幻灯片 1 - Digilib ITS - Institut Teknologi Sepuluh Nopember
advertisement
Pengolahan Data Algoritma C4.5 Menghitung entropi : Data Training (75%) = 220 data Data Testing (25%) = 73 data Entropi (y) = -p1 log2 p1 – p2 log2 p2 ...... –pn log2 pn Entropi IPK -28/220*LOG2(28/220)-156/220*LOG2(156/220)-36/220*LOG2(36/220) = 1.1575 Menghitung Information Gain : gain (y,A) = entropi (y) - Information Gain Jenis Kelamin : 1.1575-(101/220)*1.1592-(119/220)*1.1013 = 0.0397 Node Awal Pengolahan Data PMDK Jalur Masuk PMDK S1 Kerjasama Jalur Masuk S1 Kerjasama 3 Data Cukup DKI & JABAR variabel jenis kelamin Gaji Asal Daerah Cukup Asal Daerah gain 1.11908 1.11369 1.12065 Baik 6 Data Jawa Timur Jenis Kelamin P Jawa Timur L Cukup Bidik Misi Jenis Kelamin Bidik Misi Baik L Surabaya Jalur Masuk Cukup P Asal Daerah Jenis kelamin 0.8242 0.8242 Gaji 0.3650 0.8242 variabel jenis kelamin Gaji Asal Daerah Gain 1.1146 1.1164 1.1170 Jawa Timur 10 Data Jenis Kelamin P L Cukup Baik DKI & JABAR Surabaya Jenis Kelamin Gaji 0.9575 0.8820 Jawa Timur 0.8820 0.6065 PKM Kemitraan PKM Mandiri Jalur Masuk Jalur Masuk 62 Data 37 Data PKM PKM Kemitraan Kemitraan PKM Mandiri Jawa Jawa Timur Timur Asal Daerah Surabaya Jawa Timur Luar Jawa DKI DKI & & JABAR JABAR L rendah Gaji Cukup Cukup L Kurang Kurang 0.6380 0.6197 Gaji Jawa Timur Cukup Cukup Baik Baik Sedang Sedang 1.0819 1.0946 1.1575 1.1575 LL kurang kurang LL Cukup Cukup Cukup P P Cukup Cukup variabel jenis kelamin Gaji Asal daerah Luar Jawa 1.0993 1.1052 Baik Baik P P Jenis Kelamin gain 0.9025 0.9030 0.9375 DKI & JABAR Jenis Kelamin tinggi tinggi P P Kurang Kurang variabel jenis kelamin Gaji Asal daerah jenis kelamin gaji Kurang Kurang rendah rendah P Cukup Surabaya Surabaya Surabaya Cukup Sedang Cukup Jenis Kelamin LL Jenis Kelamin P Tinggi Luar Luar Jawa Jawa DKI & JABAR Cukup Cukup Jenis Kelamin Asal Daerah Surabaya jenis kelamin gaji 0.8312 0.8403 Jawa Timur 0.9424 0.9399 gain 0.9995 0.9930 1.0188 DKI & JABAR 1.1035 1.0831 Luar Jawa 1.0494 1.0494 SBMPTN Jalur Masuk 102 Data SBMPTN Asal Daerah Surabaya variabel jenis kelamin Gaji Asal Daerah Luar Jawa Jawa Timur gain DKI & JABAR 0.6745 0.6711 0.7023 Jawa Tengah Cukup Jenis Kelamin Cukup L Jenis Kelamin Cukup L P P Kurang Cukup Baik Gaji Rendah Tinggi Sedang Baik Cukup Cukup Surabaya jenis kelamin gaji 0.7337 0.7665 Jawa Timur 0.7531 0.7353 Jawa Tengah 1.0951 1.0983 DKI & JABAR 1.1575 1.1575 Luar Jawa 1.1575 1.1379 Perhitungan Akurasi : Software Matlab Data Training (75%) = 220 data Data Testing (25%) = 73 data Tingkat error rata-rata = 42,01% Analisis & Interpretasi Variabel yang paling berpengaruh adalah jalur masuk Semakin tinggi jumlah data & beragam data, tree semakin kompleks. Penentuan data training & data testing sangat berpengaruh terhadap error Tingginya error disebabkan data memiliki penyebaran yang tinggi Kesimpulan : 1. Kelompok mahasiswa berdasarkan IPK terdiri dari 3 kelas yaitu kurang, cukup, dan baik. Variabel yang dipertimbangkan dalam perhitungan yaitu jenis kelamin, jalur masuk,asal daerah, dan gaji orang tua. 2. Variabel yang paling berpengaruh terhadap nilai IPK mahasiswa Teknik Industri ITS adalah jalur masuk, kedua yaitu asal daerah. Kemudian untuk jenis kelamin dan gaji orang tua sama besar pengaruhnya. 3. Perhitungan decision tree algoritma c4.5 mampu mengelompokkan data ke dalam kategori yang telah ditentukan. 4. Decision rule yang dihasilkan memiliki tingkat error rata-rata sebesar Saran : 1. Perlu dilakukan perbandingan beberapa metode klasifikasi di samping untuk mengetahui tingkat akurasi dari metode klasifikasi tersebut. 2. Data mining memiliki cakupan dalam berbagai bidang, sehingga perlu dilakukan penelitian dengan metode data mining untuk bidang yang lain Daftar Pustaka Han, J., & Kamber, M. (2006). Data Mining: Concepts and Techniques. San Fransisco: Morgan Kaufman Publisher Kumar, B., & Pal, S. (2011). Data mining: A prediction for performance improving using classification. IJCSIS, vol 9 Ridwan, M., Suyono, H., & M.Sarosa. (2013). Penerapan Data Mining Untuk Evaluasi Kinerja Akademik Mahasiswa Menggunakan Algoritma Naive Bayes Classifier. Jurnal EECCIS, vol 7 Santosa, B. (2007). Data Mining: Teknik Pemanfaatan Data untuk Keperluan Bisnis. Yogyakarta: Graha Ilmu Sembiring, S., M.Zarlis, H, D., S, R., & Wani, E. (2011). Prediction of student academic performance by an application of data mining technique. IPEDR, vol 6 Sumathi, D. S., & S.N.Sivanandan, D. (2006). Introduction to Data Mining and its applications. Verlag Berlin Heidelberg: Springer Sunjana. (2010). Aplikasi Mining Data Mahasiswa Dengan Metode Klasifikasi Decision tree. ISSN: 1907-5022 T.Larose, D. (2005). DISCOVERY KNOWLEDGE IN DATA : An Introduction to Data Mining. New Jersey: John Wiley & Sons, Inc Alfina, T. (2012). Analisa Perbandingan Metode Hierarchical Clustering, K-Means dan Gabungan Keduanya Dalam Membentuk Cluster Data. Surabaya: Institut Teknologi Sepuluh Nopember Surabaya.