Pencarian karakteristik calon mahasiswa baru Universitas Sanata Dharma yang tidak mendaftar ulang dengan menggunakan algoritma pohon.

(1)

ABSTRAK

Penambangan data merupakan suatu teknik untuk mengestraksi pola yang penting atau informasi yang menarik dari basis data yang berukuran besar. Penambangan data memberikan informasi yang digunakan sebagai penunjang dalam melakukan pengambilan keputusan. Teknik yang digunakan dalam melakukan penambangan data diantaranya adalah klasifikasi, yaitu teknik yang menentukan kelas-kelas ataupun kategori dari suatu objek berdasarkan sifat/atribut yang dimilikinya. Salah satu metode klasifikasi adalah algoritma pohon keputusan.

Dalam penulisan tugas akhir ini, algoritma pohon keputusan diimplementasikan untuk mengenali karakteristik calon mahasiswa yang tidak melakukan daftar ulang. Data-data yang digunakan merupakan data penerimaan mahasiswa baru Universitas Sanata Dharma dari tahun 2005 sampai dengan 2006. Seluruh data yang digunakan berisi informasi tentang gelombang masuk, prioritas pilihan program studi di mana calon mahasiswa tersebut diterima, jenis_kelamin, jenis sma, program studi tempat calon mahasiswa diterima dan status daftar ulang yang dilakukan serta nilai finalnya. Data-data ini digunakan sebagai himpunan data pelatihan dan himpunan data tes dalam proses penambangan data. Pengujian dilakukan terhadap himpunan data pelatihan dan himpunan data tes. Hasil pengujian menggunakan fivefold cross-validation dengan sampel data sebanyak 1400 record adalah 61.64 %.

(2)

vii

ABSTRACT

Data mining is a way to extract important pattern or interesting information from large databases. Data mining gives information that is used to make a decision. Classification is one of technique that can be applied on data mining. The technique will define classes or categories of an object based on its characteristics. One of classification technique is decision tree algorithm.

On this undergraduate thesis, the decision tree algorithm is applied to recognize characteristics of new student candidates of Sanata Dharma University that do not perform her-registration. The data that is used is new student candidates of 2005 to 2006 academic year, which consists of registration periods, the priority of applied study program, sex, the type of their high school, the study program where the new student are accepted, her-registration status and the final score of acceptance test. The data’s are used as training set and test set on data mining process. The experiment is done to test training set and test set. The result of experiment with 1400 records using fivefold cross-validation method is 61.64 %.

(3)

PENCARIAN KARAKTERISTIK CALON MAHASISWA

BARU UNIVERSITAS SANATA DHARMA YANG TIDAK

MENDAFTAR ULANG DENGAN MENGGUNAKAN

ALGORITMA POHON KEPUTUSAN

Skripsi

Diajukan untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Sains

Program Studi Ilmu Komputer

Oleh: Lilik Haryanto NIM: 033124010

PROGRAM STUDI ILMU KOMPUTER

JURUSAN MATEMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA

YOGYAKARTA

2008

(4)

FINDING CHARACTERISTICS OF SANATA DHARMA

UNIVERSITY NOT-ENROLLING-APPLICANTS USING

DECISION TREE ALGORITHM

A Final Thesis

Presented as Partial Fulfillment of The Requirements for the Degree of Sarjana Sains

in Computer Science

By: Lilik Haryanto

Student Number: 033124010

COMPUTER SCIENCE STUDY PROGRAM

DEPARTMENT OF MATHEMATICS

FACULTY OF SCIENCE AND TECHNOLOGY

SANATA DHARMA UNIVERSITY

YOGYAKARTA

(5)

(6)

(7)

“ Akirametakunai, Fuan ni naru to te wo nigiri, Issho ni ayunde kita “ -Kiroro-

Kupersembahkan untuk:

Jesus Christ

Ibu, Bapak (Alm), Budhe, mas Hari, Pam-Pam

Sahabat-Sahabatku...

(8)

(9)

ABSTRAK

(10)

vii

ABSTRACT

(11)

(12)

KATA PENGANTAR

Dalam nama Bapa Putera dan Roh Kudus, penulis selalu diberi kekuatan

untuk berkembang dan menjadi lebih. Puji dan syukur penulis panjatkan

kepada-Nya atas segala kesehatan, keselamatan, keberuntungan, berkat, rahmat, kasih dan

bimbingan-Nya sehingga dapat menyelesaikan penyusunan skripsi yang berjudul

“ Penambangan Data Penerimaan Mahasiswa Baru Universitas Sanata Dharma

untuk Mencari Pola Karakteristik Calon Mahasiswa yang tidak Mendaftar Ulang

dengan Menggunakan Algoritma Pohon Keputusan”.

Dalam kesempatan ini, penulis ingin mengucapkan terima kasih yang

sebesar-besarnya kepada semua pihak yang turut memberikan dukungan,

semangat dan bantuan hingga selesainya skripsi ini :

1. Jesus Christ….Makasih untuk selalu mendampingi dan menuntunku di

saat apapun….Engkau selalu ada di saat tak seorangpun menemani setiap

langkahku….Bersama-Mu segalanya menjadi lebih mudah dan begitu

indah….

2. Keluargaku….Ibu Th. Kasyati, Bpk. Marjuki (Alm), Budhe, Masku Hari,

adikku Pam-Pam. Terima kasih atas semua cinta, kasih dan semangat yang

diberikan sehingga aku dapat lebih baik….Bu… akhirnya lulus…

3. Ibu P.H Prima Rosa, S.Si., M.Sc. selaku dosen pembimbing dan Kaprodi,

atas segala kesabaran, waktu, bimbingan dan saran yang diberikan.

4. Staf BAPSI USD atas data-data mahasiswa yang diberikan.

5. Romo Dr. C. Kuntoro Adi SJ., MA., M.Sc. selaku dosen penguji

(13)

7. Bapak Drs. H. Haris Sriwindono, M.Kom selaku dosen pembimbing

akademik atas bimbingannya selama kuliah.

8. Pak Tukijo dan mbak Linda, maaf telah banyak merepotkan

9. Mas Susilo selaku pegawai laboran

10.Anak-anak program studi Ilmu Komputer: Oneng, Ina, Teguh, Iin, Toto,

Elis, Frans, Citra, Josephine, Vika, Ika, Kelik, Gondez, Suryo, Rey, Vitri,

Kadek, Henry, Doni, Teteh, Dimas, Andi, Anjar, Clara, Hendro, Beni Aji,

Iyus, Guritno, Wiwid, Rano, Aris, Wawan, Kornel, Beni, Ferry, Puguh,

Bayu, Fatso, Fani, Prity

11.Teman-teman, yang selalu ada dan tidak dapat penulis sebutkan satu

persatu, yang telah memberikan semangat dalam penulisan skripsi ini.

Penulis menyadari bahwa penyusunan skripsi ini masih jauh dari

sempurna karena keterbatasan kemampuan dan pengetahuan yang dimiliki serta

terbatasnya waktu yang ada. Oleh karena itu, dengan kerendahan hati, penulis

mengharapkan segala kritik maupun saran yang berguna dan membangun bagi

perbaikan skripsi ini.

Akhir kata, penulis berharap semoga skripsi ini dapat bermanfaat bagi

pembaca dan pihak lain yang membutuhkannya.

Penulis

(14)

DAFTAR ISI

HALAMAN JUDUL ... i

HALAMAN PERSETUJUAN PEMBIMBING ... ii

HALAMAN PENGESAHAN ... iii

HALAMAN PERSEMBAHAN iv PERNYATAAN KEASLIAN KARYA ... v

ABSTRAK ... vi

ABSTRACT ... vii

LEMBAR PERNYATAAN PERSETUJUAN viii KATA PENGANTAR ... ix

DAFTAR ISI ... xi

DAFTAR TABEL ... xiii

DAFTAR GAMBAR ... xiv

BAB I PENDAHULUAN ... 1

A. Latar Belakang ... 1

B. Perumusan Masalah ... 3

C. Batasan Masalah ... 3

D. Tujuan ... 4

E. Manfaat ... 4

F. Metodologi ... 4

G. Sistematika Pembahasan ... 5

(15)

xii

A. Penambangan Data ... 6

B. Proses Penambangan Data ... 6

C. Teknik Klasifikasi ... 10

D. Pohon Keputusan ... 11

E. Contoh Penerapan Algoritma Pohon Keputusan …... 20

BAB III PERANCANGAN SISTEM ... 40

A. Identifikasi Sistem ... 40

B. Pembersihan Data ... 41

C. Integrasi Data ... 41

D. Transformasi Data ... 42

E. Perancangan Umum Sistem ... 42

1. Masukan Sistem ... 42

2. Proses Sistem ... 44

3. Keluaran Sistem ... 48

4. Perancangan Struktur Data ... 50

5. Perancangan Antarmuka ... 51

BAB IV IMPLEMENTASI SISTEM ... 63

A. Jalannya Program dan Pembahasannya ... 63

B. Analisa Hasil Program... 84

BAB V KESIMPULAN DAN SARAN ... 89

A. Kesimpulan ... 89

B. Saran ... 89

DAFTAR PUSTAKA ... 91

(16)

xiii

DAFTAR TABEL

Tabel 2.1 Tabel Kontingensi 2 x 2... 16

Tabel 2.2 Data Nasabah... 20

Tabel 2.3 Nilai information gain data nasabah 1... 27

Tabel 2.4 Nilai information gain data nasabah 2... 31

Tabel 2.5 Aturan Klasifikasi yang diperoleh... 32

Tabel 2.6 Tabel Kotingensi Untuk Kekayaan... 33

Tabel 2.7 Tabel Nilai Frekuensi Harapan Untuk Kekayaan... 34

Tabel 2.8 Tabel Kotingensi Untuk abungan... 36

Tabel 2.9 Tabel Nilai Frekuensi Harapan Untuk Tabungan... 37

Tabel 2.10 Aturan Yang Paling Sederhana... 38

Tabel 2.11 Hasil Prediksi... 39

Tabel 3.1 Deskripsi Atribut-Atribut Tabel Data Pelatihan... 34

Tabel 3.2 Deskripsi Atribut-Atribut Tabel Data Tes... 34

Tabel 3.3 Keluaran Contoh ArrayList………... 51

Tabel 4.1 Confusion Matrix Pengujian I…... 85

Tabel 4.2 Confusion Matrix Pengujian II... 85

Tabel 4.3 Confusion Matrix Pengujian III... 86

Tabel 4.4 Confusion Matrix Pengujian IV... 86

Tabel 4.5 Confusion Matrix Pengujian V... 86

(17)

xiv

DAFTAR GAMBAR

Gambar 2.1 Langkah-langkah dalam Penambangan Data... 8

Gambar 2.2 Penambangan data dan teknologi database lainnya... 9

Gambar 2.3 Pohon Keputusan... 11

Gambar 2.4 Contoh Pohon Keputusan... 12

Gambar 2.5 Nilai positif dan negatif kejadian atribut tabungan... 22

Gambar 2.6 Nilai positif dan negatif kejadian atribut kekayaan... 23

Gambar 2.7 Nilai positif dan negatif kejadian atribut pendapatan... 25

Gambar 2.8 Pohon Awal... 27

Gambar 2.9 Nilai positif dan negatif kejadian atribut tabungan... 28

Gambar 2.10 Nilai positif dan negatif kejadian atribut pendapatan... 30

Gambar 2.11 Pohon Percabangan... 32

Gambar 3.1 Desain Antarmuka Form Input Data Tabel... 51

Gambar 3.2 Desain Antarmuka Form Detail Tabel... 52

Gambar 3.3 Desain Antarmuka Form Penentuan Node Awal... 53

Gambar 3.4 Desain Antarmuka Form Pembuatan Pohon... 54

Gambar 3.5 Desain Antarmuka Form Unpruned Aturan... 55

Gambar 3.6 Desain Antarmuka Form Aturan Default... 56

Gambar 3.7 Desain Antarmuka Form Simulasi... 57

Gambar 3.8 Desain Antarmuka Form Pengujian Aturan... 58

(18)

Gambar 3.10 Desain Antarmuka Form Aturan-Aturan... 60

Gambar 3.11 Desain Antarmuka Form Aturan-Aturan Sederhana... 61

Gambar 3.12 Desain Antarmuka Form Prediksi Sampel... 61

Gambar 4.1 Form Menu dan Form Input Data Tabel... 63

Gambar 4.2 Form Aturan Himpunan Tabel Pelatihan dan Tes... 64

Gambar 4.3 Form Tentang Program Penambangan Data... 64

Gambar 4.4 Kotak Peringatan 1... 65

Gambar 4.5 Kotak Peringatan 2... 65

Gambar 4.6 Form Data Tabel (Tabel Pelatihan) ... 66

Gambar 4.7 Form Data Tabel (Tabel Tes) ... 66

Gambar 4.8 Form Penentuan Node Awal... 67

Gambar 4.9 Form Pembuatan Pohon... 70

Gambar 4.10 Progress Bar Proses Pembuatan Pohon... 71

Gambar 4.11 Gambar 4.11 Kotak Pesan 1... 72

Gambar 4.12 Form Unpruned Aturan... 72

Gambar 4.13 Status Progress Bar Unpruned Aturan... 75

Gambar 4.14 Form Aturan Default... 75

Gambar 4.15 Kotak Pesan 2... 76

Gambar 4.16 Kotak Pesan 3... 76

Gambar 4.17 Form Simulasi... 77

Gambar 4.18 Form Simulasi Setelah Tombol Buat Simulasi diklik... 78

Gambar 4.19 Form Detail Sampel... 78

(19)

xvi

Gambar 4.21 Form Pengujian Aturan... 79

Gambar 4.22 Form Pengujian Aturan Setelah Tombol Uji Aturan diklik... 80

Gambar 4.23 Form Detail Simulasi Aturan... 81

Gambar 4.24 Kotak Pesan 5... 81

Gambar 4.25 Kotak Pesan 6... 82

Gambar 4.26 Form Aturan-Aturan Sederhana... 82

Gambar 4.27 Form Prediksi Sampel... 83

(20)

BAB I

PENDAHULUAN

A. Latar Belakang

Dalam proses Penerimaan Mahasiswa Baru (PMB), calon

mahasiswa harus menjalani serangkaian tes tertulis terlebih dahulu

sebelum mereka dinyatakan diterima sebagai mahasiswa Universitas

Sanata Dharma. Setelah mengikuti tes dan dinyatakan lulus, maka data

calon mahasiswa yang bersangkutan disimpan dalam suatu basis data

tersendiri. Untuk melengkapi persyaratan dan bukti bahwa calon

mahasiswa yang telah dinyatakan lulus tes tersebut benar-benar terdaftar

sebagai mahasiswa Universitas Sanata Dharma, maka calon mahasiswa

diwajibkan untuk melakukan daftar ulang. Setelah melakukan daftar ulang,

seorang mahasiswa secara resmi menjadi civitas academica di Universitas

Sanata Dharma. Yang menjadi masalah disini adalah bagaimana jika

mahasiswa yang telah dinyatakan lulus tersebut tidak melakukan daftar

ulang. Hal ini akan sangat merugikan bagi Universitas Sanata Dharma.

Suatu program studi pasti mempunyai jumlah kuota tertentu dalam

setiap periode penerimaan mahasiswa baru. Kuota ditentukan sebagai hasil

kesepakatan antara Ketua program studi (Kaprodi) dengan pimpinan

universitas. Untuk memenuhi kuota tersebut, Kaprodi menerima sejumlah

(21)

seluruh mahasiswa yang diterima, mendaftar ulang kembali sehingga

kuota tidak terpenuhi. Namun, ketika ditetapkan jumlah mahasiswa yang

diterima lebih dari kuota agar mahasiswa yang tidak mendaftar ulang

dapat terantisipasi, ada akibat jumlah pendaftar ulang melebihi kuota.

Masalah yang muncul adalah bagaimana menetapkan jumlah mahasiswa

yang diterima agar kuota yang ditetapkan bisa terpenuhi secara relatif

tetap.

Sebenarnya ada banyak solusi untuk mengatasi hal tersebut. Salah

satu caranya dengan penambangan data (data mining). Penambangan data

merupakan teknik untuk mengekstraksi informasi atau menemukan pola

yang penting atau menarik dari data yang ada dalam basis data yang besar.

Pendekatannya memakai algoritma pohon keputusan (decision trees).

Algoritma ini merupakan salah satu pendekatan klasifikasi, yaitu proses

pengelompokan data yang dipergunakan sebagai tujuan penambangan

data.

Dengan mempergunakan penambangan data ini diharapkan

Kaprodi bisa memprediksi kuota secara lebih tepat dengan

memperhitungkan mahasiswa-mahasiswa yang diperkirakan tidak akan

melakukan daftar ulang. Kerugian akibat melesetnya prediksi jumlah

mahasiswa pendaftar ulang dan kesulitan dalam menangani masalah

(22)

B. Perumusan Masalah

Berangkat dari latar belakang masalah yang telah dikemukakan di

atas, maka perumusan masalah dalam penelitian ini adalah bagaimana

mengimplementasikan penambangan data pada basis data PMB

Universitas Sanata Dharma untuk mengenali karakteristik calon

mahasiswa yang tidak melakukan daftar ulang dengan mempergunakan

algoritma pohon keputusan ?

C. Batasan Masalah

Berdasarkan rumusan masalah yang akan diteliti, diperlukan

adanya pembatasan masalah. Hal ini dilakukan supaya penelitian lebih

terfokus pada inti dari permasalah yang akan diteliti. Oleh karena itu,

penulis memberi batasan penelitian sebagai berikut:

1. Pendekatan yang digunakan berupa pendekatan klasifikasi dengan

hanya memakai algoritma pohon keputusan (ID3 Quinland).

2. Input adalah data PMB yang diperoleh dari Biro Administrasi dan Perencanaan Sistem Informasi (BAPSI). Universitas Sanata Dharma

dari tahun 2005 sampai 2006.

3. Program diimplementasikan menggunakan bahasa Visual Basic.net

dan MySQL

4. Outputnya berupa perkiraan atau prediksi siapa saja mahasiswa yang tidak melakukan daftar ulang serta tingkat keberhasilan prediksi.

(23)

D. Tujuan

Dapat mengenali karakteristik calon mahasiswa yang tidak

melakukan daftar ulang.

E. Manfaat

Hasil klasifikasi dari penambangan data dapat digunakan oleh

Kaprodi untuk memprediksi kuota secara lebih tepat dengan

memperhitungkan mahasiswa-mahasiswa yang diperkirakan tidak akan

melakukan daftar ulang.

F. Metodologi

1. Mencari data PMB Universitas Sanata Dharma dari tahun 2005

sampai 2006.

2. Melakukan pembersihan data terhadap data yang tidak konsisten

ataupun data yang kosong.

3. Implementasi teknik pohon keputusan pada data PMB dengan cara:

a. Mengubah bentuk data menjadi model pohon.

b. Mengubah node pohon menjadi aturan.

c. Menyederhanakan aturan.

(24)

G. Sistematika Pembahasan BAB I. PENDAHULUAN

Pada bab ini akan dibahas mengenai latar belakang masalah,

rumusan masalah, batasan masalah, tujuan, manfaat, metodologi, dan

sistematika laporan.

BAB II. LANDASAN TEORI

Pada bab ini disajikan landasan teori yang berisi

konsep/teori/temuan penelitian terdahulu/yang direplikasi yang berkaitan

dengan implementasi penambangan data. Secara khusus akan dibahas

algoritma pohon keputusan.

BAB III. PERANCANGAN SISTEM

Bab ini berisi tentang identifikasi sistem, pembersihan data,

integrasi data, transformasi data dan perancangan sistem secara umum.

BAB IV. IMPLEMENTASI PROGRAM

Bab ini berisi implementasi program penambangan data dan

analisis terhadap hasil penelitian yang telah dilakukan.

BAB V. KESIMPULAN DAN SARAN

Pada bab ini penulis memaparkan kesimpulan terhadap hasil

(25)

BAB II

LANDASAN TEORI

A. Penambangan Data

Beberapa pengertian penambangan data menurut sejumlah penulis

adalah sebagai berikut :

1. Definisi sederhana dari penambangan data adalah ekstraksi

informasi atau pola yang penting atau menarik dari data yang

berada di basis data yang besar (Yudho, 2003:1).

2. Penambangan data adalah suatu percobaan untuk memperoleh

informasi yang berguna yang tersimpan di dalam basis data yang

sangat besar (Mitra & Acharya, 2003:1).

3. Suatu proses yang mengidentifikasi hubungan dan pola-pola

tersembunyi dalam suatu data (Groth, 1998:4).

Dari pengertian-pengertian diatas, penambangan data dapat diartikan

sebagai suatu proses untuk mencari pola-pola yang tersembunyi dari basis

data yang besar sehingga didapatkan informasi yang menarik.

B. Proses Penambangan Data

Proses penambangan data tidak dapat dipisahkan dengan

Knowledge Discovery in Databases (KDD), karena penambangan data merupakan salah satu tahap dari proses KDD yang mempergunakan

(26)

khusus dalam basis data yang besar (Fayyad, Piatetsky-shapiro & Smyth,

1996: 40).

Berikut ini merupakan langkah-langkah dalam membangun

penambangan data :

1. Pembersihan Data. Proses ini dilakukan untuk membuang data

yang tidak konsisten dan derau yang ada dalam data tersebut,

seperti data yang tidak relevan, data yang salah ketik maupun data

kosong yang tidak diperlukan.

2. Integrasi data merupakan penggabungan tabel dari beberapa

sumber agar seluruh data terangkum dalam satu tabel utuh

(denormalisasi).

3. Seleksi dan transformasi data. Pada proses ini data yang ada dipilih

untuk selanjutnya diubah menjadi bentuk yang sesuai untuk

ditambang.

4. Penerapan teknik penambangan data adalah menerapkan algoritma

untuk mencari pola yang menarik

5. Evaluasi pola. Pola yang sudah didapat direpresentasikan kepada

pengguna akhir ke dalam bentuk yang menarik ataupun bentuk

(27)

Tahap-tahap tersebut diilustrasikan ke dalam gambar berikut ini :

Gambar 2.1 Langkah-langkah dalam Penambangan Data Sumber: Jiawei Han and Micheline Kamber

http://www.cs.sfu.ca/~han/dmbook

Tidak dapat dipungkiri bahwa penambangan data berkaitan erat

dengan data warehouse dan OLAP (Online Analytical Processing). Hal ini

dikarenakan teknologi yang ada pada data warehouse dan OLAP

digunakan sepenuhnya untuk melakukan penambangan data

(Yudho,2003:2). Data warehouse merupakan sistem gudang data sedangkan OLAP merupakan basis data khusus yang digunakan untuk

menunjang proses pengambilan keputusan. Berikut ini merupakan gambar

yang menunjukkan posisi masing-masing teknologi : Pembersihan

Data

Integrasi Data Databases

Data Warehouse

Tugas Data yang Relevan Seleksi dan Transformasi

Data Mining

Evaluasi Pola

Pengetahuan

Pembersihan Data

Integrasi Data Databases

Data Warehouse

Tugas Data yang Relevan Seleksi dan Transformasi

Data Mining

Evaluasi Pola

(28)

Gambar 2.2 Penambangan data dan teknologi database lainnya Sumber: Jiawei Han and Micheline Kamber

http://www.cs.sfu.ca/~han/dmbook

Dari gambar di atas terlihat bahwa teknologi data warehouse

digunakan untuk melakukan OLAP sedangkan penambangan data

digunakan untuk melakukan information discovery yang informasinya

lebih ditujukan untuk seorang Data Analysist dan Business Analysist.

Menurut Iko(2003;3) data warehouse merupakan data mentah untuk

penambangan data. Data warehouse sendiri secara periodik diisi data dari

OLTP(Online Transaction Processing) setelah menjalani pembersihan dan

integrasi data. OLTP merupakan basis data yang dipakai

perusahaan-perusahaan dalam melakukan operasi sehari-harinya seperti pencatatan

Increasing potential to support

business decisions End User

Business Analyst Data Analyst DBA Making Decisions Data Presentation Visualization Techniques Data Mining Information Discovery Data Exploration OLAP, MDA

Statistical Analysis, Querying and Reporting

Data Warehouses / Data Marts Data Sources

Paper, Files, Information Providers, Database Systems, OLTP

Increasing potential to support

business decisions End User

Statistical Analysis, Querying and Reporting

Data Warehouses / Data Marts Data Sources

(29)

transaksi jual-beli, administrasi pengiriman barang, inventori, penggajian,

dan lain sebagainya.

C. Teknik Klasifikasi

Salah satu metode yang digunakan dalam membangun

penambangan data adalah teknik klasifikasi. Klasifikasi merupakan suatu

teknik yang menentukan kelas-kelas ataupun kategori dari suatu objek

berdasarkan sifat/atribut yang dimilikinya.

Algoritma teknik klasifikasi terdiri dari dua langkah, yaitu :

1. Membangun model

Tahap ini menggambarkan satu himpunan data dari kelas-kelas yang

telah ditentukan sebelumnya. Masing-masing sampel diasumsikan

sebagai kepunyaan suatu kelas yang sudah diketahui berdasarkan

nilai-nilai atributnya. Sampel-sampel data yang digunakan untuk

membangun model disebut himpunan data pelatihan. Model

direpresentasikan sebagai clasification rules, pohon keputusan, atau

formula matematis.

2. Penggunaan model

Tujuan dari penggunaan model ini adalah untuk melakukan klasifikasi

suatu objek yang akan datang atau yang tidak dikenal. Penilaian

tingkat akurasi model menggunakan himpunan data tes. Label yang

sudah diketahui dari contoh himpunan data tes dibandingkan dengan

(30)

contoh himpunan data tes yang diklasifikasikan secara benar oleh

model.

D. Pohon Keputusan

Ada beberapa model yang dapat dibangun pada teknik klasifikasi,

salah satunya adalah pohon keputusan. Pohon keputusan adalah suatu

diagram alir seperti struktur pohon, yang mana setiap titik (node) bagian

dalam merupakan sebuah atribut, setiap cabang (branch) menggambarkan

keluaran dari suatu logikal tes dan daun-daun (leaf node) menggambarkan

kelas-kelas atau suatu kelas distribusi. Node yang paling atas disebut akar

(root node). Untuk lebih jelasnya dapat dilihat pada gambar di bawah ini.

Gambar 2.3 Pohon Keputusan

Sumber:http://www2.cs.uregina.ca/~hamilton/courses/831/notes/ml/dtrees/ 4_dtrees1.html

(31)

Di bawah ini merupakan contoh dari suatu pohon keputusan yang

mempunyai konsep tentang pembelian komputer dari suatu toko

elektronik, yang mengindikasikan kemungkinan seorang pelanggan

membeli komputer atau tidak.

Gambar 2.4 Contoh Pohon Keputusan Sumber: Jiawei Han and Micheline Kamber

http://www.cs.sfu.ca/~han/dmbook

Ada banyak algoritma yang dapat digunakan dalam membuat pohon

keputusan. Salah satu algoritma yang dapat digunakan untuk membuat

pohon keputusan adalah algoritma ID3 Quinland (Hamilton,2000).

Langkah–langkah untuk melakukan prediksi dalam pohon keputusan

dengan menggunakan algoritma ID3 Quinland adalah sebagai berikut :

1. Mengubah bentuk data menjadi bentuk model pohon

Langkah-langkah dalam mengubah model data menjadi model pohon

adalah sebagai berikut :

umur?

mahasiswa? credit_rating?

ya tidak

baik sekali _cukup ya

tidak

(32)

a. Menentukan node terpilih/node awal

Atribut mana yang harus dipilih sebagai node awal adalah atribut

yang memungkinkan untuk mendapatkan pohon keputusan yang

paling kecil ukurannya atau atribut yang bisa memisahkan objek

menurut kelasnya. Secara heuristik dipilih atribut yang

menghasilkan node yang paling ”purest” (paling bersih). Jika

dalam satu cabang anggotanya berasal dari satu kelas maka cabang

ini disebut pure. Semakin pure suatu cabang semakin baik. Ukuran

purity dinyatakan dengan tingkat impurity. Salah satu kriteria impurity adalah information gain. Jadi dalam memilih atribut untuk memecah objek dalam beberapa kelas harus dipilih atribut yang

menghasilkan information gain paling besar.

Untuk menghitung information gain perlu dihitung dahulu nilai

informasi dalam satuan bits dari suatu kumpulan obyek. Cara

penghitungan dilakukan dengan menggunakan konsep entropi.

Entropi menyatakan impurity suatu kumpulan obyek. Berikut ini

merupakan definisi dari entropi suatu ruang sampel data (S) :

entropi(S) = − P+ log2 P+−P- log2 P- ...2.1

dimana :

S = ruang sampel data yang digunakan untuk data pelatihan

P+ = jumlah yang bersolusi positif (mendukung) pada sampel data

P- = jumlah yang bersolusi negatif (tidak mendukung) pada sampel

(33)

Nilai rata-rata terbobot entropi suatu atribut dapat dirumuskan

sebagai berikut :

E(A)=

∑

= ⎟⎟⎠ ⎞ ⎜⎜ ⎝ ⎛ _× ⎟ ⎠ ⎞ ⎜ ⎝ ⎛ inst i t i e n n 1

i ...2.2

dimana :

inst = jumlah kejadian

ni = jumlah data kejadian ke-i

nt = jumlah total data keseluruhan

ei = nilai entropi kejadian ke-i

Sehingga information gain dapat di hitung dengan rumus:

Gain(A) = entropi(S) – E(A)...2.3 dimana :

entropi(S) = nilai entropi total dari atribut keputusan dalam ruang sampel data S.

E(A) = nilai rata-rata terbobot entropi suatu atribut

b. Menyusun Pohon

Penyusunan pohon dimulai dari node yang terpilih. Node yang

terpilih tersebut menjadi akar (root leaf) dari pohon yang akan

disusun. Langkah selanjutnya adalah memilih node daun (leaf

node) selanjutnya. Langkah yang dilakukan adalah : 1) Memilih node dari sampel data yang tidak homogen

2) Mencari nilai gain dari setiap atribut kecuali atribut yang telah

(34)

3) Pilih atribut yang mempunyai nilai gain paling besar sebagai

node daun selanjutnya.

Proses ini dilakukan secara terus menerus sampai setiap node daun

mempunyai sampel data yang homogen atau sampel data yang ada

kosong atau jika sampel masih tidak homogen (heterogen) tetapi

tidak ada lagi atribut yang tersisa.

2. Mengubah node pohon menjadi aturan

Pada tahap ini pohon yang telah selesai dibangun diubah menjadi

aturan if...then. Menurut Han dan Kamber (1998), node-node yang ada

merupakan anteseden pada suatu aturan, sedangkan nilai anteseden

merupakan cabang-cabang yang terbentuk pada node. Nilai

konsekuennya adalah :

Jika sampel sudah homogen, maka nilai konsekuennya adalah kejadian atribut target/keputusan pada sampel data tersebut.

Jika sampel kosong, maka nilai konsekuennya merupakan kejadian paling banyak dari atribut target pada keseluruhan sampel.

Jika sampel masih heterogen tetapi atribut kondisi sudah habis, maka nilai konsekuennya adalah kejadian pada atribut target yang

mempunyai jumlah kejadian paling banyak pada sampel yang

tersisa (Han dan Kamber, 1998)

3. Menyederhanakan aturan (pruning)

Tahap ini bertujuan untuk mengidentifikasi dan menghilangkan

(35)

meningkatkan akurasi klasifikasi. Aturan yang terbentuk menjadi lebih

sederhana dan lebih akurat. Menurut Hamilton (2000),

langkah-langkah dalam penyederhanaan aturan adalah :

a. Menyederhanakan aturan dengan menghilangkan anteseden yang

tidak perlu. Langkah-langkah untuk menghilangkan anteseden

adalah sebagai berikut :

1) Membangun tabel kontingensi untuk setiap aturan yang

mengandung lebih dari satu anteseden. Aturan yang hanya

memiliki satu anteseden tidak dapat disederhanakan lebih

lanjut, jadi hanya aturan yang terdiri dari dua atau lebih

anteseden yang dapat disederhanakan. Tabel kontingensi

merupakan nilai frekuensi yang teramati. Tabel kontingensi

terdiri dari r baris dan c kolom. Total r baris dan c kolom dalam

tabel kontingensi disebut frekuensi marjinal. Untuk lebih

jelasnya, dapat dilihat pada tabel berikut ini :

Tabel 2.1 Tabel Kontingensi 2 x 2

C1 C2 Jumlah Marjinal

R1 x11 x12 R1T = x11 + x12

R2 x21 x22 R2T = x21 + x22 Jumlah

Marjinal

CT1 = x11+ x21 CT2 = x1+x22 T = x11+x12+x21+x22

Keterangan :

R1, R2, C1, C2 : nilai-nilai dari salah satu anteseden atau

(36)

x11, x12, x21, x22 : merepresentasikan frekuensi dari setiap

pasangan anteseden dengan konsekuen

R1T, R2T : jumlah marjinal dari baris

CT1, CT2 : jumlah marjinal dari kolom

T : jumlah keseluruhan frekuensi marjinal

2) Menguji data-data dari kriteria tertentu dengan menggunakan

uji kebaikan suai. Uji kebaikan suai ini berguna untuk

menentukan tingkat independensi pada suatu kriteria. Uji ini

didasarkan pada seberapa baik kesesuaian antara frekuensi

yang teramati dalam data dengan frekuensi harapan yang

didasarkan pada sebaran yang dihipotesiskan. Berikut ini

merupakan rumus untuk menghitung frekuensi harapan bagi

sembarang sel :

eij = T

C RiT• Tj

...2.4

dimana :

eij = nilai frekuensi harapan baris ke-i kolom ke-j

RiT = total baris ke-i

CTj = total kolom ke-j

(37)

Uji kebaikan suai yang teramati dengan frekuensi harapan

didasarkan pada besaran :

χ =

) (

∑ ∑

−

baris

i kolom

j ij

ij ij

e e o

...2.5

dimana :

χ = nilai bagi peubah acak χ2_{yang sebaran penarikan}

contohnya sangat menghampiri sebaran chi-square

i = baris

j = kolom

o = nilai frekuensi teramati baris ke-i kolom ke-j

e = nilai frekuensi harapan baris ke-i kolom ke-j

Jika frekuensi yang teramati sangat dekat dengan frekuensi

harapannya, nilai χ2 akan kecil, hal ini menunjukkan kesesuaian yang baik. Namun bila frekuensi yang teramati

berbeda cukup besar dari frekuensi harapannya, nilai χ2 akan besar sehingga kesesuaiannya buruk. Kesesuaian yang terjadi

akan mempengaruhi penerimaan atau penolakan hipotesis nol

atau H_o. Hipotesis nol atau H_o merupakan pernyataan atau

dugaan mengenai satu atau lebih populasi yang dirumuskan

dengan harapan akan ditolak. Kesesuaian yang baik akan

(38)

buruk akan membawa pada penolakan H_o. Penolakan H_o

mengakibatkan penerimaan hipotesis alternatif, yang

dilambangkan dengan H1 (Walpole, 1995).

3) Menghitung derajat kebebasan

Untuk menghitung derajat kebebasan digunakan rumus :

dk = (baris - 1)(kolom - 1)...2.6

4) Gunakan tabel chi-square dengan χ2 dan derajat kebebasan untuk menentukan apakah anteseden secara individual

independen dengan konsekuennya. Untuk kepercayaan sebesar α , jika :

χ2 >χ2α

dengan derajat kebebasan dk : tolak hipotesis

nol dan menerima alternatif hipotesis yaitu anteseden

secara individual dependen dengan konsekuen.

χ2 _≤χ2α

dengan derajat kebebasan dk : terima hipotesis

nol yaitu anteseden yang secara individual independen

dengan konsekuen. χ2α dapat diperoleh pada tabel chi-square.

b. Menyederhanakan aturan dengan membuang aturan-aturan yang

tidak perlu

Penyederhanaan aturan dilakukan untuk menghapus aturan yang

memiliki anteseden-anteseden yang sama dimana konsekuennya

(39)

contoh penyederhanaan aturan adalah dengan membuat aturan

default. Aturan default ini dibentuk dengan mencari konsekuen paling banyak pada aturan tersebut. Aturan-aturan yang memiliki

konsekuen inilah yang nanti dijadikan aturan default.

E. Contoh Penerapan Algoritma Pohon Keputusan

Berikut ini merupakan contoh penyelesaian suatu kasus dengan

menggunakan algoritma pohon keputusan. Pada kasus ini data yang

digunakan adalah data nasabah (Daniel, 2005). Permasalahan yang ada

disini adalah bagaimana mengklasifikasi resiko kredit seorang nasabah.

Data nasabah ini terdiri dari empat kategori atribut, yaitu tabungan,

kekayaan, pendapatan dan atribut resiko kredit sebagai atribut

keputusannya. Di bawah ini adalah data nasabah tersebut :

Tabel 2.2 Data Nasabah Nasabah Tabungan Kekayaan Pendapatan

($ 1000s)

Resiko kredit

1 Sedang Tinggi 75 Baik

2 Rendah Rendah 50 Buruk

3 Tinggi Sedang 25 Buruk

4 Sedang Sedang 50 Baik

5 Rendah Sedang 100 Baik

6 Tinggi Tinggi 25 Baik

7 Rendah Rendah 25 Buruk

8 Sedang Sedang 75 Baik

Langkah-langkah yang harus dilakukan untuk menyelesaikan

(40)

Langkah 1 : mengubah bentuk data menjadi bentuk model pohon 1. Menentukan node terpilih

Hal yang harus dilakukan pada tahap ini adalah menghitung nilai

entropi atribut keputusan yaitu atribut resiko kredit dan nilai entropi

setiap kejadian dengan rumus 2.1, selanjutnya menghitung nilai

rata-rata terbobot entropi setiap atribut menggunakan rumus 2.2 dan

selanjutnya menghitung nilai information gain dengan rumus 2.3.

Pilihlah atribut yang mempunyai nilai information gain paling besar,

atribut inilah yang akan menjadi node awal. Berikut ini merupakan

penghitungan information gain dari setiap atribut.

Langkah awal adalah menghitung nilai entropi total dari atribut

keputusan, yaitu :

Pada data nasabah terdapat dua keputusan yaitu baik atau buruk. Ada 5

keputusan resiko kredit baik dan ada 3 keputusan resiko kredit buruk.

Dimisalkan bahwa keputusan resiko kredit baik adalah positif

sedangkan keputusan resiko kredit buruk adalah negatif, maka dapat

dihitung entropinya :

entropi(S) = − P+ log2 P+−P- log2 P-

8 3 log 8 3 8 5 log 8 5

2 2 −

−

= 0.423795 + 0.530639

(41)

a. Atribut tabungan

1) Cari jumlah nilai positif dan negatif dari setiap kejadian pada

atribut tabungan, berikut ini penggambarannya :

Gambar 2.5 Nilai positif dan negatif kejadian atribut tabungan 2) Hitung nilai entropi dari setiap kejadian, yaitu:

Tabungan = Tinggi (e1) e1 = − P+ log2 P+−P- log2 P

-e1 = 2 1 log 2 1 2 1 log 2 1 2 2 − −

e1 = 0.5 + 0.5

e1 = 1

Tabungan = Sedang (e2) e2 = − P+ log2 P+−P- log2 P

-e2 = 0

3 3 log 3 3 2 − − e2 = 0

Tabungan = Rendah (e3) e3 = − P+ log2 P+−P- log2 P

-Tabungan 3 positif

1 positif 2 negatif Tinggi Sedang Rendah 1 positif 1 negatif

(42)

e3 = 3 2 log 3 2 3 1 log 3 1 2 2 − −

e3 = 0.528321 + 0.389975

e3 = 0.918

3) Hitung nilai rata-rata terbobot entropi atribut tabungan, yaitu:

E =

∑

= ⎟⎟⎠ ⎞ ⎜⎜ ⎝ ⎛ × ⎟ ⎠ ⎞ ⎜ ⎝ ⎛ inst i t i e n n 1 i

E = ⎟

⎠ ⎞ ⎜ ⎝ ⎛ × + ⎟ ⎠ ⎞ ⎜ ⎝ ⎛ × + ⎟ ⎠ ⎞ ⎜ ⎝

⎛ × 3

8 3 2 8 3 1 8 2 e e e

E = 0.25 + 0 + 0.3444

E = 0.594

4) Hitung information gain dari atribut tabungan, yaitu:

Gain(A) = entropi(S) – E(A) = 0.954 – 0.594 = 0.36

b. Atribut kekayaan

1) Cari jumlah nilai positif dan negatif dari setiap kejadian pada

atribut kekayaan, berikut ini penggambarannya :

Gambar 2.6 Nilai positif dan negatif kejadian atribut kekayaan

Kekayaan 3 positif

1 negatif 2 negatif Tinggi Sedang Rendah 2 positif

(43)

2) Hitung nilai entropi dari setiap kejadian, yaitu: Kekayaan = Tinggi (e1)

e1 = − P+ log2 P+−P- log2 P

-e1 = 0

2 2 log 2 2 2 − − e1 = 0

Kekayaan = Sedang (e2) e2 = − P+ log2 P+−P- log2 P

-e2 = 4 1 log 4 1 4 3 log 4 3 2 2 − −

e2 = 0.311278 + 0.5

e2 = 0.811

Kekayaan = Rendah (e3) e3 = − P+ log2 P+−P- log2 P

-e3 = 2 2 log 2 2

0− ₂

e3 = 0

3) Hitung nilai rata-rata terbobot entropi atribut kekayaan, yaitu:

E =

∑

= ⎟⎟⎠ ⎞ ⎜⎜ ⎝ ⎛ × ⎟ ⎠ ⎞ ⎜ ⎝ ⎛ inst i t i e n n 1 i

E = ⎟

⎠ ⎞ ⎜ ⎝ ⎛ × + ⎟ ⎠ ⎞ ⎜ ⎝ ⎛ × + ⎟ ⎠ ⎞ ⎜ ⎝

⎛ × 3

8 2 2 8 4 1 8 2 e e e

E = 0 + 0.3934 + 0

(44)

4) Hitung information gain dari atribut kekayaan, yaitu:

Gain(A) = entropi(S) – E(A) = 0.954 – 0.406 = 0.548

c. Atribut pendapatan

1) Cari jumlah nilai positif dan negatif dari setiap kejadian pada

atribut pendapatan, berikut ini penggambarannya :

Gambar 2.7 Nilai positif dan negatif kejadian atribut pendapatan 2) Hitung nilai entropi dari setiap kejadian, yaitu:

Pendapatan = 25 (e1) e1 = − P+ log2 P+−P- log2 P

-e1 = 3 2 log 3 2 3 1 log 3 1 2 2 − −

e1 = 0.528321 + 0.389975

e1 = 0.918

Pendapatan = 50 (e2) e2 = − P+ log2 P+−P- log2 P

-e2 = 2 1 log 2 1 2 1 log 2 1 2 2 − − Pendapatan 1 positif 1 negatif 2 positif 25 50 75 1 positif 2 negatif 100 1 positif

(45)

e2 = 0.5 + 0.5

e2 = 1

Pendapatan = 75 (e3) e3 = − P+ log2 P+−P- log2 P

-e3 = 0

2 2 log 2 2 2 − − e3 = 0

Pendapatan = 100 (e4) e4 = − P+ log2 P+−P- log2 P

-e4 = 0

1 1 log 1 1 2 − − e4 = 0

3) Hitung nilai rata-rata terbobot entropi atribut pendapatan, yaitu:

E =

∑

= ⎟⎟⎠ ⎞ ⎜⎜ ⎝ ⎛ × ⎟ ⎠ ⎞ ⎜ ⎝ ⎛ inst i t i e n n 1 i

E = ⎟

⎠ ⎞ ⎜ ⎝ ⎛ × + ⎟ ⎠ ⎞ ⎜ ⎝ ⎛ × + ⎟ ⎠ ⎞ ⎜ ⎝ ⎛ × + ⎟ ⎠ ⎞ ⎜ ⎝

⎛ × 4

8 1 3 8 2 2 8 2 1 8 3 e e e e

E = 0.34425 + 0.25 + 0 + 0

E = 0.594

4) Hitung information gain dari atribut pendapatan, yaitu:

Gain(A) = entropi(S) – E(A) = 0.954 – 0.594 = 0.36

(46)

Dari penghitungan nilai information gain setiap atribut tersebut,

didapatkan tabel information gain sebagai berikut :

Tabel 2.3 Nilai information gain data nasabah 1 Atribut Nilai information gain

Tabungan 0.360 Kekayaan 0.548 Pendapatan 0.360

Pada tabel tersebut terlihat bahwa nilai information gain paling besar

dimiliki oleh atribut kekayaan sebesar 0.548. Atribut kekayaan inilah

yang menjadi node awal dalam penyusunan pohon keputusan.

2. Menyusun pohon

Untuk menyusun suatu pohon ditentukan suatu atribut sebagai node

awal. Dalam kasus ini, didapatkan node awal yaitu atribut kekayaan.

Berikut ini merupakan pohon awal yang terbentuk :

Gambar 2.8 Pohon Awal

Tinggi Sedang Rendah

Kekayaan

baik baik

baik baik baik buruk

buruk buruk

(47)

Langkah selanjutnya adalah mencari atribut lain untuk menjadi node

selanjutnya. Dari pohon awal tersebut, terdapat sampel data yang tidak

homogen yaitu atribut kekayaan dengan kejadian sedang. Maka yang

menjadi node percabangan adalah node pada kejadian ini. Untuk

mencari node selanjutnya, dilakukan penghitungan untuk mencari nilai

information gain setiap atribut kecuali atribut yang menjadi node diatasnya.

Berikut ini penghitungannya :

a. Atribut tabungan

1) Cari jumlah nilai positif dan negatif dari setiap kejadian pada

atribut tabungan, berikut ini penggambarannya :

Gambar 2.9 Nilai positif dan negatif kejadian atribut tabungan 2) Hitung nilai entropi dari setiap kejadian, yaitu:

Tabungan = Tinggi (e1) e1 = − P+ log2 P+−P- log2 P

-e1 =

1 1 log 1 1

0− ₂

e1 = 0

Tabungan 2 positif

1 positif

Tinggi

Sedang

Rendah

(48)

Tabungan = Sedang (e2) e2 = − P+ log2 P+−P- log2 P

-e2 = 0

2 2 log 2 2 2 − − e2 = 0

Tabungan = Rendah (e3) e3 = − P+ log2 P+−P- log2 P

-e3 = 0

1 1 log 1 1 2 − − e3 = 0

3) Hitung nilai rata-rata terbobot entropi atribut tabungan, yaitu:

E =

∑

= ⎟⎟⎠ ⎞ ⎜⎜ ⎝ ⎛ × ⎟ ⎠ ⎞ ⎜ ⎝ ⎛ inst i t i e n n 1 i

E = ⎟

⎠ ⎞ ⎜ ⎝ ⎛ × + ⎟ ⎠ ⎞ ⎜ ⎝ ⎛ × + ⎟ ⎠ ⎞ ⎜ ⎝

⎛ × 3

4 1 2 4 2 1 4 1 e e e

E = 0 + 0 + 0

E = 0

4) Hitung information gain dari atribut tabungan, yaitu:

Gain(A) = entropi(S) – E(A) = 0.954 – 0

= 0.954 b. Atribut pendapatan

1) Cari jumlah nilai positif dan negatif dari setiap kejadian pada

(49)

Gambar 2.10 Nilai positif dan negatif kejadian atribut pendapatan 2) Hitung nilai entropi dari setiap kejadian, yaitu:

Pendapatan = 25 (e1) e1 = − P+ log2 P+−P- log2 P

-e1 = 1 1 log 1 1

0− ₂

e1 = 0

Pendapatan = 50 (e2) e2 = − P+ log2 P+−P- log2 P

-e2 = 0

1 1 log 1 1 2 − − e2 = 0

Pendapatan = 75 (e3) e3 = − P+ log2 P+−P- log2 P

-e3 = 0

1 1 log 1 1 2 − − e3 = 0

Pendapatan = 100 (e4) Pendapatan 1 positif 1 positif 25 50 75 1 negatif 100 1 positif

(50)

e4 = − P+ log2 P+−P- log2 P

-e4 = 0

1 1 log 1 1 2 − − e4 = 0

3) Hitung nilai rata-rata terbobot entropi atribut pendapatan, yaitu:

E =

∑

= ⎟⎟⎠ ⎞ ⎜⎜ ⎝ ⎛ × ⎟ ⎠ ⎞ ⎜ ⎝ ⎛ inst i t i e n n 1 i

E = ⎟

⎠ ⎞ ⎜ ⎝ ⎛ × + ⎟ ⎠ ⎞ ⎜ ⎝ ⎛ × + ⎟ ⎠ ⎞ ⎜ ⎝ ⎛ × + ⎟ ⎠ ⎞ ⎜ ⎝

⎛ × 4

4 1 3 4 1 2 4 1 1 4 1 e e e e

E = 0 + 0 + 0 + 0

E = 0

4) Hitung information gain dari atribut pendapatan, yaitu:

Gain(A) = entropi(S) – E(A) = 0.954 – 0

= 0.954

Dari penghitungan nilai information gain tersebut didapat suatu tabel

sebagai berikut :

Tabel 2.4 Nilai information gain data nasabah 2 Atribut Nilai information gain Tabungan 0.954

Pendapatan 0.954

Pada tabel tersebut terlihat bahwa nilai information gain paling besar

dimiliki oleh atribut yaitu sebesar 0.954, dipilih salah satu atribut yaitu

tabungan sebagai node berikutnya, sehingga pohon keputusannya

(51)

Gambar 2.11 Pohon Percabangan

Langkah 2 : mengubah node pohon menjadi aturan

Pada tahap ini, node pohon yang terbentuk di ubah ke dalam aturan

if...then, yaitu :

Tabel 2.5 Aturan Klasifikasi yang diperoleh

Aturan If Then

1 Kekayaan = Tinggi Baik

2 Kekayaan = Rendah Buruk

3 Kekayaan = Sedang ^ Tabungan = Tinggi Buruk 4 Kekayaan = Sedang ^ Tabungan = Sedang Baik 5 Kekayaan = Sedang ^ Tabungan = Rendah Baik

Tinggi Rendah Kekayaan

baik baik

buruk buruk Sedang

Tinggi Sedang Rendah Tabungan

buruk baik baik

(52)

Langkah 3 : menyederhanakan aturan

1. Menyederhanakan aturan dengan menghilangkan anteseden yang tidak

perlu

Aturan yang perlu disederhanakan adalah aturan yang memiliki

anteseden lebih dari satu yaitu aturan nomor 3 sampai dengan nomor 5

yang melibatkan anteseden kekayaan dan tabungan. Pada tahap ini,

tabel Chi-Square digunakan untuk melakukan uji hipotesis. Data yang

ada telah dikalikan dengan nilai lima (5) agar data dapat digunakan

pada uji tabel Chi-Square dan diasumsikan nilai tingkat

kepercayaannya (α) sebesar 0.05.

a. Hipotesis Ho : kekayaan dan resiko kredit independen 1) Membuat tabel kotingensi

Tabel 2.6 Tabel Kotingensi Untuk Kekayaan

Resiko kredit

(Baik)

Resiko kredit (Buruk)

Jumlah Marjinal

Tinggi 10 0 10

Sedang 15 5 20

Rendah 0 10 10

Jumlah Marjinal 25 15 40

2) Nilai Frekuensi Harapan (eij)

Selanjutnya menggunakan rumus 2.4.3 untuk menghitung nilai

frekuensi harapan tiap sel, yaitu :

Frekuensi harapan pada sel X11 :

e11 = 40

25 10×

(53)

Frekuensi harapan pada sel X12 :

e12 = 40

15 10×

= 3.75

Frekuensi harapan pada sel X21 :

e21 = 40

25 20×

= 12.5

Frekuensi harapan pada sel X22 :

e22 = 40

15 20×

= 7.5

Frekuensi harapan pada sel X31 :

e31 = 40

25 10×

= 6.25

Frekuensi harapan pada sel X32 :

e32 = 40

15 10×

= 3.75

Berikut ini merupakan tabel nilai frekuensi harapan dari

penghitungan di atas :

Tabel 2.7 Tabel Nilai Frekuensi Harapan Untuk Kekayaan

Resiko kredit

(Baik)

Resiko kredit (Buruk)

Tinggi 6.25 3.75

Sedang 12.5 7.5

(54)

3) Nilai χ2

Untuk menghitung nilai χ2 digunakan rumus 2.4.4, berikut penghitunggannya : 2 χ = 2 ) (

∑ ∑

− baris i kolom j ij ij ij e e o 2 χ =

(

) (

)

(

) (

)

75 . 3 75 . 3 10 25 . 6 25 . 6 0 5 . 7 5 . 7 5 5 . 12 5 . 12 15 75 . 3 75 . 3 0 25 . 6 25 . 6 10 2 2 2 2 2 2 − + − + − + − + − + − 2

χ = 2.25 + 3.75 + 0.5 + 0.833 + 6.25 + 10.417

χ = 23.99967

4) Nilai derajat kebebasan

Nilai ini dihitung dengan menggunakan rumus 2.4.5, yaitu :

dk = (baris - 1)(kolom - 1) = (3 - 1)(2 - 1) = 2

5) Nilai χ2α

Nilai χ2α pada tabel Chi-Square dengan derajat kebebasan 2 adalah 5.991.

6) Kesimpulan :

Karena nilai χ2 > χ2α, maka hipotesis nol independensi H_o ditolak dan H1 diterima yang berarti kekayaan dan

resiko kredit tidak independen. Maka anteseden kekayaan

(55)

b. Hipotesis Ho : tabungan dan resiko kredit independen 1) Membuat tabel kotingensi

Tabel 2.8 Tabel Kotingensi Untuk Tabungan

Resiko kredit

(Baik)

Resiko kredit (Buruk)

Jumlah Marjinal

Tinggi 5 5 10

Sedang 15 0 15

Rendah 5 10 15

Jumlah Marjinal 25 15 40

2) Nilai Frekuensi Harapan (eij)

Selanjutnya menggunakan rumus 2.4.3 untuk menghitung nilai

frekuensi harapan tiap sel, yaitu :

Frekuensi harapan pada sel X11 :

e11 = 40

25 10×

= 6.25

Frekuensi harapan pada sel X12 :

e12 = 40

15 10×

= 3.75

Frekuensi harapan pada sel X21 :

e21 = 40

25 15×

= 9.75

Frekuensi harapan pada sel X22 :

e22 = 40

15 15×

= 5.625

Frekuensi harapan pada sel X31 :

e31 = 40

25 15×

(56)

Frekuensi harapan pada sel X32 :

e32 = 40

15 15×

= 5.625

Berikut ini merupakan tabel nilai frekuensi harapan dari

penghitungan di atas :

Tabel 2.9 Tabel Nilai Frekuensi Harapan Untuk Tabungan

Resiko kredit

(Baik)

Resiko kredit (Buruk)

Tinggi 6.25 3.75

Sedang 9.75 5.625

Rendah 9.75 5.625

3) Nilai χ2

Untuk menghitung nilai χ2 digunakan rumus 2.4.4, berikut penghitunggannya : 2 χ = 2 ) (

∑ ∑

− baris i kolom j ij ij ij e e o 2 χ =

(

) (

)

(

) (

)

625 . 5 625 . 5 10 75 . 9 75 . 9 5 625 . 5 625 . 5 0 75 . 9 75 . 9 15 75 . 3 75 . 3 5 25 . 6 25 . 6 5 2 2 2 2 2 2 − + − + − + − + − + − 2

χ = 0.25 + 0.4167 + 2.827 + 5.625 + 2.314 + 3.403

χ = 14.835

4) Nilai derajat kebebasan

Nilai ini dihitung dengan menggunakan rumus 2.4.5, yaitu :

(57)

5) Nilai χ2α

Nilai χ2α pada tabel Chi-Square dengan derajat kebebasan 2 adalah 5.991.

6) Kesimpulan :

Karena nilai χ2 > χ2α, maka hipotesis nol independensi H_o ditolak dan H1 diterima yang berarti tabungan dan resiko

kredit tidak independen. Maka anteseden tabungan tidak

dapat dieliminasi dan aturan klasifikasi masih tetap seperti

pada tabel 2.7.

2. Menyederhanakan aturan dengan membuang aturan

Setelah menyederhanakan aturan dengan menggunakan langkah

pertama, maka dilanjutkan dengan mencari konsekuen yang paling

banyak. Pada aturan diatas konsekuen yang paling banyak berjumlah

3, yaitu Baik. Ketiga aturan ini dijadikan default aturan, sehingga

aturan-aturan tersebut menjadi :

Tabel 2.10 Aturan Yang Paling Sederhana

Aturan If Then

1 Kekayaan = Rendah Buruk

2 Kekayaan = Sedang ^ Tabungan = Tinggi Buruk Default Aturan Baik

(58)

Langkah 4 : hasil prediksi himpunan data pelatihan Tabel 2.11 Hasil Prediksi Nasabah Tabungan Kekayaan Pendapatan

($ 1000s)

Resiko kredit

Prediksi

1 Sedang Tinggi 75 Baik Baik

2 Rendah Rendah 50 Buruk Buruk

3 Tinggi Sedang 25 Buruk Buruk

4 Sedang Sedang 50 Baik Baik

5 Rendah Sedang 100 Baik Baik

6 Tinggi Tinggi 25 Baik Baik

7 Rendah Rendah 25 Buruk Buruk

8 Sedang Sedang 75 Baik Baik

Dari hasil prediksi pada data pelatihan di atas tidak ditemukan adanya

kesalahan prediksi, sehingga persentase keberhasilan prediksi adalah 100

(59)

BAB III

PERANCANGAN SISTEM

A. Identifikasi Sistem

Setiap pergantian tahun akademik baru, Universitas Sanata Dharma selalu

melakukan Penerimaan Mahasiswa Baru (PMB). Calon mahasiswa baru ini

harus melakukan serangkaian tes tertulis terlebih dahulu. Setiap tahun pula

program studi menyediakan kuota untuk mahasiswa baru yang diterima. Calon

mahasiswa yang diterima belum tentu melakukan daftar ulang, untuk itulah

Ketua Program Studi (Kaprodi) harus benar-benar selektif dalam memilih

mahasiswa mana yang pasti melakukan daftar ulang, sehingga kuota yang

ditetapkan dapat terisi relatif tepat. Masalah tersebut dapat diatasi dengan

menggunakan metode penambangan data, karena penambangan data ini dapat

digunakan untuk mengenali karakteristik mahasiswa yang tidak melakukan

daftar ulang.

Data-data mahasiswa diambil dari data calon mahasiswa baru mulai dari

angkatan tahun 2005 sampai dengan 2006. Data ini mencakup seluruh

program studi yang ada di Universitas Sanata Dharma yang diperoleh dari

Biro Administrasi dan Perencanaan Sistem Informasi (BAPSI) Universitas

Sanata Dharma Yogyakarta. Seluruh data yang diambil berisi informasi

tentang gelombang masuk, prioritas pilihan program studi di mana calon

mahasiswa tersebut diterima, jenis kelamin, jenis sma, program studi tempat

(60)

finalnya. Data yang didapat akan dibagi dua secara acak, kemudian digunakan

sebagai himpunan data pelatihan dan himpunan data tes dengan proporsi yang

bervariasi.

B. Pembersihan Data

Data calon penerimaan mahasiswa baru yang didapat dari BAPSI,

dibersihkan terlebih dahulu sebelum data tersebut ditambang. Proses

pembersihan data ini berfungsi untuk menghilangkan data yang tidak

konsisten dan derau seperti data tidak relevan, data yang salah ketik maupun

data kosong yang tidak diperlukan. Data yang tidak konsisten ini dapat berupa

jenis SMA yang mempunyai arti sama, tapi penulisannya berbeda-beda.

Misalnya IPA ada yang menuliskan SMA IPA ataupun IPA, jadi dalam proses

ini dilakukan penyeragaman nama terhadap data yang tidak konsisten.

C. Integrasi Data

Sesudah data itu bersih, maka data yang ada di tabel mahasiswa dari tiap

tahun angkatan tersebut digabungkan dengan data dari tabel angkatan yang

lain sehingga seluruh data terangkum dalam satu tabel yang utuh. Proses ini

disebut integrasi data. Seluruh data yang sudah terangkum, kemudian dipilih

(61)

D. Transformasi Data

Dalam proses ini dilakukan klasifikasi data nilai final yang bertipe

numerik dan berkisar dalam rentang 0 sampai 10. Berikut ini klasifikasinya :

o N ≤ 3

o 3 < N ≤ 4

o 4 < N ≤ 5

o 5 < N ≤ 6

o 6 < N ≤ 7

o 7 < N ≤ 8

o N > 8

E. Perancangan Umum Sistem 1. Masukan Sistem

Masukan sistem yang akan dibuat adalah tabel himpunan data

pelatihan dan tabel himpunan data tes. Pada tabel himpunan data pelatihan,

yang menjadi atribut keputusan adalah atribut status yang terdiri dari dua

kondisi yaitu daftar ulang dan tidak daftar ulang.

Terdapat kolom tambahan pada tabel himpunan data tes yaitu

kolom prediksi, yang digunakan untuk menyimpan data hasil pengujian

aturan. Berikut ini merupakan deskripsi dari atribut-atribut pada tabel data

(62)

Tabel 3.1 Deskripsi Atribut-Atribut Tabel Data Pelatihan No Nama Atribut Deskripsi Nilai Kejadian

1 gelombang Gelombang masuk 1, 2, 3 2 pilihan Prioritas pilihan pada

program studi tempat calon

mahasiswa tersebut diterima

1, 2 ,3

3 prodi Program studi tempat

mahasiswa diterima

AKT, BK, FAR, FIS, IND, IPAK, MAN, MAT, MEKA, PAK, PBI, PBI, PBSID, PEK, PFIS, PGSD, PMAT, PSEJ, PSI, SEJ, SING, TE, TI, TM

4 jenis_kelamin Jenis kelamin mahasiswa L, P

5 jenis_sma Jenis SMA mahasiswa IPA, IPS, Bahasa, SMK, STM, SMF, SPG/SGO,

LAIN-LAIN

6 final Nilai final tes masuk

berdasarkan program studi dimana mahasiswa tersebut diterima

N ≤ 3, 3 < N ≤ 4, 4 < N ≤ 5, 5 < N ≤ 6, 6 < N ≤ 7, 7 < N ≤ 8, N > 8 7 status Status mahasiswa yang

melakukan daftar ulang atau tidak

Daftar Ulang, tidak DU

Berikut ini merupakan deskripsi dari atribut-atribut pada tabel data

tes beserta nilai kejadian dari atribut-atribut tersebut :

Tabel 3.2 Deskripsi Atribut-Atribut Tabel Data Tes No Nama Atribut Deskripsi Nilai Kejadian

1 gelombang Gelombang masuk 1, 2, 3 2 pilihan Prioritas pilihan pada

program studi tempat calon

mahasiswa tersebut diterima

1, 2, 3

(63)

mahasiswa diterima FIS, IND, IPAK, MAN, MAT, MEKA, PAK, PBI, PBI, PBSID, PEK, PFIS, PGSD, PMAT, PSEJ, PSI, SEJ, SING, TE, TI, TM

4 jenis_kelamin Jenis kelamin mahasiswa L, P

5 jenis_sma Jenis SMA mahasiswa IPA, IPS, Bahasa, SMK, STM, SMF, SPG/SGO,

LAIN-LAIN 6 final Nilai keseluruhan tes

berdasarkan program studi dimana mahasiswa tersebut diterima

N ≤ 3, 3 < N ≤ 4, 4 < N ≤ 5, 5 < N ≤ 6, 6 < N ≤ 7, 7 < N ≤ 8, N > 8 7 status Status mahasiswa yang

melakukan daftar ulang atau tidak

Daftar Ulang, tidak DU

8 prediksi Nilai awalnya kosong, nantinya akan berisi prediksi status mahasiswa yang melakukan daftar ulang atau tidak

Daftar Ulang, tidak DU

2. Proses Sistem

Proses-proses yang dilakukan pada sistem yang dibangun adalah :

a. Mengubah bentuk data menjadi bentuk pohon

1) Menentukan node awal

Langkah yang dilakukan untuk menentukan node awal adalah

menghitung nilai gain tiap atribut kecuali atribut keputusan.

Berikut merupakan langkah-langkah penghitungannya :

a) Hitung jumlah baris pada sampel data

(64)

c) Cari atribut-atribut dan hitung jumlah atribut yang akan

dihitung nilai gainnya

d) Hitung jumlah kejadian untuk atribut ke-i

e) Untuk atribut ke-i, kejadian ke-j

• Hitung jumlah sampel yang memenuhi syarat kejadian dengan atribut ke-i = kejadian ke-j dan status = Daftar

Ulang.

• Hitung jumlah sampel yang memenuhi syarat kejadian dengan atribut ke-i = kejadian ke-j dan status = tidak DU.

f) Kemudian hitung nilai entropi pada kejadian ke-j dengan rumus

2.1

g) Lakukan langkah e dan f untuk keseluruhan atribut ke-i

h) Hitung rata-rata terbobot entropi atribut ke-i dengan rumus 2.2

i) Hitung nilai gain atribut ke-i dengan mengurangkan entropi

atribut keputusan dengan rata-rata terbobot entropi atribut ke-i.

j) Cari nilai gain atribut paling besar. Atribut inilah yang akan

menjadi node awal.

2) Menyusun pohon

Setelah node awal didapat, langkah selanjutnya adalah

menyusun pohon. Hal pertama yang harus dilakukan adalah

mencari kejadian-kejadian yang ada pada node awal.

Kejadian-kejadian ini yang akan menjadi cabang-cabang pada pohon.

(65)

dimana harus memenuhi nilai dari cabang tersebut dan nilai dari

cabang-cabang di atasnya (jika ada). Proses dibawah ini dilakukan

pada setiap cabang-cabang tersebut. Hitung jumlah sampel yang

memenuhi syarat di atas dan setiap kejadian pada atribut keputusan

yaitu dalam hal ini adalah atribut status. Selanjutnya dilakukan

proses pengecekan untuk menentukan ada atau tidaknya

percabangan, proses tersebut berupa :

Jika sampel tidak ada, maka cari kejadian paling banyak pada atribut keputusan untuk keseluruhan sampel. Kejadian paling

banyak inilah yang menjadi nilai hasil.

Jika sampel sudah homogen, maka hasilnya berupa kejadian atribut keputusan pada sampel ini, dan tidak dilakukan

percabangan lagi.

Jika sampel masih heterogen dan sampel tidak kosong serta atribut kondisi masih ada maka dilakukan percabangan lagi.

Proses ini dilakukan dengan menentukan node selanjutnya.

Proses penentuan node selanjutnya hampir sama dengan

proses penentuan node awal, yang membedakan adalah tidak

dilakukannya penghitungan nilai gain pada atribut yang

menjadi node di atasnya. Setelah itu lakukan lagi

langkah-langkah di atas. Namun jika atribut kondisi sudah habis,

(66)

hasil dengan melakukan pencarian terhadap kejadian paling

banyak pada atibut keputusan pada sampel yang tersisa.

b. Mengubah node pohon menjadi aturan

Langkah-langkah untuk mengubah node pohon menjadi aturan yang

dimulai dari node pertama adalah sebagai berikut :

1) Pada node tersebut, cari cabang-cabang (kejadian-kejadian) dari

pohon. Setiap cabang akan menjadi aturan dengan anteseden

berupa node = cabang ke-j.

2) Selanjutnya untuk setiap cabang dilakukan pengecekan apakah ada

node lagi (hasil kosong) atau tidak (hasil berupa Daftar Ulang atau

tidak DU).

Jika tidak, maka nilai hasil akan menjadi konsekuen

Jika ada, maka cari anteseden selanjutnya dengan melakukan langkah 1 dan seterusnya.

c. Menyederhanakan aturan-aturan

1) Menyederhanakan aturan dengan menghilangkan

anteseden-anteseden yang tidak perlu

Pada langkah ini, aturan-aturan yang memiliki anteseden lebih dari

satu diuji independensi dengan atribut keputusan dan atribut yang

lain didalam aturan tersebut. Dalam tugas akhir ini, langkah ini

tidak dilakukan karena ukuran matrix tabel kontingensi yang

terbentuk terlalu besar. Besarnya ukuran matrix ini akan

(67)

tabel chi-square untuk menguji suatu hipotesis, nilai derajat kebebasan yang terbentuk melebihi batas maksimal nilai derajat

kebebasan pada tabel chi-square, sehingga dibutuhkan dasar-dasar

teori teknik uji independensi tingkat lanjut.

2) Menyederhanakan aturan dengan membuang aturan-aturan yang

tidak perlu

Langkah ini mencari jumlah konsekuen yang paling banyak dan

selanjutnya aturan-aturan dengan konsekuen ini diubah menjadi

aturan default.

d. Menguji aturan-aturan pada himpunan data tes

Aturan–aturan yang sudah terbentuk diujikan pada himpunan data tes.

Nilai prediksi setiap data sampel yang dihasilkan dibandingkan dengan

nilai atribut keputusannya. Sesudah itu dihitung persentase

keberhasilan prediksi. Hasil penghitungan dari keberhasilan prediksi

ini akan disimpan sehingga pemakai program dapat membandingkan

hasilnya dengan hasil dari simulasi aturan yang akan dibuat

selanjutnya.

3. Keluaran Sistem

Sistem yang dibuat akan menampilkan keluaran sebagai berikut :

a. Menampilkan himpunan data pelatihan dan himpunan data tes beserta

detail atribut keputusan dan atribut yang lain dengan jumlah sampel

(68)

b. Keluaran pada penentuan node awal adalah nilai gain pada tiap atribut

beserta atribut yang dipilih sebagai node awal.

c. Pada proses pembuatan pohon, keluarannya adalah tabel pohon yang di

dalamnya berisi informasi nomor, tingkat pohon, nomor akar atasnya,

atribut-atribut yang menjadi node, cabang-cabang berupa nama

kejadian-kejadian dan hasilnya.

d. Pada proses unpruned aturan yaitu proses mengubah pohon menjadi

aturan, keluarannya ada dua tabel yaitu tabel pertama yang berisi

nomor aturan, konsekuen, banyaknya anteseden dan total sampel

sedangkan tabel kedua berupa anteseden-anteseden beserta nomor

aturannya.

e. Pada proses penyederhanaan aturan

Proses penyederhanaan aturan dengan membuang aturan-aturan yang

tidak perlu, keluarannya adalah konsekuen dengan jumlah paling

banyak dan mengeliminasi aturan-aturan dengan konsekuen tersebut

serta aturan yang telah disederhanakan.

f. Keluaran pada pengujian aturan adalah himpunan data tes beserta hasil

pengujian aturan dan informasi yang berisi persentase keberhasilan

prediksi, hasil simulasi berupa jumlah benar, jumlah salah dan jumlah

yang tidak dapat diprediksi

g. Keluaran pada proses prediksi suatu sampel berupa hasil prediksi yang

berisi nomor aturan dan prediksinya apakah daftar ulang atau tidak

(69)

4. Perancangan Struktur Data

Dalam proses pembuatan pohon, data pohon disimpan dalam 6

ArrayList. ArrayList merupakan versi array yang berbentuk list. Jumlah data pohon yang disimpan tidak dapat diperkirakan sebelumnya dalam

proses pembuatan pohon. ArrayList menjadi solusi karena tidak diperlukan

pendeklarasian seberapa banyak kuota yang harus disediakan untuk

menampung data. Kapasitas ArrayList akan bertambah secara otomatis

sesuai dengan jumlah data yang disimpan.

ArrayList pertama menyimpan nomor akar pohon, ArrayList kedua menyimpan tingkat pohon, ArrayList ketiga menyimpan nomor akar

atasnya, ArrayList keempat menyimpan node, ArrayList kelima menyimpan cabang, ArrayList keenam menyimpan hasil. Tipe data yang

dapat digunakan dalam ArrayList hanya tipe data objek. Tipe data objek

dapat berupa tipe data lain, misalnya string, numeric, booelan, char, date

dan sebagainya. Berikut ini contoh penggunaan ArrayList :

Public Class ContohArrayList

Public Shared Sub Main() 'deklarasi ArrayList

Dim tingkat, noAkar, node, cabang, _ hasil As New ArrayList

'Menyimpan data ke ArrayList tingkat.Insert(0, 1)

tingkat.Insert(1, 1) noAkar.Insert(0, 0) noAkar.Insert(1, 0) node.Insert(0, "prodi") node.Insert(1, "prodi") cabang.Insert(0, "IKOM") cabang.Insert(1, "PSI")

hasil.Insert(0, "Daftar Ulang") hasil.Insert(1, "tidak DU")

(70)

'menampilkan dalam DataGridView Dim i As Integer

For i = 0 To 1

DataGridView1.Rows.Add()

DataGridView1.Rows(i).Cells(0).Value = i + 1 DataGridView1.Rows(i).Cells(1).Value = tingkat(i) DataGridView1.Rows(i).Cells(2).Value = noAkar(i) DataGridView1.Rows(i).Cells(3).Value = node(i) DataGridView1.Rows(i).Cells(4).Value = cabang(i) DataGridView1.Rows(i).Cells(5).Value = hasil(i) Next

End Sub End Class

Keluarannya :

Tabel 3.3 Keluaran Contoh ArrayList

No Tingkat No Akar Atasnya Node Cabang Hasil

1 1 0 prodi IKOM Daftar Ulang

2 1 0 prodi PSI Tidak DU

5. Perancangan Antarmuka

Perancangan antarmuka sistem adalah sebagai berikut :

a. Form Input Data Tabel

(71)

Form di atas merupakan form awal dimana tabel data pelatihan dan tabel data tes digunakan sebagai masukan untuk sistem. Ada dua

tombol dalam form ini yaitu :

Reset, digunakan untuk menghapus tabel data pelatihan dan tabel data tes yang telah dimasukan sebelumnya

Ok, digunakan untuk melanjutkan ke form berikutnya yaitu form detail tabel.

b. Form Detail Tabel

Gambar 3.2 Desain Antarmuka Form Detail Tabel

Form ini untuk menampilkan detail tabel yang telah dimasukkan sebelumnya, baik itu tabel pelatihan maupun tabel tes. Informasi yang

diberikan berupa himpunan data sampel, jumlah atribut, jumlah data,

atribut keputusan, jumlah dan nama kejadian atribut keputusan, dan

atribut yang lain dengan jumlah sampel pada masing-masing kejadian.

(72)

Tampil tabel, digunakan untuk menampilkan himpunan data sampel, beserta informasi detail tabel tersebut yang telah dijelaskan

di atas.

Proses ID3, untuk melanjutkan ke proses atau form selanjutnya yaitu form penentuan node awal.

c. Form Penentuan Node Awal

Gambar 3.3 Desain Antarmuka Form Penentuan Node Awal

Form di atas untuk menampilkan nama atribut serta nilai gain masing-masing atribut dan menampilkan atribut yang dipilih menjadi node

awal beserta nilai gainnya. Ada dua tombol dalam form ini yaitu: Cari Node Awal, tombol ini digunakan untuk mencari atribut yang

dipilih menjadi node awal beserta nilai gainnya, serta mencari nilai

gain atribut yang lain.

Lanjut, untuk melanjutkan ke proses atau form selanjutnya yaitu form pembuatan pohon.

(73)

d. Form Pembuatan Pohon

Gambar 3.4 Desain Antarmuka Form Pembuatan Pohon

Form di atas digunakan untuk melakukan proses pembentukan pohon dan menampilkan tabel pohon yang sudah terbentuk yang berisi

informasi tentang tingkat pohon, nomor akar atasnya, atribut-atribut

yang menjadi node, cabang-cabang berupa nama kejadian-kejadiannya

dan hasilnya. Ada dua tombol yaitu :

Buat Pohon, digunakan untuk melakukan proses pembentukan pohon dan menampilkan tabel pohon yang terbentuk.

Lanjut, untuk melanjutkan ke proses atau form selanjutnya yaitu form unpruned aturan.

(74)

e. Form Unpruned Aturan

Gambar 3.5 Desain Antarmuka Form Unpruned Aturan

Form di atas digunakan untuk proses penentuan aturan dan menampilkan aturan tersebut serta jumlahnya. Dalam form tersebut

terdapat combo box klasifikasi yang digunakan untuk menampilkan aturan-aturan berdasarkan klasifikasi yang dipilih. Informasi

ditampilkan dalam dua tabel, tabel pertama menampilkan informasi

tentang nomor aturan, konsekuen, total anteseden dan total sampel,

sedangkan tabel kedua menampilkan informasi anteseden yang berisi

nomor aturan dan anteseden. Ada dua tombol yaitu :

Unpruned, tombol ini digunakan untuk melakukan proses penentuan aturan-aturan dari pohon yang telah dibentuk

(75)

Lanjut, untuk melanjutkan ke proses atau form selanjutnya yaitu form Aturan Default

f. Form Aturan Default

Gambar 3.6 Desain Antarmuka Form Aturan Default Form di atas digunakan untuk membuat aturan default. Dalam form

tersebut terdapat combo box klasifikasi yang digunakan untuk

menampilkan aturan-aturan berdasarkan klasifikasi yang dipilih. Ada

dua tombol dalam form ini yaitu

Aturan Default, digunakan untuk membuat aturan default.

Lanjut, untuk melanjutkan ke proses atau form selanjutnya yaitu form simulasi dan pengujian aturan.

(1)

'menyimpan hasil

MDI_utama.hsl_phn.Insert(MDI_utama.indx_phn, MDI_utama.jml_kej_akhir(ah))

Dim total1 = 0

For x = 0 To MDI_utama.temp_sq1_akhir.Rows.Count - 1 total1 = total1 + jum_target(x)

Next

‘menyimpan jumlah sampel tersisa

MDI_utama.sampelsisa_phn.Insert(MDI_utama.indx_phn, total1)

‘---Mencari Sampel--- Dim aa = 0, bb As Integer

Do While aa <= temp_sqr_n2.Rows.Count - 1 Dim nobaru = temp_sqr_n2.Rows(aa).Item(0) For bb = 0 To jum_sampel

If sampel_A(bb) = indxs_pohon Then If sampel_B(bb) = nobaru Then

MDI_utama.indx_sampel2=MDI_utama.indx_sampel2 + 1 MDI_utama.sampel2_A.Insert(MDI_utama.indx_sampel2,

MDI_utama.indx_phn)

MDI_utama.sampel2_B.Insert(MDI_utama.indx_sampel2, nobaru)

End If End If Next

aa = aa + 1 Loop

End If End If

‘menyimpan indeks akar atasnya

MDI_utama.noakaratas_phn.Insert(MDI_utama.indx_phn, indxs_pohon + 1) 'akar paling atas

tt = tt + 1 Loop

'menghapus sampel yg mempunyai nilai sampel_A(...)=indxs_pohon Dim tempSampel(indx_sampel, 1) As String

Dim rave1 = 0

Dim rave As Integer

For rave = 0 To indx_sampel

If sampel_A(rave) <> indxs_pohon Then rave1 = rave1 + 1

tempSampel(rave1, 0) = sampel_A(rave) tempSampel(rave1, 1) = sampel_B(rave) End If

Next

indx_sampel = rave1

For rave = 0 To indx_sampel

sampel_A.Insert(rave, tempSampel(rave, 0)) sampel_B.Insert(rave, tempSampel(rave, 1)) Next

(2)

'menghapus atribut yang mempunyai nilai kolom1= indxs_pohon Dim tempAttr(indx_attr, 1) As String

rave1 = 0

For rave = 0 To indx_attr

If attr_g_ikut1(rave) <> indxs_pohon Then rave1 = rave1 + 1

tempAttr(rave1, 0) = attr_g_ikut1(rave) tempAttr(rave1, 1) = attr_g_ikut2(rave) End If

Next

indx_attr = rave1

For rave = 0 To indx_attr

attr_g_ikut1.Insert(rave, tempAttr(rave, 0)) attr_g_ikut2.Insert(rave, tempAttr(rave, 1)) Next

'***********Cabang Selanjutnya************** jfor = indxs_pohon + 1

jml_phn = MDI_utama.indx_phn Else

jfor = jfor + 1 End If

Loop Return 0 End Function

Listing Program Untuk Unpruned Aturan :

'*********fungsi untuk mencari rule*********** 'menyimpan nomor rule

no_rule = -1

'menyimpan anteseden MDI_utama.i_rule = -1

'indeks rule

MDI_utama.i_prediksi = -1

'indeks data sampel i_dtSampel = -1

'dimulai dari indeks pohon paling besar ToolStripProgressBar1.Value = 5

Dim awal = MDI_utama.indx_phn Dim xyz, q As Integer

Do While awal >= 0

ToolStripProgressBar1.Value = +1 Dim hasilX = MDI_utama.hsl_phn(awal)

Dim i_akar = MDI_utama.noakaratas_phn(awal) Dim i_akarX = i_akar - 1

(3)

If hasilX = "^^" Then Else

If i_akarX > 0 Then

'jika belum mrpk akar plg atas 'menyimpan rule

no_rule = no_rule + 1

MDI_utama.i_prediksi = MDI_utama.i_prediksi + 1 prediksi_A.Insert(MDI_utama.i_prediksi, no_rule) prediksi_B.Insert(MDI_utama.i_prediksi, hasilX) prediksi_C.Insert(MDI_utama.i_prediksi, jml_Sampel)

'mencari atribut & cabang yg akan mjd anteseden 'sampai akar plg atas

Dim i_Phn = awal Do While i_akarX > 0 'menyimpan anteseden2

MDI_utama.i_rule = MDI_utama.i_rule + 1 rule_A.Insert(MDI_utama.i_rule, no_rule)

rule_B.Insert(MDI_utama.i_rule, MDI_utama.node_phn(i_Phn)) rule_C.Insert(MDI_utama.i_rule,

MDI_utama.cabang_phn(i_Phn))

xyz = i_akarX

'menentukan akar atasnya

i_akarX = MDI_utama.noakaratas_phn(xyz) - 1 i_Phn = xyz

Loop

'menyimpan anteseden2 yg mrpk atributakar plg atas MDI_utama.i_rule = MDI_utama.i_rule + 1

rule_A.Insert(MDI_utama.i_rule, no_rule)

rule_B.Insert(MDI_utama.i_rule, MDI_utama.node_phn(xyz)) rule_C.Insert(MDI_utama.i_rule, MDI_utama.cabang_phn(xyz))

If i_akarX = 0 Then

MDI_utama.i_rule = MDI_utama.i_rule + 1 rule_A.Insert(MDI_utama.i_rule, no_rule) rule_B.Insert(MDI_utama.i_rule,

MDI_utama.node_phn(i_akarX)) rule_C.Insert(MDI_utama.i_rule,

MDI_utama.cabang_phn(i_akarX)) End If

Else

'jika sudah mrpk akar plg atas 'menyimpan rule

no_rule = no_rule + 1

'menyimpan anteseden

MDI_utama.i_rule = MDI_utama.i_rule + 1 rule_A.Insert(MDI_utama.i_rule, no_rule)

rule_B.Insert(MDI_utama.i_rule, MDI_utama.node_phn(awal)) rule_C.Insert(MDI_utama.i_rule, MDI_utama.cabang_phn(awal))

(4)

If i_akarX = 0 Then

MDI_utama.i_rule = MDI_utama.i_rule + 1 rule_A.Insert(MDI_utama.i_rule, no_rule) rule_B.Insert(MDI_utama.i_rule,

MDI_utama.node_phn(i_akarX)) rule_C.Insert(MDI_utama.i_rule,

MDI_utama.cabang_phn(i_akarX)) End If

End If

'menyimpan data sampel u/ suatu rule Dim sdsdsd = MDI_utama.indx_sampel2 For q = 0 To MDI_utama.indx_sampel2 If awal = MDI_utama.sampel2_A(q) Then i_dtSampel = i_dtSampel + 1

MDI_utama.dt_sampel_A.Insert(i_dtSampel, prediksi_A(MDI_utama.i_prediksi)) MDI_utama.dt_sampel_B.Insert(i_dtSampel,

MDI_utama.sampel2_B(q)) End If

Next End If

awal = awal - 1 Loop

'********************************************* ToolStripProgressBar1.Value = 50

'tukar posisi prediksi & ganti no rule Dim no1 = -1 'indeks un_prediksi

Dim no2 = -1 'indeks no_ruleAll

Dim no_Rbaru As Integer 'no rule baru no_Rbaru = -1

Dim jm = MDI_utama.i_prediksi Dim p, km As Integer

km = -1

Do While jm >= 0

no_Rbaru = no_Rbaru + 1 no1 = no1 + 1

'menyimpan no rule

MDI_utama.un_prediksi_A.Insert(no1, no_Rbaru) 'menyimpan prediksi

MDI_utama.un_prediksi_B.Insert(no1, prediksi_B(jm)) 'menyimpan jum sampel

jml_sampelSisa.Insert(no1, prediksi_C(jm)) For p = 0 To i_dtSampel

If MDI_utama.dt_sampel_A(p) = prediksi_A(jm) Then km = km + 1

dt_sampel2_A.Insert(km, MDI_utama.un_prediksi_A(no1)) dt_sampel2_B.Insert(km, MDI_utama.dt_sampel_B(p)) End If

(5)

Dim jml = 0 'jumlah syarat pd tiap no rule Dim pfor As Integer

For pfor = 0 To MDI_utama.i_rule

If rule_A(pfor) = prediksi_A(jm) Then no2 = no2 + 1

jml = jml + 1

no_ruleAll_A.Insert(no2, pfor) no_ruleAll_B.Insert(no2, no_Rbaru) End If

Next

'menyimpan jumlah anteseden pd suatu rule MDI_utama.un_prediksi_C.Insert(no1, jml) jm = jm - 1

Loop

ToolStripProgressBar1.Value = 60

'tukar posisi anteseden Dim x = -1

Dim kol = MDI_utama.i_rule Dim v, indw As Integer Do While kol >= 0

For v = 0 To MDI_utama.i_rule If no_ruleAll_A(v) = kol Then indw = v

End If Next x = x + 1

MDI_utama.un_rule_A.Insert(x, no_ruleAll_B(indw)) MDI_utama.un_rule_B.Insert(x, rule_B(kol))

MDI_utama.un_rule_C.Insert(x, rule_C(kol)) kol = kol - 1

Loop

ToolStripProgressBar1.Value = 80

Dim xfor, yfor, y2, totalSam As Integer y2 = -1

totalSam = 0

For xfor = 0 To MDI_utama.i_prediksi grid_unpruned.Rows.Add()

grid_unpruned.Rows(xfor).Cells(0).Value = MDI_utama.un_prediksi_A(xfor)

grid_unpruned.Rows(xfor).Cells(1).Value = MDI_utama.un_prediksi_B(xfor)

grid_unpruned.Rows(xfor).Cells(2).Value = MDI_utama.un_prediksi_C(xfor)

grid_unpruned.Rows(xfor).Cells(3).Value = jml_sampelSisa(xfor) totalSam = totalSam + jml_sampelSisa(xfor)

For yfor = 0 To MDI_utama.i_rule

If MDI_utama.un_rule_A(yfor) = MDI_utama.un_prediksi_A(xfor) Then

y2 = y2 + 1

grid_unpruned2.Rows.Add()

grid_unpruned2.Rows(y2).Cells(0).Value = MDI_utama.un_rule_A(yfor)

(6)

Dim syarat = MDI_utama.un_rule_B(yfor) + "=" + MDI_utama.un_rule_C(yfor)

grid_unpruned2.Rows(y2).Cells(1).Value = syarat End If

Next Next

Label3.Text = MDI_utama.i_prediksi + 1 Label4.Text = MDI_utama.i_rule + 1 Label5.Text = totalSam

'menampilkan konsekuen dlm combobox Dim lo, lo2 As Integer

lo2 = 0

Dim result_pre(MDI_utama.temp_sq1_akhir.Rows.Count) As String result_pre(lo2) = "Semua Aturan"

For lo = 0 To MDI_utama.temp_sq1_akhir.Rows.Count - 1 lo2 = lo2 + 1

result_pre(lo2) = MDI_utama.temp_sq1_akhir.Rows(lo).Item(0) Next

ComboBox1.DataSource = result_pre ToolStripProgressBar1.Value = 100

Pencarian karakteristik calon mahasiswa baru Universitas Sanata Dharma yang tidak mendaftar ulang dengan menggunakan algoritma pohon.

ABSTRAK

ABSTRACT

PENCARIAN KARAKTERISTIK CALON MAHASISWA

BARU UNIVERSITAS SANATA DHARMA YANG TIDAK

MENDAFTAR ULANG DENGAN MENGGUNAKAN

ALGORITMA POHON KEPUTUSAN

PROGRAM STUDI ILMU KOMPUTER

JURUSAN MATEMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA

YOGYAKARTA

2008

FINDING CHARACTERISTICS OF SANATA DHARMA

UNIVERSITY NOT-ENROLLING-APPLICANTS USING

DECISION TREE ALGORITHM

COMPUTER SCIENCE STUDY PROGRAM

DEPARTMENT OF MATHEMATICS

FACULTY OF SCIENCE AND TECHNOLOGY

SANATA DHARMA UNIVERSITY

YOGYAKARTA

Kupersembahkan untuk:

Jesus Christ

Ibu, Bapak (Alm), Budhe, mas Hari, Pam-Pam

Sahabat-Sahabatku...

ABSTRAK

ABSTRACT

KATA PENGANTAR

DAFTAR ISI

DAFTAR TABEL

DAFTAR GAMBAR

BAB I

PENDAHULUAN

BAB II

LANDASAN TEORI

∑

∑ ∑

∑

∑

∑

∑

∑

∑ ∑

(

) (

) (

)

(

) (

) (

)

∑ ∑

(

) (

) (

)

(

) (

) (

)

BAB III

PERANCANGAN SISTEM

Listing Program Untuk Unpruned Aturan :

Parts

Dokumen yang terkait

Pengenalan pola klasifikasi status registrasi calon mahasiswa baru Universitas Sanata Dharma dengan algoritma Reduct Based Decision Tree (RDT).

Mahasiswa Baru Sedang Mendaftar.

Sistem Penjadwalan Dinamis Mahasiswa Baru Menggunakan Algoritma Genetika (Studi Kasus: Registrasi Ulang Mahasiswa Baru Universitas Sumatera Utara)

MANAJEMEN WAKTU MAHASISWA TERHADAP KURIK

Pencarian karakteristik calon mahasiswa baru Universitas Sanata Dharma yang tidak mendaftar ulang dengan menggunakan algoritma pohon - USD Repository

Analisis faktor-faktor yang mempengaruhi keputusan peminat untuk memilih Universitas Sanata Dharma Yogyakarta dan bukan universitas Katolik yang lain : studi kasus pada calon mahasiswa baru angkatan 2008 Universitas Sanata Dharma Yogyakarta - USD Reposito

Klasifikasi Data Penerimaan Mahasiswa Baru dan Prestasi akademik mahasiswa Jurusan Teknik Informatika Universitas Sanata Dharma dengan menggunakan algoritma naive bayesian - USD Repository

Pencarian pola klasifikasi mahasiswa yang tidak memenuhi sisip program berdasarkan nilai tes masuk penerimaan mahasiswa baru dan latar belakang mahasiswa Universitas Sanata Dharma dengan menggunakan algoritma C4.5 - USD Repository

Prediksi calon mahasiswa baru Universitas Sanata Dharma yang tidak mendaftar ulang menggunakan algoritma Naive Bayessian - USD Repository

Pengenalan pola klasifikasi status registrasi calon mahasiswa baru Universitas Sanata Dharma dengan algoritma Reduct Based Decision Tree (RDT) - USD Repository

Dokumen yang Anda mencari sudah siap untuk unduhkan