCE 'R'
2 ^ RD = 1 THEN BALANCE 'L'
2 ^ RD = 2 THEN BALANCE 'B'
2 ^ RD = 3/4/5 THEN BALANCE 'R'
3 ^ RD = 1 THEN BALANCE 'L'
3 ^ RD = 2/3/4/5 THEN BALANCE 'R'
4 ^ RD = 1 THEN BALANCE 'B'
4 ^ RD = 2/3/4/5 THEN BALANCE 'R'
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
4
4
4
4
4
4
4
4
4
4
4
4
4
4
4
4
4
4
4
4
4
4
4
4
4
4
4
4
4
4
4
4
4
4
4
4
4
4
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
1
2
2
2
2
2
2
2
2
2
2
2
3
3
3
3
3
3
3
3
3
3
4
4
4
4
4
4
4
4
5
5
5
5
5
5
5
5
1
1
1
1
1
1
1
1
1
1
2
2
2
2
2
2
2
2
2
2
3
3
3
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
5
1
2
2
2
3
3
4
4
4
5
5
1
2
3
3
3
4
4
4
5
5
1
2
3
4
4
4
5
5
1
2
3
4
4
5
5
5
1
1
2
2
3
3
4
4
5
5
1
2
2
3
3
4
4
5
5
5
1
2
3
THEN
THEN
^ RD
^ RD
^ RD
^ RD
^ RD
^ RD
^ RD
^ RD
^ RD
^ RD
THEN
THEN
^ RD
^ RD
^ RD
^ RD
^ RD
^ RD
^ RD
^ RD
THEN
THEN
THEN
^ RD
^ RD
^ RD
^ RD
^ RD
THEN
THEN
THEN
^ RD
^ RD
^ RD
^ RD
^ RD
^ RD
^ RD
^ RD
^ RD
^ RD
^ RD
^ RD
^ RD
^ RD
^ RD
THEN
^ RD
^ RD
^ RD
^ RD
^ RD
^ RD
^ RD
^ RD
^ RD
THEN
THEN
^ RD
BALANCE 'R'
BALANCE 'L'
= 1/2/3 THEN BALANCE 'L'
= 4 THEN BALANCE 'B'
= 5 THEN BALANCE 'R'
= 1/2 THEN BALANCE 'L'
= 3/4/5 THEN BALANCE 'R'
= 1 THEN BALANCE 'L'
= 2 THEN BALANCE 'B'
= 3/4/5 THEN BALANCE 'R'
= 1 THEN BALANCE 'L'
= 2/3/4/5 THEN BALANCE 'R'
BALANCE 'L'
BALANCE 'L'
= 1/2/3 THEN BALANCE 'L'
= 4 THEN BALANCE 'B'
= 5 THEN BALANCE 'R'
= 1/2 THEN BALANCE 'L'
= 3 THEN BALANCE 'B'
= 4/5 THEN BALANCE 'R'
= 1/2 THEN BALANCE 'L'
= 3/4/5 THEN BALANCE 'R'
BALANCE 'L'
BALANCE 'L'
BALANCE 'L'
= 1/2/3 THEN BALANCE 'L'
= 4 THEN BALANCE 'B'
= 5 THEN BALANCE 'R'
= 1/2/3 THEN BALANCE 'L'
= 4/5 THEN BALANCE 'R'
BALANCE 'L'
BALANCE 'L'
BALANCE 'L'
= 1/2/3/4 THEN BALANCE 'L'
= 5 THEN BALANCE 'B'
= 1/2/3 THEN BALANCE 'L'
= 4 THEN BALANCE 'B'
= 5 THEN BALANCE 'R'
= 1/2/3/4 THEN BALANCE 'L'
= 5 THEN BALANCE 'B'
= 1/2 THEN BALANCE 'L'
= 3/4/5 THEN BALANCE 'R'
= 1 THEN BALANCE 'L'
= 2/3/4/5 THEN BALANCE 'R'
= 1 THEN BALANCE 'L'
= 2/3/4/5 THEN BALANCE 'R'
= 1 THEN BALANCE 'B'
= 2/3/4/5 THEN BALANCE 'R'
BALANCE 'L'
= 1/2/3/4 THEN BALANCE 'L'
= 5 THEN BALANCE 'B'
= 1/2/3 THEN BALANCE 'L'
= 4/5 THEN BALANCE 'R'
= 1/2 THEN BALANCE 'L'
= 3/4/5 THEN BALANCE 'R'
= 1 THEN BALANCE 'L'
= 2 THEN BALANCE 'B'
= 3/4/5 THEN BALANCE 'R'
BALANCE 'L'
BALANCE 'L'
= 1/2/3/4 THEN BALANCE 'L'
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
3
3
3
3
3
3
4
4
4
4
4
4
4
4
5
5
5
5
5
5
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
3
4
4
5
5
5
1
2
3
4
4
5
5
5
1
2
3
4
5
5
^ RD
^ RD
^ RD
^ RD
^ RD
^ RD
THEN
THEN
THEN
^ RD
^ RD
^ RD
^ RD
^ RD
THEN
THEN
THEN
THEN
^ RD
^ RD
= 5 THEN BALANCE 'B'
= 1/2/3 THEN BALANCE 'L'
= 4/5 THEN BALANCE 'R'
= 1/2 THEN BALANCE 'L'
= 3 THEN BALANCE 'B'
= 4/5 THEN BALANCE 'R'
BALANCE 'L'
BALANCE 'L'
BALANCE 'L'
= 1/2/3/4 THEN BALANCE 'L'
= 5 THEN BALANCE 'B'
= 1/2/3 THEN BALANCE 'L'
= 4 THEN BALANCE 'B'
= 5 THEN BALANCE 'R'
BALANCE 'L'
BALANCE 'L'
BALANCE 'L'
BALANCE 'L'
= 1/2/3/4 THEN BALANCE 'L'
= 5 THEN BALANCE 'B'
Form Input Data Balance Scale Form ini untuk
menginput data-data dari hasil percobaan
balance scale
5. Pengujian Sistem
Pengujian sistem dengan cara memasukkan data balance scale yang baru pada aplikasi
untuk mengetahui keakuratan dalam memprediksi balance scale pada kognitif . dimana yang
menjadi data training yang sebelumnya telah diuji dengan menggunakan metode Decision Tree.
Data balance scale baru yang akan diinputkan pada sistem diantaranya :
Class
R
R
R
B
B
B
L
L
L
LeftWeight
1
1
1
1
1
1
1
1
1
LeftDistance
1
1
1
1
2
2
3
3
3
RightWeight
1
1
1
1
2
1
1
1
2
RightDistance
2
3
4
1
1
2
1
2
1
Dapat dilihat bahwa hasil dari program menunjukkan nilai kesimpulan data balance scale yang
dihasilkan. Tingkat keakuratan yang masih 100%, semakin tinggi nilai akurasi yang dihasilkan
maka program yang dihasilkan juga semakin baik karena kesesuaian antara prediksi dan hasil
tinggi.
6. Kesimpulan
Pada paper ini telah dilakukan studi penerapan data mining menggunakan metode
Decision Tree dengan algoritma C4.5 untuk mengetahui keakuratan data balance scale dalam
pengujian kognitif.
Berdasarkan hasil pengujian yang telah dilakukan dengan memasukkan data balance
scale yang baru kemudian dianalisis dengan menggunakan metode pohon keputusan algoritma
C4.5 pada sistem aplikasi, hasil yang diperoleh sama dengan hasil kategori data sebenarnya.
7. Daftar Pustaka
http://archive.ics.uci.edu/ml/datasets/Balance+Scale
https://www.academia.edu/6065920/Belajar_Mudah_Algoritma_Data_Mining_C4.
http://whatis.techtarget.com/definition/decision-tree
https://www.coursera.org/specializations/data-mining
EVALUASI BALANCE SCALE COGNITIVE DENGAN ALGORITMA C4.5
M. Azhari Marpaung1, Nabila Dwi Cahyani2,
Gustara Sapto Ajie3, Agung Kurniawan4, Eka
Qolbu M.S. 5
Teknik Informatika, Fakultas Matematika dan Ilmu
Pengetahuan Alam, Universitas Padjadjaran
Jatinangor, Indonesia
Email : ariipaung@gmail.com1 , chyndc@gmail.com2 ,
gustara.sapto@gmail.com 3, agungkurniawan060496@gmail.com4
, ekaqolbums@yahoo.co.id5
Abstrak
Istilah “Cognitive” berasal dari kata cognition artinya adalah pengertian, mengerti.
Kognitif adalah proses yang terjadi secara internal di dalam pusat susunan saraf pada waktu
manusia sedang berpikir (Gagne dalam Jamaris, 2006). Pengertian yang luasnya cognition
(kognisi) adalah perolehan, penataan, dan penggunaan pengetahuan (Neisser, 1976). Menurut
para ahli jiwa aliran kognitifis, tingkah laku seseorang/anak itu senantiasa didasarkan pada
kognisi, yaitu tindakan mengenal atau memikirkan situasi dimana tingkah laku itu terjadi.
Kemudian istilah kognitif ini menjadi populer sebagai salah satu wilayah psikologi
manusia / satu konsep umum yang mencakup semua bentuk pengenalan yang meliputi setiap
perilaku mental yang berhubungan dengan masalah pemahaman, memperhatikan, memberikan,
menyangka, pertimbangan, pengolahan informasi, pemecahan masalah, kesengajaan,
pertimbangan, membayangkan, memperkirakan, berpikir dan keyakinan.
Pada penelitian ini dihasilkan untuk model eksperimen psikologis yang dilansir oleh
Siegler, R. S. (1976). Tiga Aspek Pengembangan Kognitif. Psikologi kognitif, 8, 481-520.
Kumpulan data ini dihasilkan untuk model hasil eksperimen psikologis. Setiap contoh
diklasifikasikan sebagai memiliki ujung timbangan ke kanan, ujung ke kiri, atau seimbang.
Atribut adalah berat kiri, jarak kiri, berat badan yang tepat, dan jarak yang tepat. Cara yang
benar untuk menemukan kelas adalah lebih besar dari (kiri-jarak * kiri berat badan) dan
(kanan jarak * kanan berat badan). Jika mereka sama, itu adalah seimbang.
Salah satu teknik data mining yang dapat digunakan adalah klasifikasi. Data percobaan
balance scale pada pengembangan kognitif yang telah ada dianalisis menggunakan Metode
Decision Tree (Pohon Keputusan) dengan algoritma C4.5. Metode Decision
Tree
merupakan metode yang merubah fakta yang sangat besar menjadi sebuah
pohon
keputusan
yang mereprentasikan aturan-aturan. Pohon keputusan ini juga
berguna untuk mengeksplorasi data, serta menemukan hubungan tersembunyi antara
sejumlah calon variabel input dengan sebuah variabel target. Algoritma C4.5 membuat
pohon keputusan dari atas ke bawah, dimana atribut paling atas merupakan akar, dan yang
paling bawah dinamakan daun, kemudian pola tersebut dapat digunakan untuk menunjukkan
hasil balance scale pengembangan kognitif
Kata kunci : balance scale, cognitive, data mining, decision tree, algoritma C4.5
1. PENDAHULUAN
Dalam pekembangan selanjutnya,
kemudian istilah kognitif ini menjadi
populer sebagai salah satu wilayah
psikologi manusia / satu konsep umum
yang
mencakup
semua
bentuk
pengenalan yang meliputi setiap perilaku
mental yang berhubungan dengan
masalah pemahaman, memperhatikan,
memberikan, menyangka, pertimbangan,
pengolahan
informasi,
pemecahan
masalah, kesengajaan, pertimbangan,
membayangkan,
memperkirakan,
berpikir dan keyakinan. Termasuk
kejiwaan yang berpusat di otak ini juga
berhubungan dengan konasi (kehendak)
dan afeksi (perasaan) yang bertalian
dengan rasa.
Tujuan aspek kognitif berorientasi
pada
kemampuan
berfikir
yang
mencakup kemampuan intelektual yang
lebih sederhana, yaitu mengingat, sampai
pada kemampuan memecahkan masalah
yang
menuntut
siswa
untuk
menghubungakan dan menggabungkan
beberapa ide, gagasan, metode atau
prosedur
yang
dipelajari
untuk
memecahkan masalah.
Berdasarkan uraian di atas, pada
penelitian ini akan dibuat sebuah
sistem
untuk
mengklasifikasikan
putaran motor servo dengan cara
mengevaluasi
kinerjanya
melalui
penerapan data mining menggunakan
metode decision tree dengan algoritma
C4.5.
2. LANDASAN TEORI
a. Data Mining
Data mining adalah penambangan
atau penemuan informasi baru
dengan mencari pola atau aturan
tertentu dari sejumlah data yang sangat
besar. Data mining juga disebut
sebagai serangkaian proses untuk
menggali nilai tambah berupa
pengetahuan yang selama ini tidak
diketahui secara manual dari suatu
kumpulan data.
Tahapan dari proses Knowledge
Discovery in Database (KDD) adalah
:
1. Selection
2. Pre-Processing / Cleaning.
3. Transformation
4. Data Mining
5. Interpretation / Evaluation.
b. Metode Klasifikasi
Klasifikasi adalah proses untuk
menemukan model atau fungsi yang
menjelaskan
atau
membedakan
konsep atau kelas data, dengan tujuan
untuk dapat memperkirakan kelas
dari suatu objek yang labelnya tidak
diketahui. Dalam mencapai tujuan
tersebut, proses
klasifikasi
membentuk suatu model yang
mampu membedakan data ke dalam
kelas-kelas yang berbeda berdasarkan
aturan atau fungsi tertentu. Model
itu sendiri bisa berupa aturan “jikamaka”,berupa pohon keputusan atau
formula matematis.
Gambar 1. Blok Diagram Model 1
c. Decision Tree
Sebuah pohon keputusan adalah
sebuah struktur yang dapat digunakan
untuk membagi kumpulan data yang
besar menjadi himpunan-himpunan
record yang lebih kecil dengan
menerapkan
serangkaian
aturan
keputusan. Dengan
masing-masing
rangkaian
pembagian,
anggota
himpunan hasil menjadi mirip satu
dengan yang lain (Berry & Linoff,
2004) .
Metode ini merupakan salah satu
metode yang
ada
pada teknik
klasifikasi dalam data mining. Metode
pohon keputusan
mengubah
fakta
yang
sangat besar
menjadi pohon
keputusan
yang merepresentasikan
aturan. Pohon keputusan juga berguna
untuk mengekplorasi data, menemukan
hubungan
tersembunyi
antara
sejumlah calon variabel input dengan
sebuah variabel target.
Data dalam pohon keputusan
biasanya dinyatakan dalam bentuk tabel
dengan atribut dan record. Atribut
menyatakan suatu parameter yang
disebut
sebagai
kriteria
dalam
pembentukan pohon. Misalkan untuk
menentukan kinerja motor sevo, kriteria
yang diperhatikan adalah loop, beban,
dan tegangan input. Salah satu atribut
merupakan atribut yang menyatakan
data solusi per item data yang disebut
atribut hasil. Banyak algoritma yang
dapat dipakai dalam pembentukan
pohon keputusan, antara lain ID3, C4.5,
CART .
d. Algoritma C4.5
Algoritma
C4.5
merupakan
pengembangan dari algoritma ID3.
Algoritma C4.5 dan ID3 diciptakan oleh
seorang peneliti dibidang kecerdasan
buatan bernama J. Rose Quinlan
pada akhir tahun 1970-an. Algoritma C4.5
membuat pohon keputusan dari atas ke
bawah, dimana atribut
paling atas
merupakan akar, dan yang paling
bawah dinamakan daun.
Secara umum, algoritma C4.5
untuk membangun sebuah pohon
keputusan adalah sebagai berikut:
Hitung jumlah data, jumlah data
berdasarkan anggota atribut hasil
dengan
syarat
tertentu.
Untuk proses pertama syaratnya
masih kosong.
Pilih atribut sebagai Node.
Buat cabang untuk tiap-tiap
anggota dari Node.
Periksa apakah nilai entropy
dari anggota Node ada yang
bernilai nol. Jika ada, tentukan
daun yang terbentuk. Jika seluruh
nilai entropy anggota
Node
adalah nol, maka proses pun
berhenti.
Jika ada anggota Node yang
memiliki nilai entropy lebih
besar dari nol, ulangi lagi proses
dari awal dengan Node sebagai
syarat sampai semua anggota dari
Node bernilai nol.
Node adalah atribut yang mempunyai
nilai gain tertinggi
dari atribut-aribut
yang ada. Gain adalah nilai dari setiap
atribut yang dijadikan acuan / patokan
dalam menentuka node pada model
pohon keputusan. Untuk menghitung
nilai gain suatu atribut digunakan rumus
seperti yang tertera dalam persamaan
berikut :
3. ANALISA DATA DENGAN ALGORITMA C.4.5
Secara umum algoritma
adalah sebagai berikut:
C4.5 untuk
membangun
pohon keputusan
Pilih atribut sebagai akar
Buat cabang untuk masing-masing nilai
Bagi kasus dalam cabang
Ulangi proses untuk masing-masing cabang sampai semua kasus pada cabang
memiliki kelas yang sama.
Data hasil percobaan balance scale pada pengembanga kognitif yang terdapat pada
tabel 1 merupakan data yang akan dijadikan parameter dalam proses pengklasifikasian
balance scale dengan algoritma C4.5 menggunakan Model Metode Pohon Keputusan.
TOTAL
KASUS
15
SUM ( L
)
5
SUM ( B
)
5
NODE
ATRIBUT
Nilai
LW
LD
1
RW
RD
1
2
3
4
5
1
2
3
4
5
1
2
3
4
5
1
2
3
4
5
SUM ( R
)
5
SUM
(N)
15
0
0
0
0
6
2
5
2
0
11
3
1
0
0
7
4
2
1
1
ENTROPI
TOTAL
1,584963
SUM ( L )
5
0
0
0
0
0
0
3
2
0
4
1
0
0
0
3
2
0
0
0
SUM ( B
)
5
0
0
0
0
1
2
2
0
0
3
1
1
0
0
3
1
1
0
0
Tabel 1. Balance
Gambar 1. Decision Tree Node 1 1
SUM ( R
)
5
0
0
0
0
5
0
0
0
0
4
1
0
0
0
1
1
1
1
1
Entropi
GAIN
1,584963
0
0
0
0
0
0,650022
0
0,970951 1,001303
0
0
1,572624
1,584963
0
0,114713
0
0
1,448816
1,5
1
0,375515
0
0
Berdasarkan pembentukan pohon keputusan pada gambar 1, menunjukkan
bahwa pada node 1 (balance) merupakan node dengan mendapatkan gain tertinggi
sebesar 1,001303. Sehingga node 1 mendapatkan attribute LD
TOTAL KASUS
6
NODE
1.1
SUM ( L
)
0
ATRIBUT
SUM ( B
)
1
Nilai
2
3
4
5
1
2
3
4
5
1
2
3
4
5
RW
RD
SUM ( R
ENTROPI
)
TOTAL
5
0,650022
SUM ( SUM ( B
SUM (N)
L)
)
0
0
0
0
5
1
0
0
0
2
1
1
1
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
Tabel 2. LD (Left-Distance)
Gambar 2. Decision Tree Node 1 1
0
0
0
0
1
0
0
0
0
1
0
0
0
0
SUM (
R)
0
0
0
0
4
1
0
0
0
1
1
1
1
1
Entropi
GAIN
0
0
0
0
0,721928
0
0
0,048416
0
0
1
0
0
0,316689
0
0
Berdasarkan pembentukan pohon keputusan pada gambar 2, menunjukkan
bahwa pada node 1.1 (Left-Distance) merupakan node dengan mendapatkan attribute
RW
TOTAL
KASUS
5
SUM ( L
)
0
SUM ( B
)
1
NODE
ATRIBUT
Nilai
LW
1.1.1
RD
1
2
3
4
5
1
2
3
4
5
SUM ( R
)
4
SUM
(N)
5
0
0
0
0
1
1
1
1
1
ENTROPI
TOTAL
0,721928
SUM ( L )
0
0
0
0
0
0
0
0
0
0
SUM ( B
)
1
0
0
0
0
1
0
0
0
0
Tabel 3. RD (Right-Distance)
Gambar 3. Decision Tree Node 1.1.1. 1
SUM ( R
)
4
0
0
0
0
0
1
1
1
1
Entropi
GAIN
0,721928
0
0
0
0
0
0
0
0
0,721928
0
0
Berdasarkan pembentukan pohon keputusan pada gambar 3, menunjukkan
bahwa pada node 1.1.1. (RD) merupakan node dengan mendapatkan gain tertinggi
sebesar 0,721928. Sehingga node 1.1.1. mendapatkan attribute RD
TOTAL
KASUS
5
SUM ( L
)
3
SUM ( B
)
2
NODE
ATRIBUT
Nilai
LW
1.3
RW
RD
Tabel 4. LD 3
1
2
3
4
5
1
2
3
4
5
1
2
3
4
5
SUM ( R
)
0
SUM
(N)
5
0
0
0
0
3
1
1
0
0
3
1
1
0
0
ENTROPI
TOTAL
0,970951
SUM ( L )
3
0
0
0
0
2
1
0
0
0
2
1
0
0
0
SUM ( B
)
2
0
0
0
0
1
0
1
0
0
1
0
1
0
0
SUM ( R
)
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
Entropi
GAIN
0,970951
0
0
0
0
0
0,918296
0
0
0,419973
0
0
0,918296
0
0
0,419973
0
0
Gambar 4. Decision Tree Node 1.3. 1
Berdasarkan pembentukan pohon keputusan pada gambar 4, menunjukkan
bahwa pada node 1.3 (LD 3) merupakan node dengan mendapatkan gain tertinggi
sebesar 0,419973. Sehingga node 1.3 mendapatkan attribute RD
TOTAL
KASUS
3
SUM ( L
)
2
SUM ( B
)
1
NODE
ATRIBUT
Nilai
LW
1.3.1
RW
1
2
3
4
5
1
2
3
4
5
SUM ( R
)
0
SUM
(N)
3
0
0
0
0
1
1
1
0
0
ENTROPI
TOTAL
0,918296
SUM ( L )
2
0
0
0
0
1
1
0
0
0
SUM ( B
)
1
0
0
0
0
0
0
1
0
0
SUM ( R
)
0
0
0
0
0
0
0
0
0
0
Entropi
GAIN
0,918296
0
0
0
0
0
0
0
0
0,918296
0
0
Tabel 5. RD 1
Gambar 5.
4. Decision Tree Node 1.3.1
1.3. 21
Berdasarkan pembentukan pohon keputusan pada gambar 5, menunjukkan
bahwa pada node 1.3.1 (RD 1) merupakan node dengan mendapatkan gain tertinggi
sebesar 0,918296. Sehingga node 1.3.1 mendapatkan attribute RW
4. Implementasi Sistem
Berikut merupakan kesimpulan dari mining data balance scale :
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
1
1
1
1
1
1
1
1
1
1
1
1
1
1
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
3
4
4
4
4
4
4
4
5
5
5
5
5
5
1
1
1
1
1
1
1
1
2
2
2
2
2
2
2
2
2
2
2
2
2
3
3
3
3
3
3
3
3
3
4
4
4
4
4
4
4
4
4
5
5
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
RD
RD
RD
RD
RD
RD
RD
RD
RD
RD
RD
RD
RD
RD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
RD
RD
RD
RD
RD
RD
RD
RD
RD
RD
RD
RD
RD
RD
RD
RD
RD
RD
RD
RD
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
5
1
1
1
2
3
4
5
1
1
2
3
4
5
1
1
1
2
2
3
4
5
1
1
2
2
2
3
3
3
4
4
4
5
5
1
1
2
2
2
3
3
4
5
1
1
1
2
2
2
3
4
5
1
1
THEN
^ LD
^ LD
^ LD
THEN
THEN
THEN
THEN
^ LD
^ LD
THEN
THEN
THEN
THEN
^ RD
^ RD
^ RD
^ RD
^ RD
THEN
THEN
THEN
^ RD
^ RD
^ RD
^ RD
^ RD
^ RD
^ RD
^ RD
^ RD
^ RD
^ RD
^ RD
^ RD
^ LD
^ LD
^ LD
^ LD
^ LD
^ LD
^ LD
THEN
THEN
^ LD
^ LD
^ LD
^ LD
^ LD
^ LD
THEN
THEN
THEN
^ LD
^ LD
BALANCE 'R'
= 1/2/3 THEN BALANCE 'R'
= 4 THEN BALANCE 'B'
= 5 THEN BALANCE 'L'
BALANCE 'R'
BALANCE 'R'
BALANCE 'R'
BALANCE 'R'
= 1/2/3/4 THEN BALANCE 'R'
= 5 THEN BALANCE 'B'
BALANCE 'R'
BALANCE 'R'
BALANCE 'R'
BALANCE 'R'
= 1 THEN BALANCE 'L'
= 2 THEN BALANCE 'B'
= 3/4/5 THEN BALANCE 'R'
= 1/2/3 THEN BALANCE 'L'
= 4 THEN BALANCE 'B'
BALANCE 'L'
BALANCE 'L'
BALANCE 'L'
= 1 THEN BALANCE 'B'
= 2/3/4/5 THEN BALANCE 'R'
= 1 THEN BALANCE 'L'
= 2 THEN BALANCE 'B'
= 3/4/5 THEN BALANCE 'R'
= 1/2 THEN BALANCE 'L'
= 3 THEN BALANCE 'B'
= 4/5 THEN BALANCE 'R'
= 1/2/3 THEN BALANCE 'L'
= 4 THEN BALANCE 'B'
= 5 THEN BALANCE 'R'
= 1/2/3/4 THEN BALANCE 'L'
= 5 THEN BALANCE 'B'
= 1 THEN BALANCE 'R'
= 2/3/4/5 THEN BALANCE 'L'
= 1/2 THEN BALANCE 'R'
= 3 THEN BALANCE 'B'
= 4/5 THEN BALANCE 'L'
= 1/2/3/4 THEN BALANCE 'R'
= 5 THEN BALANCE 'L'
BALANCE 'R'
BALANCE 'R'
= 1 THEN BALANCE 'R'
= 2 THEN BALANCE 'B'
= 3/4/5 THEN BALANCE 'L'
= 1/2/3 THEN BALANCE 'R'
= 4 THEN BALANCE 'B'
= 5 THEN BALANCE 'L'
BALANCE 'R'
BALANCE 'R'
BALANCE 'R'
= 1/2 THEN BALANCE 'R'
= 3/4/5 THEN BALANCE 'L'
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
2
2
2
2
2
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
4
4
4
4
4
4
4
4
4
4
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
5
5
5
5
5
1
1
1
1
1
1
1
2
2
2
2
2
2
2
2
2
3
3
3
3
3
3
3
3
3
3
3
3
3
4
4
4
4
4
4
4
4
4
5
5
5
5
5
5
5
5
1
1
1
1
1
1
1
1
1
1
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
RD
RD
RD
RD
RD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
RD
RD
RD
RD
RD
RD
RD
RD
RD
RD
RD
RD
RD
RD
RD
RD
RD
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
2^ LD = 1/2/3/4 THEN BALANCE 'R'
2^ LD = 5 THEN BALANCE 'B'
3 THEN BALANCE 'R'
4 THEN BALANCE 'R'
5 THEN BALANCE 'R'
1 ^ RD = 1/2 THEN BALANCE 'L'
1 ^ RD = 3 THEN BALANCE 'B'
1 ^ RD = 4/5 THEN BALANCE 'R'
2 THEN BALANCE 'L'
3 THEN BALANCE 'L'
4 THEN BALANCE 'L'
5 THEN BALANCE 'L'
1 ^ RD = 1 THEN BALANCE 'L'
1 ^ RD = 2/3/4/5 THEN BALANCE 'R'
2 ^ RD = 1/2 THEN BALANCE 'L'
2 ^ RD = 3 THEN BALANCE 'B'
2 ^ RD = 4/5 THEN BALANCE 'R'
3 ^ RD = 1/2/3/4 THEN BALANCE 'L'
3 ^ RD = 5 THEN BALANCE 'R'
4 THEN BALANCE 'L'
5 THEN BALANCE 'L'
1 ^ RD = 1 THEN BALANCE 'B'
1 ^ RD = 2/3/4/5 THEN BALANCE 'R'
2 ^ RD = 1 THEN BALANCE 'L'
2 ^ RD = 2 THEN BALANCE 'B'
2 ^ RD = 3/4/5 THEN BALANCE 'R'
3 ^ RD = 1/2 THEN BALANCE 'L'
3 ^ RD = 3 THEN BALANCE 'B'
3 ^ RD = 4/5 THEN BALANCE 'R'
4 ^ RD = 1/2/3 THEN BALANCE 'L'
4 ^ RD = 4 THEN BALANCE 'B'
4 ^ RD = 5 THEN BALANCE 'R'
5 ^ RD = 1/2/3/4 THEN BALANCE 'L'
5 ^ RD = 5 THEN BALANCE 'B'
1 ^ LD = 1 THEN BALANCE 'R'
1 ^ LD = 2/3/4/5 THEN BALANCE 'L'
2 ^ LD = 1/2 THEN BALANCE 'R'
2 ^ LD = 3/4/5 THEN BALANCE 'L'
3 ^ LD = 1/2/3 THEN BALANCE 'R'
3 ^ LD = 4 THEN BALANCE 'B'
3 ^ LD = 5 THEN BALANCE 'L'
4 THEN BALANCE 'R'
5 THEN BALANCE 'R'
1 ^ LD = 1 THEN BALANCE 'R'
1 ^ LD = 2/3/4/5 THEN BALANCE 'L'
2 ^ LD = 1/2/3 THEN BALANCE 'R'
2 ^ LD = 4/5 THEN BALANCE 'L'
3 ^ LD = 1/2/3/4 THEN BALANCE 'R'
3 ^ LD = 5 THEN BALANCE 'B'
4 THEN BALANCE 'R'
5 THEN BALANCE 'R'
1 ^ RD = 1/2/3 THEN BALANCE 'L'
1 ^ RD = 4 THEN BALANCE 'B'
1 ^ RD = 4 THEN BALANCE 'R'
2 ^ RD = 1 THEN BALANCE 'L'
2 ^ RD = 2 THEN BALANCE 'B'
2 ^ RD = 3/4/5 THEN BALANCE 'R'
3 ^ RD = 1 THEN BALANCE 'L'
3 ^ RD = 2/3/4/5 THEN BALANCE 'R'
4 ^ RD = 1 THEN BALANCE 'B'
4 ^ RD = 2/3/4/5 THEN BALANCE 'R'
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
4
4
4
4
4
4
4
4
4
4
4
4
4
4
4
4
4
4
4
4
4
4
4
4
4
4
4
4
4
4
4
4
4
4
4
4
4
4
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
1
2
2
2
2
2
2
2
2
2
2
2
3
3
3
3
3
3
3
3
3
3
4
4
4
4
4
4
4
4
5
5
5
5
5
5
5
5
1
1
1
1
1
1
1
1
1
1
2
2
2
2
2
2
2
2
2
2
3
3
3
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
5
1
2
2
2
3
3
4
4
4
5
5
1
2
3
3
3
4
4
4
5
5
1
2
3
4
4
4
5
5
1
2
3
4
4
5
5
5
1
1
2
2
3
3
4
4
5
5
1
2
2
3
3
4
4
5
5
5
1
2
3
THEN
THEN
^ RD
^ RD
^ RD
^ RD
^ RD
^ RD
^ RD
^ RD
^ RD
^ RD
THEN
THEN
^ RD
^ RD
^ RD
^ RD
^ RD
^ RD
^ RD
^ RD
THEN
THEN
THEN
^ RD
^ RD
^ RD
^ RD
^ RD
THEN
THEN
THEN
^ RD
^ RD
^ RD
^ RD
^ RD
^ RD
^ RD
^ RD
^ RD
^ RD
^ RD
^ RD
^ RD
^ RD
^ RD
THEN
^ RD
^ RD
^ RD
^ RD
^ RD
^ RD
^ RD
^ RD
^ RD
THEN
THEN
^ RD
BALANCE 'R'
BALANCE 'L'
= 1/2/3 THEN BALANCE 'L'
= 4 THEN BALANCE 'B'
= 5 THEN BALANCE 'R'
= 1/2 THEN BALANCE 'L'
= 3/4/5 THEN BALANCE 'R'
= 1 THEN BALANCE 'L'
= 2 THEN BALANCE 'B'
= 3/4/5 THEN BALANCE 'R'
= 1 THEN BALANCE 'L'
= 2/3/4/5 THEN BALANCE 'R'
BALANCE 'L'
BALANCE 'L'
= 1/2/3 THEN BALANCE 'L'
= 4 THEN BALANCE 'B'
= 5 THEN BALANCE 'R'
= 1/2 THEN BALANCE 'L'
= 3 THEN BALANCE 'B'
= 4/5 THEN BALANCE 'R'
= 1/2 THEN BALANCE 'L'
= 3/4/5 THEN BALANCE 'R'
BALANCE 'L'
BALANCE 'L'
BALANCE 'L'
= 1/2/3 THEN BALANCE 'L'
= 4 THEN BALANCE 'B'
= 5 THEN BALANCE 'R'
= 1/2/3 THEN BALANCE 'L'
= 4/5 THEN BALANCE 'R'
BALANCE 'L'
BALANCE 'L'
BALANCE 'L'
= 1/2/3/4 THEN BALANCE 'L'
= 5 THEN BALANCE 'B'
= 1/2/3 THEN BALANCE 'L'
= 4 THEN BALANCE 'B'
= 5 THEN BALANCE 'R'
= 1/2/3/4 THEN BALANCE 'L'
= 5 THEN BALANCE 'B'
= 1/2 THEN BALANCE 'L'
= 3/4/5 THEN BALANCE 'R'
= 1 THEN BALANCE 'L'
= 2/3/4/5 THEN BALANCE 'R'
= 1 THEN BALANCE 'L'
= 2/3/4/5 THEN BALANCE 'R'
= 1 THEN BALANCE 'B'
= 2/3/4/5 THEN BALANCE 'R'
BALANCE 'L'
= 1/2/3/4 THEN BALANCE 'L'
= 5 THEN BALANCE 'B'
= 1/2/3 THEN BALANCE 'L'
= 4/5 THEN BALANCE 'R'
= 1/2 THEN BALANCE 'L'
= 3/4/5 THEN BALANCE 'R'
= 1 THEN BALANCE 'L'
= 2 THEN BALANCE 'B'
= 3/4/5 THEN BALANCE 'R'
BALANCE 'L'
BALANCE 'L'
= 1/2/3/4 THEN BALANCE 'L'
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
IF
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
LW
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
LD
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
3
3
3
3
3
3
4
4
4
4
4
4
4
4
5
5
5
5
5
5
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
^
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
RW
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
3
4
4
5
5
5
1
2
3
4
4
5
5
5
1
2
3
4
5
5
^ RD
^ RD
^ RD
^ RD
^ RD
^ RD
THEN
THEN
THEN
^ RD
^ RD
^ RD
^ RD
^ RD
THEN
THEN
THEN
THEN
^ RD
^ RD
= 5 THEN BALANCE 'B'
= 1/2/3 THEN BALANCE 'L'
= 4/5 THEN BALANCE 'R'
= 1/2 THEN BALANCE 'L'
= 3 THEN BALANCE 'B'
= 4/5 THEN BALANCE 'R'
BALANCE 'L'
BALANCE 'L'
BALANCE 'L'
= 1/2/3/4 THEN BALANCE 'L'
= 5 THEN BALANCE 'B'
= 1/2/3 THEN BALANCE 'L'
= 4 THEN BALANCE 'B'
= 5 THEN BALANCE 'R'
BALANCE 'L'
BALANCE 'L'
BALANCE 'L'
BALANCE 'L'
= 1/2/3/4 THEN BALANCE 'L'
= 5 THEN BALANCE 'B'
Form Input Data Balance Scale Form ini untuk
menginput data-data dari hasil percobaan
balance scale
5. Pengujian Sistem
Pengujian sistem dengan cara memasukkan data balance scale yang baru pada aplikasi
untuk mengetahui keakuratan dalam memprediksi balance scale pada kognitif . dimana yang
menjadi data training yang sebelumnya telah diuji dengan menggunakan metode Decision Tree.
Data balance scale baru yang akan diinputkan pada sistem diantaranya :
Class
R
R
R
B
B
B
L
L
L
LeftWeight
1
1
1
1
1
1
1
1
1
LeftDistance
1
1
1
1
2
2
3
3
3
RightWeight
1
1
1
1
2
1
1
1
2
RightDistance
2
3
4
1
1
2
1
2
1
Dapat dilihat bahwa hasil dari program menunjukkan nilai kesimpulan data balance scale yang
dihasilkan. Tingkat keakuratan yang masih 100%, semakin tinggi nilai akurasi yang dihasilkan
maka program yang dihasilkan juga semakin baik karena kesesuaian antara prediksi dan hasil
tinggi.
6. Kesimpulan
Pada paper ini telah dilakukan studi penerapan data mining menggunakan metode
Decision Tree dengan algoritma C4.5 untuk mengetahui keakuratan data balance scale dalam
pengujian kognitif.
Berdasarkan hasil pengujian yang telah dilakukan dengan memasukkan data balance
scale yang baru kemudian dianalisis dengan menggunakan metode pohon keputusan algoritma
C4.5 pada sistem aplikasi, hasil yang diperoleh sama dengan hasil kategori data sebenarnya.
7. Daftar Pustaka
http://archive.ics.uci.edu/ml/datasets/Balance+Scale
https://www.academia.edu/6065920/Belajar_Mudah_Algoritma_Data_Mining_C4.
http://whatis.techtarget.com/definition/decision-tree
https://www.coursera.org/specializations/data-mining