materi praktikum -...

UNIVERSITAS ISLAM INDONESIA FM-UII-AA-FKA-07/R0

MATERI PRAKTIKUM

Fakultas : Teknologi Industri Pertemuan ke : 5 Jurusan/Program Studi : Teknik Industri Modul ke : 5 Kode Mata Kuliah : 52213604 Jumlah Halaman : 29 Nama Mata Kuliah : Analisis Keputusan dan Data Mining Mulai berlaku : 2017

MODUL 5

KLASIFIKASI

1. Tujuan Praktikum

1) Mahasiswa mempunyai pengetahuan dan kemampuan dasar mengenai metode

pencarian pengetahuan / pola data dari sejumlah data dengan menggunakan teknik

klasifikasi.

2) Mahasiswa mampu menyelesaikan kasus klasifikasi data dengan menerapkan teknik

klasifikasi.

3) Mahasiswa mampu memahami konsep dan menerapkan salah satu algoritma klasifikasi

yaitu decision tree.

4) Mahasiswa mampu mengolah data dan menginterpretasikan hasil pengolahan data

menggunakan metode klasifikasi dengan bantuan aplikasi Rapid Miner.

2. Definisi Klasifikasi

Klasifikasi merupakan proses untuk menemukan sekumpulan model yang menjelaskan dan

membedakan kelas-kelas data, sehingga model tersebut dapat digunakan untuk memprediksi

nilai suatu kelas yang belum diketahui pada sebuah objek.

Gambar 1. Klasifikasi sebagai suatu tugas memetakan atribut x ke dalam label kelas y

Klasifikasi adalah proses untuk menempatkan objek tertentu (konsep) dalam satu set

kategori, berdasarkan sifat masing-masing objek (konsep) (Gorunescu, 2011). Klasifikasi

tergolong dalam supervised methods.


MATERI PRAKTIKUM


Supervised methods adalah metode yang berusaha untuk menemukan hubungan antara

atribut input (variabel independen) dan atribut target / kelas (variabel dependen). Hubungan

yang ditemukan diwakili dalam struktur yang disebut sebagai model. Biasanya model

menggambarkan dan menjelaskan fenomena yang tersembunyi dalam dataset dan dapat

digunakan untuk memprediksi nilai atribut target mengetahui nilai-nilai atribut masukan

(Maimon, 2010).

Proses klasifikasi didasarkan pada empat komponen dasar (Gorunescu, 2011) :

1) Kelas (class) atau label kelas yaitu variabel dependen dari model yang merupakan variabel

kategori yang menjelaskan sebuah 'label' pada objek setelah proses klasifikasi. Contoh :

loyalitas pelanggan (label : loyal / tidak loyal), kelas bintang (galaksi), dll.

2) Prediktor (predictor) atau atribut (attribute) yaitu variabel independen dari model yang

diwakili oleh karakteristik (atribut) dari data yang akan diklasifikasikan dan berdasarkan

klasifikasi yang dibuat. Contoh prediktor tersebut adalah: merokok, konsumsi alkohol,

tekanan darah, frekuensi pembelian, status perkawinan, dan kecepatan angin, musim, dll.

3) Training set atau dataset latihan (training dataset) yaitu merupakan kumpulan data yang

berisi nilai-nilai atau record untuk dua komponen sebelumnya (kelas dan prediktor /

atribut) dapat berupa variabel kontinyu maupun kategoris, dan digunakan untuk 'pelatihan'

atau pembangunan model untuk menyesuaikan dengan kelasnya berdasarkan prediktor

yang tersedia. Contoh set tersebut adalah: kelompok pasien diidentifikasi pada kasus

serangan jantung berdasarkan faktor-faktor yang mempengaruhinya, kelompok pelanggan

dari supermarket, dll.

4) Dataset pengujian (testinging dataset) yaitu berisi data baru yang akan diklasifikasikan

oleh model klasifikasi (classifier) dan untuk mengukur tingkat akurasi klasifikasi (kinerja

model) sehingga performansi model klasifikasi dapat dievaluasi.

Model dalam klasifikasi antara lain yaitu (Bertalya, 2009) :

1) Pemodelan Deskriptif

Sebagai alat penggambaran yang bersifat menjelaskan untuk membedakan objek-objek

dari kelas yang berbeda.


MATERI PRAKTIKUM


2) Pemodelan Prediktif

Pemodelan prediktif digunakan untuk memprediksi label kelas untuk record yang belum

diketahui.

3. Penerapan Klasifikasi

Klasifikasi dapat diaplikasikan dalam beberapa bidang antara lain kesehatan, perbankan, ritel,

dll. Masing-masing memiliki atribut yang sesuai dengan kasus masing-masing. Misalnya

dalam ritel, kasus yang biasanya digunakan adalah pemberian diskon/bonus.

4. Tahapan Klasifikasi

Tahapan dalam klasifikasi antara lain adalah :

1) Preprocessing Data

Tahap awal yang dilakukan sebelum proses klasifikasi adalah melakukan preprocessing

data, terdapat beberapa langkah preprocessing data, yaitu :

a) Data Integrasi

Data Integrasi merupakan penggabungan data dari beberapa sumber. Dalam metode

klasifikasi data integrase dilakukan dengan mengumpulkan beberapa data yang berasal

dari beberapa departemen di sebuah perusahaan untuk mendapatkan satu database yang

akan digunakan untuk pengolahan pada metode klasifikasi.

b) Data Cleaning

Data cleaning merupakan suatu pemrosesan terhadap data untuk menghilangkan noise dan

penanganan terhadap missing value pada suatu record.

c) Data Diskretisasi

Data diskretisasi merupakan proses membuat kelas – kelas data (range) untuk parameter

dalam melakukan transformasi untuk tahapan berikutnya.

d) Transformasi Data

Pada data dapat dilakukan generalisasi menjadi data dengan level yang lebih tinggi.

Misalnya dengan melakukan diskretisasi terhadap atribut degan nilai kontinyu.


MATERI PRAKTIKUM


Pembelajaran terhadap data hasil generalisasi dapat mengurangi kompleksitas

pembelajaran yang harus dilakukan karena ukuran data yang harus diproses lebih kecil.

e) Data Reduksi

Data reduksi merupakan proses mengurangi data atau variable yang tidak memiliki

hubungan atau korelasi dengan tujuan penelitian. Dalam menggunakan metode

klasifikasi, data reduksi dilakukan dengan melakukan uji independensi chi square untuk

mengetahui ada tidaknya hubungan atribut dengan label kelas. Berikut merupakan

tahapan uji chi square independensi :

CONTOH KASUS :

Diketahui bahwa PT.ABC ingin mengetahui status kebijakan diberikannya diskon atau

tidak pada customer yang membeli di PT ABC, sehingga perlunya dibuat sebuah model

prediksi yang dapat memprediksi pemberian diskon yang diberikan berdasatkan beberapa

factor yang dipertimbangkan. Empat factor yang digunakan antara lain jumlah barang dan

keadaaan barang. Berikut data historis yang dapat digunakan dalam pembangunan

model :


MATERI PRAKTIKUM


1. Masukkan data dengan menginputkan variabel yang digunakan ke bagian variable

view, dengan menggunakan type data “string”

2. Untuk tahapan berikutnya, klik Analyze Descriptive Statistics Crosstabs,

Masukkan Atribut kedalam Row(s) dan label kelas ke dalam Column(s). Kemudian

klik bagian Statistics dan checklist pada Chi-Square seperti berikut ini :


MATERI PRAKTIKUM


Lalu, klik continue dan langsung klik OK untuk mendapatkan hasil output dari uji chi-

square independensi.

3. Berikut merupakan output yang didapatkan dari pengujian chi-square independensi :

Berdasarkan hasil diatas, dapat dilihat dari nilai Sig.Pearson Chi-Square. Dapat

diketahui bahwa Sig ≤ 0.05 maka data atribut memiliki hubungan dengan label kelas,

sementara ketika Sig > 0.05 maka data atribut tidak memiliki hubungan dengan label

kelas.

2) Pembuatan Model Dalam Klasifikasi

Klasifikasi dapat digunakan untuk memprediksi nama atau nilai kelas dari suatu obyek

data. Proses klasifikasi data dapat dibedakan dalam 2 tahap, yaitu :

a) Pembelajaran / Pembangunan Model


MATERI PRAKTIKUM


Tiap – tiap record pada data latih (training set) dianalisis berdasarkan nilai – nilai

atributnya, dengan menggunakan suatu algoritma klasifikasi untuk mendapatkan model.

Gambar 2. Learning : Training data.

Sebagai contoh, pada gambar 2. menjelaskan tahap awal proses klasifikasi yaitu

mendapatkan model klasifikasi (classifier) dari data latihan (training data)

menggunakan algoritma klasifikasi. Atribut label kelas adalah ”Tenured“, dan “Learned

Model“ atau “classifier“ di gambarkan pada blok aturan klasifikasi.

b) Klasifikasi

Pada tahap ini, data uji (testing set) digunakan untuk mengetahui tingkat akurasi dari

model yang dihasilkan. Jika tingkat akurasi yang diperoleh sesuai dengan nilai yang

ditentukan, maka model tersebut dapat digunakan untuk mengklasifikasikan record

pada data yang baru.

Gambar 3. Classification: Testing data.


MATERI PRAKTIKUM


Pada gambar 3., data uji (testing set) digunakan untuk mengetahui tingkat akurasi dari

model yang dihasilkan (classifier). Jika keakuratan tersebut dianggap dapat diterima,

maka aturan itu dapat diaplikasikan untuk mengklasifikasikan data records yang baru.

5. Asumsi Dalam Klasifikasi

Pembuatan model menguraikan sebuah set dari penentuan kelas-kelas sebagai:

1. Setiap record diasumsikan sudah mempunyai kelas yang dikenal seperti ditentukan oleh

label kelas atribut,

2. Kumpulan record yang digunakan untuk membuat model disebut kumpulan pelatihan

(training set),

3. Model direpresentasikan sebagai classification rules, decision tree atau formula

matematis.

Penggunaan model menguraikan pengklasifikasian masa yang akan datang atau obyek yang

belum diketahui, yaitu taksiran keakuratan dari model yang terdiri dari:

1. Label yang telah diketahui dari contoh tes dibandingkan dengan hasil klasifikasi dari

model,

2. Nilai keakuratan adalah prosentase dari kumpulan contoh tes yang diklasifikasikan secara

tepat oleh model,

3. Kumpulan tes tidak terikat pada kumpulan pelatihan,

4. Jika akurasi diterima, model dapat digunakan untuk mengklasifikasikan data record yang

label kelasnya belum diketahui.

Untuk mengevaluasi performansi sebuah model yang dibangun oleh algoritma klasifikasi,

dapat dilakukan dengan menghitung jumlah dari testing record yang diprediksi secara benar

(akurasi) dan salah (error rate) oleh model tersebut. Akurasi dan error rate didefinisikan

sebagai berikut.


MATERI PRAKTIKUM


Model di klasifikasi dapat dikatakan baik untuk digunakan apabila mempunyai akurasi yang

tinggi atau error rate yang rendah ketika model diterapkan pada testing set.

6. Algoritma Klasifikasi

Pada teknik klasifikasi terdapat beberapa algoritma klasifikasi yang dapat digunakan, antara

lain: pohon keputusan (decision tree), rule based, neural network, support vector machine,

naive bayes, rough set, dan nearest neighbour.

7. Algoritma Decision Tree

Salah satu metode teknik klasifikasi data mining yang umum digunakan adalah decision tree.

Decision tree adalah struktur flowchart yang menyerupai tree (pohon), dimana setiap simpul

internal menandakan suatu tes pada atribut, setiap cabang merepresentasikan hasil tes, dan

simpul daun merepresentasikan kelas atau distribusi kelas. Alur pada decision tree di telusuri

dari simpul akar ke simpul daun yang memegang prediksi kelas untuk contoh tersebut.

Decision tree mudah untuk dikonversi ke aturan klasifikasi. Teknik pohon keputusan lebih

mudah digunakan, karena beberapa alasan:

a) Dibandingkan dengan classifier JST atau bayesian, sebuah pohon keputusan mudah

diinterpretasi/ ditangani oleh manusia.

b) Sementara training JST dapat menghabiskan banyak waktu dan ribuan iterasi, pohon

keputusan efisien dan sesuai untuk himpunan data besar.

c) Algoritma dengan pohon keputusan tidak memerlukan informasi tambahan selain yang

terkandung dalam training data (yaitu, pengetahuan domain dari distribusi-distribusi pada

data atau kelas-kelas).


MATERI PRAKTIKUM


d) Pohon keputusan menunjukkan akurasi klasifikasi yang baik dibandingkan dengan teknik-

teknik yang lainnya.

1) Konsep Decision Tree

Mengubah data menjadi pohon keputusan (decision tree) dan aturan-aturan keputusan

(rule).

Gambar 4. Konsep Decision Tree

2) Tipe Simpul Pada Tree

Tree mempunyai 3 tipe simpul, yaitu:

1. Simpul akar dimana tidak ada masukan edge dan 0 atau lebih keluaran edge (tepi),

2. Simpul internal, masing-masing 1 masukan edge dan 2 atau lebih edge keluaran,

3. Simpul daun atau simpul akhir, masing-masing 1 masukan edge dan tidak ada edge

keluaran.

Pada decision tree setiap simpul daun menandai label kelas. Simpul yang bukan

simpul akhir terdiri dari akar dan simpul internal yang terdiri dari kondisi tes atribut pada

sebagian record yang mempunyai karakteristik yang berbeda. Simpul akar dan simpul

internal ditandai dengan bentuk oval dan simpul daun ditandai dengan bentuk segi empat.

Gambar 5. Decision tree untuk masalah klasifikasi


MATERI PRAKTIKUM


3) Konsep Data Dalam Decision Tree

a) Data dinyatakan dalam bentuk tabel dengan atribut dan record.

b) Atribut menyatakan suatu parameter yang dibuat sebagai kriteria dalam pembentukan

tree. Misalkan untuk menentukan main tenis, kriteria yang diperhatikan adalah cuaca,

angin dan temperatur. Salah satu atribut merupakan atribut yang menyatakan data solusi

per-item data yang disebut dengan target atribut.

c) Atribut memiliki nilai-nilai yang dinamakan dengan instance. Misalkan atribut cuaca

mempunyai instance berupa cerah, berawan dan hujan.

Customer Jumlah Beli Keadaan

Barang Diskon?

Cinta Banyak Tidak Cacat Tidak Diskon

Jojo Sedikit Cacat Diskon

Shinta Sedang Tidak Cacat Tidak Diskon

Lala Sedikit Cacat Diskon

Maya Banyak Cacat Diskon

Gambar 6. Contoh data untuk Decision Tree

4) Proses Dalam Decision Tree

a) Proses Mengubah Data Menjadi Tree

Gambar 7. Mengubah Data Menjadi Tree

b) Ukuran untuk Memilih Split Terbaik

Instance Label Kelas


MATERI PRAKTIKUM


Dalam membangun sebuah decision tree secara top-down (dari atas ke bawah), tahap

awal yang dilakukan adalah mengevaluasi semua atribut yang ada menggunakan suatu

ukuran statistik (yang banyak digunakan adalah information gain) untuk mengukur

efektifitas suatu atribut dalam mengklasifikasikan suatu kumpulan sampel data. Atribut

yang diletakkan pada root node adalah atribut yang memiliki information gain terbesar.

Semua atribut adalah bersifat kategori yang bernilai diskrit. Atribut dengan nilai

continuous harus didiskritkan (Zalilia, 2007). Terlebih dahulu kita harus mencari nilai

informasi dari data yang merupakan nilai yang diperlukan untuk mengklasifikasikan

keputusan akhir. Secara matematis dapat dirumuskan dengan:

c) Entropy

Entropy (S) adalah jumlah bit yang diperkirakan dibutuhkan untuk dapat mengekstrak

suatu kelas (+ atau -) dari sejumlah data acak pada ruang sample S.

Entropy bisa dikatakan sebagai kebutuhan bit untuk menyatakan suatu kelas. Semakin

kecil nilai Entropy maka semakin baik untuk digunakan dalam mengekstraksi suatu

kelas.

Entropi adalah suatu parameter untuk mengukur heterogenitas dari suatu data. Panjang

kode untuk menyatakan informasi secara optimal adalah p2log− bits untuk messages

yang mempunyai probabilitas p.

Untuk menghitung information gain, terlebih dahulu kita harus memahami suatu

ukuran lain yang disebut Entropy. Entropy biasa digunakan sebagai sautu parameter

untuk mengukur heterogenitas (keberagaman) dari suatu kumpulan sampel data. Jika

kumpulan sampel data semakin heterogen, maka semakin besar nilai entropy. Secara

matematis, nilai entropy masing-masing instance dirumuskan sebagai berikut:


MATERI PRAKTIKUM


Keterangan :

S = ruang (data) sample yang digunakan untuk training.

P(+) = jumlah yang bersolusi positif (mendukung) pada data sample untuk kriteria

tertentu.

P(-) = jumlah yang bersolusi negatif (tidak mendukung) pada data sample untuk

kriteria tertentu.

Sedangkan untuk nilai entropy masing-masing atribut dirumuskan dengan:

d) Information Gain

Setelah mendapatkan nilai entropy untuk suatu kumpulan sampel data, maka dapat

diukuer efektifitas suatu atribut dalam mengklasifikasikan data. Ukuran efektifitas ini

disebut Information Gain. Secara matematis, information gain dari suatu atribut,

dituliskan sebagai berikut:

Dengan kata lain, Gain (A) adalah reduksi yang diharapkan dalam entropy yang

disebabkan oleh pengetahuan nilai pada atribut A. Algoritma menghitung information

gain pada setiap atribut. Atribut dengan nilai gain terbesar dipilih sebagai tes atribut

(simpul akar). Simpul A dibuat dan dilabelkan dengan atribut, cabang dibuat untuk

setiap nilai atribut.

Klasifikasi pada umumnya digunakan untuk kasus-kasus pada kelas-kelas

keputusan yang bernilai diskrit dengan keputusan seperti diterima = “ya” atau “tidak”.

Namun jika kita menemukan kasus yang mempunyai nilai keputusan kontinyu cara

untuk menyelesaikannya adalah dengan mengubah nilai-nilai kontinyu menjadi nilai-


MATERI PRAKTIKUM


nilai diskrit dengan cara mempartisi nilai kontinyu ke dalam interval-interval bernilai

diskrit.

Tabel 1. Contoh Data penerimaan karyawan dengan atribut IPK bernilai kontinyu

Untuk menyelesaikannya kita misal atribut IPK kita ubah menjadi 3 nilai diskrit

dengan membentuk interval “bagus“=[3,00-4,00], “cukup“=[2,75-3,00] lalu kembali

dengan melanjutkan langkah-langkah selanjutnya.

e) Mengubah Tree Menjadi Rules

Tahap terakhir dalam algoritma decision tree adalah mengubah tree menjadi rules

seperti pada gambar di bawah ini.

Gambar 8. Mengubah Tree Menjadi Rules


MATERI PRAKTIKUM


Sebagai contoh, terdapat sebuah kasus seseorang menentukan akan main tenis di

lapangan atau tidak berdasarkan faktor cuaca dan angin, maka berdasarkan tree yang

terbentuk dapat diubah menjadi beberapa rule seperti gambar di bawah ini.

Gambar 9. Mengubah Tree Menjadi Rules

5) Contoh Kasus Decision Tree

a) Menentukan Node Terpilih

Dari data sampel ditentukan node terpilih, yaitu dengan menghitung nilai entropy

masing-masing atribut. (jumlah beli, harga, dan keadaan barang).

Catatan Node terpilih adalah kriteria dengan Information Gain yang paling besar.


MATERI PRAKTIKUM


Entropy untuk harga:

Nilai Informasi untuk data tersebut adalah:

Information Gain (I) =0.9183-0.36 =0.558296

Dengan menggunakan cara yang sama nilai entropy atribut yang lain adalah sebagai

berikut:

Tabel 2. Nilai Entropy untuk Jumlah Beli dan keadaan Barang

Terpilih atribut HARGA sebagai node awal karena memiliki information gain

terbesar.

b) Menyusun Tree Awal

Gambar 10. Tree Awal yang Terbentuk


MATERI PRAKTIKUM


Node berikutnya dapat dipilih pada bagian yang mempunyai nilai + dan -, pada contoh

di atas hanya harga = sedang yang mempunyai nilai + dan –, maka semuanya pasti

mempunyai internal node. Untuk menyusun internal node lakukan satu-persatu.

c) Internal Node untuk harga = sedang

Tabel 3. Internal Node Harga Sedang


MATERI PRAKTIKUM


d) Menyusun Tree Lanjutan

Gambar 11. Tree Lanjutan 1

Gambar 12. Tree Lanjutan 2


MATERI PRAKTIKUM


e) Hasil Tree Akhir

Gambar 13. Tree Akhir

f) Mengubah Tree Menjadi Rule

Rule yang terbentuk dari hasil tree akhir adalah sebagai berikut:

R1: IF Harga = mahal THEN diskon = ya

R2: IF Harga = murah THEN diskon = tidak

R3: IF Harga = sedang dan Jumlah Beli = sedikit THEN diskon = tidak

R4: IF Harga = sedang dan Jumlah Beli = banyak dan Keadaan Barang = cacat

THEN diskon = ya

R5: IF Harga = sedang dan Jumlah Beli = banyak dan Keadaan Barang=baik

THEN diskon = tidak


MATERI PRAKTIKUM


g) Menghitung Akurasi dan Error

Hasil Prediksi pada training set adalah sebagai berikut:

Tabel 4. Hasil Model Klasifikasi dan Prediksi

Keterangan:

Warna kuning menunjukkan ketidaksesuaian atau tingkat error

Tingkat error = 3/18 *100% = 16.67 %.

Sedangkan untuk akurasi adalah sebesar = 15/18*100% = 83.33 %.


MATERI PRAKTIKUM


Contoh Kasus :

Seorang peneliti ingin mengetahui apakah perusahaan pengolahan baja yang ada di Indonesia

sudah memiliki lingkungan kerja yang baik atau tidak. Untuk itu, peneliti tersebut melakukan

pengambilan data terhadap 100 perusahaan yang didasarkan pada 5 kategori yaitu kebisingan,

suhu, getaran, pencahayaan, dan perbandingan luas dengan jumlah pekerja. Berikut adalah

data historis dari perusahaan tersebut :

Perusahaan Kebisingan

(dB)

Suhu (C0) Getaran

(Hz)

Pencahayaan

(Lux)

Perbandingan

Luas dengan

Jumlah Pekerja

Status

LKF

1 97 31 76 102 15 Buruk

2 85 24 145 149 8 Baik

3 101 25 56 118 20 Buruk

4 101 25 146 155 19 Buruk

5 94 36 129 131 4 Buruk

6 94 31 9 91 14 Buruk

7 98 32 70 101 18 Buruk

8 98 27 105 99 14 Baik

9 86 29 3 98 9 Baik

10 94 32 124 150 16 Buruk

11 92 30 107 150 19 Buruk

12 88 29 105 178 11 Baik

13 82 34 150 163 7 Baik

14 82 29 112 186 20 Baik

15 99 34 9 185 9 Baik

16 103 40 77 101 20 Buruk

17 81 37 4 145 19 Baik

18 87 38 105 129 14 Buruk

19 98 38 84 99 14 Buruk

20 105 28 114 181 5 Buruk

21 85 27 48 193 18 Baik

22 85 35 35 127 19 Buruk

23 103 33 145 99 6 Buruk

24 103 36 147 102 11 Buruk

25 103 36 102 136 8 Buruk


MATERI PRAKTIKUM



(dB)

Suhu (C0) Getaran

(Hz)

Pencahayaan

(Lux)

Perbandingan

Luas dengan

Jumlah Pekerja

Status

LKF

26 93 38 62 183 6 Buruk

27 105 38 105 146 15 Buruk

28 95 27 25 145 9 Baik

29 85 35 22 188 8 Baik

30 80 31 113 112 10 Buruk

31 94 25 8 151 17 Baik

32 103 33 74 193 9 Buruk

33 103 29 83 104 14 Buruk

34 93 37 15 185 17 Buruk

35 81 34 62 177 8 Buruk

36 103 35 131 91 10 Buruk

37 82 35 102 143 12 Buruk

38 92 38 14 141 13 Baik

39 97 29 14 133 10 Baik

40 103 36 55 126 12 Buruk

41 83 39 104 181 19 Buruk

42 83 32 87 189 20 Baik

43 103 38 102 193 4 Buruk

44 103 31 122 140 7 Buruk

45 100 35 105 146 10 Buruk

46 93 30 81 184 13 Buruk

47 89 37 6 190 17 Buruk

48 104 35 30 114 8 Buruk

49 102 38 68 149 5 Buruk

50 80 33 87 174 13 Baik

51 91 33 28 172 15 Buruk

52 83 30 31 127 11 Buruk

53 100 28 20 141 6 Buruk

54 98 38 30 183 14 Buruk

55 103 29 125 154 14 Buruk

56 96 35 54 149 15 Buruk

57 98 35 42 170 4 Buruk


MATERI PRAKTIKUM



(dB)

Suhu (C0) Getaran

(Hz)

Pencahayaan

(Lux)

Perbandingan

Luas dengan

Jumlah Pekerja

Status

LKF

58 95 24 15 159 17 Baik

59 85 35 142 178 18 Buruk

60 93 29 70 189 15 Buruk

61 91 25 110 90 20 Buruk

62 86 33 134 110 11 Buruk

63 88 38 125 91 6 Buruk

64 104 31 118 133 11 Buruk

65 103 40 62 110 12 Buruk

66 94 28 128 126 9 Baik

67 96 40 117 199 11 Buruk

68 86 37 9 148 8 Buruk

69 95 28 21 95 17 Buruk

70 84 30 10 129 19 Buruk

71 87 28 52 163 12 Buruk

72 101 33 106 147 16 Buruk

73 105 28 72 176 8 Buruk

74 97 39 104 157 4 Baik

75 94 24 26 189 19 Buruk

76 91 36 132 168 6 Buruk

77 91 27 148 146 14 Buruk

78 95 30 147 163 9 Buruk

79 98 36 82 112 17 Buruk

80 85 39 107 134 8 Buruk

81 89 27 58 170 16 Buruk

82 89 26 12 130 17 Baik

83 90 32 92 107 10 Buruk

84 97 39 56 123 5 Buruk

85 91 39 18 151 18 Buruk

86 98 24 53 156 10 Buruk

87 105 25 126 91 17 Buruk

88 85 34 25 98 10 Buruk

89 100 39 75 98 8 Buruk


MATERI PRAKTIKUM



(dB)

Suhu (C0) Getaran

(Hz)

Pencahayaan

(Lux)

Perbandingan

Luas dengan

Jumlah Pekerja

Status

LKF

90 85 25 120 151 10 Baik

91 89 30 79 129 15 Buruk

92 100 31 107 110 9 Buruk

93 94 28 91 93 10 Buruk

94 86 35 90 111 7 Buruk

95 89 26 121 147 9 Buruk

96 86 24 73 148 17 Buruk

97 83 39 117 179 20 Buruk

98 91 35 35 119 11 Baik

99 83 31 82 134 15 Buruk

100 89 27 8 160 4 Buruk

Aturan Transformasi

Kebisingan

Tinggi >100

Sedang 91-100

Rendah 80-90

Suhu

Sangat Buruk ≥35

Buruk 30-34

Baik 24-29

Getaran

Sangat Berbahaya bagi Kepala >100

Berbahaya bagi Kepala 51-100

Aman untuk bagian kepala 1-50

Pencahayaan

Baik >150

Sedang 126-150

Redup 90-125

Perbandingan dengan Luas

Besar 16

Sedang 10-15

Kurang 4-9


MATERI PRAKTIKUM


Langkah - langkah Decision Tree dengan Rapid Miner :

1. Buka software rapid miner, klik New Process

2. Pilih File-Import Data-Import Excel Sheet

Gambar 14. Membuka Data

3. Pilih file yang akan diproses, kemudian klik Next

Gambar 15. Data Import Step 1


MATERI PRAKTIKUM


4. Pilih Sheet (halaman) yang akan diproses, kemudian klik Next


5. Klik Next



MATERI PRAKTIKUM


6. Pilihlah atribut dan tipe data yang sesuai, kemudian klik Next.


7. Simpan data di folder yang Anda inginkan kemudian ketik nama file sesuai keinginan

Anda pada kolom Name, kemudian klik Finish



MATERI PRAKTIKUM


8. Akan muncul tampilan seperti di bawah ini

Gambar 20. Output Import Data

Menggunakan Algoritma Decission Tree

1. Drag file trainingset klasif ke dalam kotak Main Process

Gambar 21. Proses Drag Data TrainingSet


MATERI PRAKTIKUM


2. Cari Select Attributes pada kotak search, drag kedalam kotak Main Process, lalu

hubungkan (out) dari file ke (exa) Select Attributes.

Gambar 22. Proses Drag Select Attribut

3. Kemudian pilih atribut yang akan digunakan dengan klik kotak Select Attributes, ganti

attributes filter type dengan pilihan “subset”, lalu klik pilihan Select Attributes.

Gambar 23. Pemilihan Attribut


MATERI PRAKTIKUM


4. Pilih atribut yang akan digunakan dengan memindah atribut dari kolom Attributes

kekolom Selected Attributes. Lalu klik Apply.

Gambar 24. Proses Pemilihan Attribut

5. Cari algoritma yang akan digunakan, (Decison Tree) pada kotak search

Gambar 25. Pencarian Algoritma Decision Tree

6. Kemudian drag algoritma yang akan digunakan (Decision Tree) ke dalam kotak Main

Process.


MATERI PRAKTIKUM


7. Cari Apply Model pada kotak search

Gambar 26. Pencarian Apply Model

8. Drag Apply Model pada kotak Main Process.

9. Cari Performance pada kotak search

Gambar 27. Pencarian Performance


MATERI PRAKTIKUM


10. Drag Performance pada kotak Main Process.

Maka akan terbentuk seperti gambar di bawah ini.

Gambar 28. Main Process

11. Setelah itu, buat hubungan antar kotak :

(exa) Select Attributeske (tra) Decision Tree

(mod) Decision tree ke (mod)Apply Model

(exa) Decision tree ke (unl)Apply Model

(lab) Apply Modelke (lab) Performance

(mod) Apply Modelke (res) (Output)

(per)Performance ke (res) Output

(exa) Performance ke (res) Output

12. Maka akan terbentuk kotak Main Process seperti di bawah ini.

Gambar 29. Proses Penghubungan


MATERI PRAKTIKUM


13. Untuk algoritma Decision Tree. Klik kotak Decision Tree maka akan muncul tampilan

di bawah ini, kemudian klik criterion dan pilih information_gain (karena menggunakan

algoritma Decision Tree (C4.5) maka dipilih information gain sebagai penentu kriteria

(atribut).

Gambar 30. Output Import Data


MATERI PRAKTIKUM


14. Kemudian klik icon , maka akan muncul output (decision tree) seperti di bawah ini :

Gambar 31. Output Decision Tree Rapid Miner

Berdasarkan decision tree diatas, berikut adalah rule-rule yang terbentuk :

R1 : Jika Kebisingan = Tinggi, maka Status LKF = Buruk

R2 : Jika Kebisingan = Sedang, Suhu = Sangat Buruk, Getaran = Sangat Berbahaya,

maka Status LKF = Buruk

R3 : Jika Kebisingan = Sedang, Suhu = Sangat Buruk, Getaran = Berbahaya, maka Status

LKF = Buruk

R4 : Jika Kebisingan = Sedang, Suhu = Sangat Buruk, Getaran = Aman, maka Status

LKF = Buruk

R5 : Jika Kebisingan = Sedang, Suhu = Buruk, Getaran = Sangat Berbahaya, maka Status

LKF = Buruk

R6 : Jika Kebisingan = Sedang, Suhu = Buruk, Getaran = Berbahaya, maka Status LKF =

Buruk

R7 : Jika Kebisingan = Sedang, Suhu = Buruk, Getaran = Aman, maka Status LKF =

Buruk

R8 : Jika Kebisingan = Sedang, Suhu = Baik, maka Status LKF = Baik

R9 : Jika Kebisingan = Rendah, Suhu = Sangat Buruk, Getaran = Sangat Berbahaya,

maka Status LKF = Buruk

R10 : Jika Kebisingan = Rendah, Suhu = Sangat Buruk, Getaran = Berbahaya, maka Status

LKF = Buruk


MATERI PRAKTIKUM


R11 : Jika Kebisingan = Rendah, Suhu = Sangat Buruk, Getaran = Aman, maka Status

LKF = Buruk

R12 : Jika Kebisingan = Rendah, Suhu = Buruk, Getaran = Sangat Berbahaya, maka Status

LKF = Buruk

R13 : Jika Kebisingan = Rendah, Suhu = Buruk, Getaran = Berbahaya, maka Status LKF =

Baik

R14 : Jika Kebisingan = Rendah, Suhu = Baik, maka Status LKF = Baik

15. Untuk melihat tingkat akurasi maka klik Performance Vector, maka akan muncul

output sebagai berikut :

Gambar 32. Output Performance


MATERI PRAKTIKUM


DAFTAR PUSTAKA

Bertalya. 2009. Konsep Data Mining. Jakarta: Universitas Gunadarma.

Florin Gorunescu. 2011. Data Mining : Concept, Model and Techniques. Berlin : Springer.

Oded Maimon dan Lior Rokach. 2010. Data Mining and Knowledge Discovery Handbook.

London : Springer.

materi praktikum -...

Documents