Institutional Repository | Satya Wacana Christian University: Penerapan Algoritma Iterative Dichotomiser Three untuk Pemilihan Dosen Pembimbing (Studi Kasus : FTI UKSW) T1 672007189 BAB II

7

Bab 2

Tinjauan Pustaka

2.1

Penelitian Sebelumnya

Berbagai penelitian yang menerapkan algoritma ID3 (Iterative Dichotomizer Three) sebagai metode perhitungannya telah banyak dilakukan. ID3 (Iterative Dichotomizer Three) digunakan sebagai perhitungan untuk menggambarkan pohon keputusan yang digunakan sebagai acuan dalam penentuan penerima beasiswa mahasiswa yang sesuai dengan ketentuan yang berlaku. Penelitian tersebut merupakan perbandingan antara perhitungan menggunakan ID3 (Iterative Dichotomizer Three) dan AHP (Analytic Hierarcy Process). Atribut yang digunakan pada penelitian tersebut antara lain IPA (Indeks Prestasi Akademik), wawancara, latar belakang ekonomi serta rekomendasi wali studi. Setelah pengujian selesai dilakukan, dapat diketahui perbedaan prioritasnya. Dalam perhitungan ID3 (Iterative Dichotomizer Three) atribut yang menentukan adalah atribut IPK sedangkan dalam perhitungan AHP (Analytic Hierarcy Process) atribut yang menjadi prioritas adalah latar belakang ekonomi. Namun terdapat persamaan yaitu atribut terendah atau yang menjadi priorotas terendah adalah atribut rekomendasi wali studi (Lee, 2010).

Penelitian mengenai pemilihan dosen penguji juga pernah dilakukan dengan mencari hubungan melalui beberapa atribut yang berpengaruh dalam pemilihan dosen penguji berdasarkan keterkaitan bidang minat dosen, keterkaitan bahasa pemrograman, keterkaitan

mata kuliah dan kesesuaian jadwal. Dengan menggunakan banyak atribut diharapkan dapat memberikan hasil yang maksimal dalam menentukan dosen penguji serta dapat hadirnya dosen pembimbing maupun dosen penguji pada saat pengujian dilaksanakan (Dhiwi, 2009).

Aplikasi pemilihan dosen penguji dan penjadwalan ujian skripsi yang dibuat di Universitas Kristen Satya Wacana tersebut mampu menyusun jadwal, mengatur dosen penguji dan memetakan jadwal, namun ada beberapa hal yang masih harus diperbaiki yaitu dalam hal pemilihan dosen penguji masih dilakukan secara manual dengan melihat jadwal dari para dosen.

Pada penelitian ini, algoritma ID3 (Iterative Dichotomizer Three) akan digunakan dalam menentukan pohon dalam pemilihan dosen pembimbing yang sesuai dengan topik yang diambil mahasiswa. Pada sistem hanya akan memiliki satu hak akses saja dikarenakan hanya KPTA saja yang memiliki wewenang dalam hal ini. Sedangkan mahasiswa hanya dapat melakukan pencarian dosen pembimbing skripsi tanpa harus login atau mencantumkan identitasnya seperti nama dan NIM.

2.2

Penentuan Dosen Pembimbing Skripsi di FTI,

UKSW

Skripsi merupakan tugas akhir mahasiswa untuk memperoleh gelar akademisnya. Skripsi akan dibimbing oleh dua dosen pembimbing yang memiliki keterkaitan dengan topik skripsi tersebut. Misal mahasiswa dengan minat pengembangan Sistem Cerdas berbasis Mobile maka sebaiknya dibimbing oleh dosen yang

memiliki minat dibidang Sistem Cerdas dan Mobile, agar di saat mahasiswa tersebut menemukan kendala saat pengerjaan dapat terbantu dengan solusi yang diberikan pembimbingnya. Pembimbing 1 harus merupakan dosen dengan pendidikan terakhir minimal S2, sedangkan pembimbing 2 merupakan dosen dengan pendidikan terakhir S1 dengan tingkat kepangkatan yang lebih tinggi (misal lektor, asisten ahli).

Untuk menentukan dosen pembimbing, melalui beberapa tahap. Tahap seleksi awal ditentukan dengan mengklasifikasikan proposal yang diajukan berdasarkan bidang pengembangan (misal: Algoritma Pemrograman dan Database, Jaringan Komputer, Mobile Application dan lain- lain). Tahap selanjutnya koordinator KPTA menyerahkan proposal yang masuk kepada koordinator masing-masing bidang pengembangan. Masing-masing bidang pengembangan melakukan rapat guna menentukan proposal mana yang layak diterima maupun ditolak. Setelah tahap ini selesai, dilakukan rapat dengan seluruh staff pengajar guna menentukan dosen pembimbing yang sesuai dengan topik yang telah diterima. Apabila telah dicapai kesepakatan antara dosen untuk membimbing mahasiswa dengan topik tersebut, maka dosen dapat melakukan proses bimbingan dengan mahasiswa yang bersangkutan.

2.3

Sistem Pendukung Keputusan

2.3.1 Pengertian SPK

Konsep Sistem Pendukung Keputusan (SPK) / Decision Support Sistem (DSS) pertama kali diungkapkan pada awal tahun 1970-an oleh Michael S. Scott Morton dengan istilah Management Decision Sistem. Sistem tersebut merupakan suatu sistem yang

berbasis komputer yang ditujukan untuk membantu pengambilan keputusan dengan memanfaatkan data dan model tertentu untuk memecahkan berbagai persoalan yang tidak terstruktur.

DSS sebagai “sekumpulan prosedur berbasis model untuk data pemrosesan dan penilaian guna membantu para manager mengambil keputusan”. Untuk dapat meraih kesuksesan, sistem tersebut haruslah sederhana, cepat, mudah dikontrol, adaptip, lengkap dengan isu- isu penting, dan mudah berkomunikasi (Little, 1970).

Definisi klasik lainnya untuk Decision Support Sistem (DSS) yaitu : Sistem Pendukung Keputusan memadukan sumber daya intelektual dari individu dengan kapabilitas komputer untuk meningkatkan kualitas keputusan (Keen dan Scott Morton, 1978). 2.3.2 Karakteristik dan manfaat

Karakteristik sistem pendukung keputusan:

 Sistem Pendukung Keputusan dirancang untuk membantu pengambil keputusan dalam memecahkan masalah yang sifatnya semi terstruktur ataupun tidak terstruktur dengan menambahkan kebijaksanaan manusia dan informasi komputerisasi.

 Dalam proses pengolahannya, sistem pendukung keputusan mengkombinasikan penggunaan model-model analisis dengan teknik pemasukan data konvensional serta fungsi-fungsi pencari / interogasi informasi.

 Sistem Pendukung Keputusan, dirancang sedemikian rupa sehingga dapat digunakan/dioperasikan dengan mudah.

 Sistem Pendukung Keputusan dirancang dengan menekankan pada aspek fleksibilitas serta kemampuan adaptasi yang tinggi (Kadarsah, 2002).

Dengan berbagai karakter khusus diatas, SPK dapat memberikan berbagai manfaat dan keuntungan. Manfaat yang dapat diambil dari SPK :

 SPK memperluas kemampuan pengambil keputusan dalam memproses data / informasi bagi pemakainya.

 SPK membantu pengambil keputusan untuk memecahkan masalah terutama berbagai masalah yang sangat kompleks dan tidak terstruktur.

 SPK dapat menghasilkan solusi dengan lebih cepat serta hasilnya dapat diandalkan.

 Walaupun suatu SPK, mungkin saja tidak mampu memecahkan masalah yang dihadapi oleh pengambil keputusan, namun SPK dapat menjadi stimulan bagi pengambil keputusan dalam memahami persoalannya, karena mampu menyajikan berbagai alternatif pemecahan (Kadarsah, 2002).

2.3.3 Komponen SPK

Sebuah sistem pendukung keputusan terdiri dari beberapa subsistem (Turban, 2005), antara lain :

a. Subsistem manajemen data, meliputi basis data yang

mengandung data yang relevan dengan keadaan yang ada dan dikelola oleh sebuah sistem yang dikenal sebagai database management system (DBMS).

b. Subsistem manajemen model, yaitu sebuah paket perangkat lunak yang berisi model-model finansial , statistik, management science, atau model kuantitatif yang lain yang menyediakan kemampuan analisis sistem dan management software yang terkait.

c. Subsistem manajemen pengetahuan (knowledge) yaitu

subsistem yang mampu mendukung subsistem yang lain atau berlaku sebagai sebuah komponen yang berdiri sendiri.

d. Subsistem antarmuka pengguna (User Interface), yang

merupakan media tempat komunikasi antara pengguna dan sistem pendukung keputusan serta tempat pengguna memberikan perintah kepada sistem pendukung keputusan (Anonim, 2007).

2.4

Algoritma

Iterative Dichotomizer Three

(ID3)

Iterative Dichotomizer Three (ID3) merupakan suatu algoritma matematika yang digunakan untuk menghasilkan suatu pohon keputusan yang mampu mengklasifikasi suatu objek, ID3 diperkenalkan pertama kali oleh Ross Quinlan (1979). Aturan-aturan yang dihasilkan oleh ID3 mempunyai hubungan yang hierarkis seperti suatu pohon (mempunyai akar, titik, cabang, dan daun) (Gunawan, 2007).

Algoritma ID3 membentuk pohon keputusan dengan cara pembagian dan menguasai sampel secara rekursif dari atas ke bawah. Algoritma ID3 dimulai dengan semua data yang ada sebagai akar dari pohon keputusan, sebuah atribut yang dipilih akan menjadi pembagi dari sampel tersebut. Untuk setiap atribut dari cabang yang telah dibentuk, semua sampel yang memiliki nilai yang sama dengan

atribut cabang akan masuk dalam anggotanya dan dinamakan anak cabang (Nugroho, 2007).

Iterative Dichotomizer 3 (ID3) merupakan sebuah metode yang digunakan untuk membangkitkan pohon keputusan. Algoritma pada metode ini berbasis pada Occam’s razor, lebih memilih pohon keputusan yang lebih kecil (teori sederhana) dibanding yang lebih besar. Tetapi tidak dapat selalu menghasilkan pohon keputusan yang paling kecil dan karena itu occam’s razor bersifat heuristic, Occam’s razor diformalisasi menggunakan konsep dari entropi informasi (Setiawan, 2009).

Dasar dari algoritma ini mengasumsikan bahwa tidak ada noise di domain, mencari untuk menjelaskan konsep untuk mengklasifikasikan data uji secara sempurna. Namun, aplikasi pada dunia nyata domain membutuhkan metode untuk menangani data noise. Pada kenyataannya, dibutuhkan sebuah mekanisme yang untuk mendeskripsikan konsep induksi data, dan ini memerlukan kendala lemah bahwa deskripsi induksi harus mengklasifikasikan data uji dengan sempurna (Clark dan Niblett, 1989).

Konsep perhitungan dalam algoritma ID3 adalah menentukan objek yang akan dijadikan sebagai atribut utama. Semua objek yang ada dihitung nilai kemungkinannya terlebih dahulu, dari perhitungan tersebut diketahui mana objek yang memiliki nilai atribut paling tinggi yang kemudian dijadikan sebagai atribut utama. Berikut adalah langkah – langkah dalam algoritma ID3 : (Suyanto, 2007)  Buat simpul Root

 If semua sampel adalah kelas i, maka Return pohon satu simpul Root dengan label = i

 If Kumpulan Atribut kosong, Return pohon satu simpul Root dengan label=nilai atribut target yang paling umum (yang paling sering muncul)

 Else

 A <--- Atribut yang merupakan best classifer (dengan information gain terbesar)

 Atribut keputusan untuk Root <--- A

 For vi (setiap nilai pada A)

 Tambahkan suatu cabang di bawah Root sesuai dengan nilai vi

 Buat suatu variabel, misal Sampelvi, sebagai himpunan bagian (subset) dari kumpulan sampel yang bernilai vi pada atribut A

 If Sampelvi kosong

* THEN di bawah cabang ini tambahkan suatu simpul daun (leaf node, simpul yang tidak punya anak di bawahnya) dengan label=nilai atribut target yang paling umum(yang paling sering muncul)

* ELSE di bawah cabang ini tambahkan subtree dengan memanggil fungsi ID3 (Sampelvi,, AtributTarget, Atribut-{A})

End End

Adapun sample data yang digunakan oleh ID3 memiliki beberapa syarat, yaitu:

 Deskripsi atribut-nilai. Atribut yang sama harus mendeskripsikan tiap contoh dan memiliki jumlah nilai yang sudah ditentukan.

 Kelas yang sudah didefinisikan sebelumnya. Suatu atribut contoh harus sudah didefinisikan, karena mereka tidak dipelajari oleh ID3.

 Kelas-kelas yang diskrit. Kelas harus digambarkan dengan jelas. Kelas yang kontinu dipecah-pecah menjadi kategori-kategori yang relatif, misalnya saja metal dikategori-kategorikan menjadi “hard, quite hard, flexible, soft, quite soft”.

 Jumlah contoh (example) yang cukup. Karena pembangkitan induktif digunakan, maka dibutuhkan test case yang cukup untuk membedakan pola yang valid dari peluang suatu kejadian. Pemillihan atribut pada ID3 dilakukan dengan properti statistik, yang disebut dengan information gain. Gain mengukur seberapa baik suatu atribut memisahkan training example ke dalam kelas target. Atribut dengan informasi tertinggi akan dipilih. Dengan tujuan untuk mendefinisikan gain, pertama-tama digunakanlah ide dari teori informasi yang disebut entropi. Entropi mengukur jumlah dari informasi yang ada pada atribut.

Rumus Entropy Informasi dituliskan dalam persamaan 2.1 (Mitchell, 1997)

 



 



 p p p p

S

Keterangan :

S adalah ruang (data) sampel yang digunakan untuk training. P+ adalah jumlah yang bersolusi positif (mendukung) pada data

sampel untuk kriteria tertentu.

P- adalah jumlah yang bersolusi negatif (tidak mendukung)

pada data sampel untuk kriteria tertentu.

Catatan:

Entropy(S) = 0, jika semua contoh pada S berada dalam kelas yang sama.

Entropy(S) = 1, jika jumlah contoh positif dan jumlah contoh negatif dalam S adalah sama.

0 < Entropy(S) < 1, jika jumlah contoh positif dan negatif dalam S tidak sama.

Gambar 2.1 Grafik Fungsi Entropy Untuk Kumpulan Data Dalam 2 Kelas

Rumus menghitung Gain ditunjukkan dalam persamaan 2.2 (Mitchell, 1997)





 ( )

| |

| | ) ( )

,

( Entropy Sv

S Sv S

Entropy A

S

Gain (2.2)

Keterangan : A : atribut

V : menyatakan suatu nilai yang mungkin untuk atribut A

Values(A) : himpunan yang mungkin untuk atribut A |Sv| : jumlah sampel untuk nilai v

|S| : jumlah seluruh sampel data

Entropy(Sv): entropy untuk sampel-sampel yang memilki nilai v

2.5

Model View Control

(MVC)

Konsep MVC adalah konsep pemisahan antara logic dengan tampilan dan database.Manfaat konsep ini adalah, membuat coding logic lebih sederhana, karena sudah di pisah dengan code untuk tampilan dan membuat programmer dapat bekerja secara terpisah dengan designer. Programmer mengerjakan logic, sedangkan designer berkutat dengan design dan tampilan. Gambaran umum struktur MVC dapat dilihat pada Gambar 2.2.

Gambar 2.2 Arsitektur MVC (Model View Control) (Jeni, 2009)

Model mencakup semua proses yang terkait dengan pemanggilan struktur data baik berupa pemanggilan fungsi, input processing atau mencetak output ke dalam browser.

View

View mencakup semua proses yang terkait layout output. Bisa dibilang untuk menaruh template interface website atau aplikasi. Layer ini mengandung keseluruhan detail dari implementasi user interface. Disini, komponen grafis menyediakan representasi proses internal aplikasi dan menuntun alur interaksi user terhadap aplikasi. Tidak ada layer lain yang berinteraksi dengan user, hanya View (Jeni, 2009).

Controller

Controller mencakup semua proses yang terkait dengan pemanggilan database dan kapsulisasi proses-proses utama. Jadi semisal di bagian ini ada file bernama member.php, maka semua proses yang terkait dengan member akan dikelompokan dalam file ini

atribut cabang akan masuk dalam anggotanya dan dinamakan anak cabang (Nugroho, 2007).

Iterative Dichotomizer 3 (ID3) merupakan sebuah metode yang digunakan untuk membangkitkan pohon keputusan. Algoritma pada metode ini berbasis pada Occam’s razor, lebih memilih pohon keputusan yang lebih kecil (teori sederhana) dibanding yang lebih besar. Tetapi tidak dapat selalu menghasilkan pohon keputusan yang paling kecil dan karena itu occam’s razor bersifat heuristic, Occam’s razor diformalisasi menggunakan konsep dari entropi informasi (Setiawan, 2009).

Dasar dari algoritma ini mengasumsikan bahwa tidak ada

noise di domain, mencari untuk menjelaskan konsep untuk mengklasifikasikan data uji secara sempurna. Namun, aplikasi pada dunia nyata domain membutuhkan metode untuk menangani data

noise. Pada kenyataannya, dibutuhkan sebuah mekanisme yang untuk mendeskripsikan konsep induksi data, dan ini memerlukan kendala lemah bahwa deskripsi induksi harus mengklasifikasikan data uji dengan sempurna (Clark dan Niblett, 1989).

Konsep perhitungan dalam algoritma ID3 adalah menentukan objek yang akan dijadikan sebagai atribut utama. Semua objek yang ada dihitung nilai kemungkinannya terlebih dahulu, dari perhitungan tersebut diketahui mana objek yang memiliki nilai atribut paling tinggi yang kemudian dijadikan sebagai atribut utama. Berikut adalah langkah – langkah dalam algoritma ID3 : (Suyanto, 2007)

 Buat simpul Root

 If semua sampel adalah kelas i, maka Return pohon satu simpul Root dengan label = i

 If Kumpulan Atribut kosong, Return pohon satu simpul Root dengan label=nilai atribut target yang paling umum (yang paling sering muncul)

 Else

 A <--- Atribut yang merupakan best classifer (dengan information gain terbesar)

 Atribut keputusan untuk Root <--- A  For vi (setiap nilai pada A)

 Tambahkan suatu cabang di bawah Root sesuai dengan nilai vi

 Buat suatu variabel, misal Sampelvi, sebagai himpunan bagian (subset) dari kumpulan sampel yang bernilai vi pada atribut A

 If Sampelvi kosong

* THEN di bawah cabang ini tambahkan suatu simpul daun (leaf node, simpul yang tidak punya anak di bawahnya) dengan label=nilai atribut target yang paling umum(yang paling sering muncul)

* ELSE di bawah cabang ini tambahkan subtree dengan memanggil fungsi ID3 (Sampelvi,, AtributTarget, Atribut-{A})

End End

Adapun sample data yang digunakan oleh ID3 memiliki beberapa syarat, yaitu:

 Deskripsi atribut-nilai. Atribut yang sama harus mendeskripsikan tiap contoh dan memiliki jumlah nilai yang sudah ditentukan.

 Kelas yang sudah didefinisikan sebelumnya. Suatu atribut contoh harus sudah didefinisikan, karena mereka tidak dipelajari oleh ID3.

 Kelas-kelas yang diskrit. Kelas harus digambarkan dengan jelas. Kelas yang kontinu dipecah-pecah menjadi kategori-kategori yang relatif, misalnya saja metal dikategori-kategorikan menjadi “hard, quite hard, flexible, soft, quite soft”.

 Jumlah contoh (example) yang cukup. Karena pembangkitan induktif digunakan, maka dibutuhkan test case yang cukup untuk membedakan pola yang valid dari peluang suatu kejadian. Pemillihan atribut pada ID3 dilakukan dengan properti statistik, yang disebut dengan information gain. Gain

mengukur seberapa baik suatu atribut memisahkan training example ke dalam kelas target. Atribut dengan informasi tertinggi akan dipilih. Dengan tujuan untuk mendefinisikan

gain, pertama-tama digunakanlah ide dari teori informasi yang disebut entropi. Entropi mengukur jumlah dari informasi yang ada pada atribut.

Rumus Entropy Informasi dituliskan dalam persamaan 2.1 (Mitchell, 1997)

 



 



 p p p p

S

Keterangan :

S adalah ruang (data) sampel yang digunakan untuk training. P+ adalah jumlah yang bersolusi positif (mendukung) pada data

sampel untuk kriteria tertentu.

P- adalah jumlah yang bersolusi negatif (tidak mendukung)

pada data sampel untuk kriteria tertentu.

Catatan:

Entropy(S) = 0, jika semua contoh pada S berada dalam kelas yang sama.

Entropy(S) = 1, jika jumlah contoh positif dan jumlah contoh negatif dalam S adalah sama.

0 < Entropy(S) < 1, jika jumlah contoh positif dan negatif dalam S tidak sama.

Gambar 2.1 Grafik Fungsi Entropy Untuk Kumpulan Data Dalam 2 Kelas

Rumus menghitung Gain ditunjukkan dalam persamaan 2.2 (Mitchell, 1997)





 ( )

| |

| | ) ( )

,

( Entropy Sv

S Sv S

Entropy A

S

Gain (2.2)

Keterangan : A : atribut

V : menyatakan suatu nilai yang mungkin untuk atribut A Values(A) : himpunan yang mungkin untuk atribut A

|Sv| : jumlah sampel untuk nilai v |S| : jumlah seluruh sampel data

Entropy(Sv): entropy untuk sampel-sampel yang memilki nilai v

2.5

Model View Control

(MVC)

Konsep MVC adalah konsep pemisahan antara logic dengan tampilan dan database.Manfaat konsep ini adalah, membuat coding logic lebih sederhana, karena sudah di pisah dengan code untuk tampilan dan membuat programmer dapat bekerja secara terpisah dengan designer. Programmer mengerjakan logic, sedangkan

designer berkutat dengan design dan tampilan. Gambaran umum struktur MVC dapat dilihat pada Gambar 2.2.

Gambar 2.2 Arsitektur MVC (Model View Control) (Jeni, 2009)

Model mencakup semua proses yang terkait dengan pemanggilan struktur data baik berupa pemanggilan fungsi, input

processing atau mencetak output ke dalam browser.

View

View mencakup semua proses yang terkait layout output. Bisa dibilang untuk menaruh template interface website atau aplikasi.

Layer ini mengandung keseluruhan detail dari implementasi user interface. Disini, komponen grafis menyediakan representasi proses internal aplikasi dan menuntun alur interaksi user terhadap aplikasi. Tidak ada layer lain yang berinteraksi dengan user, hanya View

(Jeni, 2009).

Controller

Controller mencakup semua proses yang terkait dengan pemanggilan database dan kapsulisasi proses-proses utama. Jadi semisal di bagian ini ada file bernama member.php, maka semua proses yang terkait dengan member akan dikelompokan dalam file