Penambangan Data Query pada Situs Web dengan Menggunakan Algoritma. Decision Tree. Studi Kasus : Skripsi

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Penambangan Data Query pada Situs Web dengan Menggunakan Algoritma Decision Tree Studi Kasus : www.inkuiri.com Skripsi Diajukan Untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Komputer

Oleh : Yustina Dyah Utami 115314094 PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS SANATA DHARMA YOGYAKARTA 2016


Data Mining Query on a Site Website Using Decision Tree Algorithm Studi Kasus : www.inkuiri.com A Thesis Presented As Partial Fullfillment of the Requirements To Obtain the Sarjana Komputer Degree

By : Yustina Dyah Utami Student Number 115314094

INFORMATICS ENGINEERING STUDY PROGRAM FACULTY OF SCIENCE AND TECHNOLOGY SANATA DHARMA UNIVERSITY YOGYAKARTA 2016

ii


HALAMAN PERSETUJUAN

iii


HALAMAN PENGESAHAN

iv


HALAMAN PERSEMBAHAN “7Mintalah, maka akan diberikan kepadamu; carilah, maka kamu akan mendapat; ketoklah, maka pintu akan dibukakan bagimu. 8Karena setiap orang yang meminta, menerima dan setiap orang yang mencari, mendapat dan setiap orang yang mengetok, baginya pintu dibukakan.” (Matius 7 : 7 – 8)

Tugas akhir ini saya persembahkan kepada : Tuhan Yesus Kristus Terimakasih atas berkatNya yang sungguh luar biasa sehingga tugas akhir ini dapat terselesaikan. Bapak (alm) dan Ibu Terimakasih atas dukungan dan doa yang diberikan kepada penulis. Kakak tercinta Terimakasih untuk dukungan, doa, dan semangat yang diberikan kepada penulis.

v


PERNYATAAN KEASLIAN KARYA

Saya menyatakan dengan sesungguhnya bahwa skripsi yang saya tulis ini tidak memuat karya atau bagian karya orang lain, kecuali yang telah disebutkan dalam kutipan dan daftar pustaka, sebagaimana layaknya karya ilmiah.

Yogyakarta, 19 Februari 2016 Penulis,

Yustina Dyah Utami

vi


ABSTRAK Data minning adalah suatu istilah yang digunakan untuk menguraikan penemuan pengetahuan di dalam database. Data minning berisi pencarian trend atau pola yang diinginkan dalam database besar untuk membantu pengambilan keputusan. Dalam penulisan

tugas akhir ini menggunakan implementasi dari algoritma ID3.

Dengan menggunakan algoritma ID3 dapat digunakan untuk menambang data query pada situs website. Situs www.inkuiri.com adalah sebuah situs yang digunakan untuk pencarian barang yang terdiri dari beberapa kategori, diantaranya adalah fashion, smartphone, motorbike dan talisman. Data yang digunakan terdiri dari 5 atribut yaitu : interest (main), type, city, waktu dan bulan. Hasil akhir yang akan didapat adalah pola interest user yang melakukan query. Pengujian dilakukan dengan menggunakan 500 data baru. Hasil rata – rata nilai akurasi dengan 10 kali pengujian adalah sebesar 19 %.

vii


ABSTRACT

Data Minning is a term used to describe the knowledge discovery in databases . Data Minning unbiased search trend or a desired pattern in a large database to help make decisions . In this thesis using an implementation of the algorithm ID3 . By using ID3 algorithm can be used for data mining queries on the web site . Www.inkuiri.com sites is a site used for the search item consists of several categories , including fashion , smartphone , motorbike and talisman . The data used consists of five attributes , namely : interest ( main) , type, city, time and month . The final results will be obtained is user interest patterns that do queries . Tests carried out using 500 new data . Average yield - average value of accuracy with 10 times the test is 19% .

viii


LEMBAR PERNYATAAN PERSETUJUAN

PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS

Yang bertanda tangan di bawah ini, saya mahasiswa Universitas Sanata Dharma : Nama

: Yustina Dyah Utami

Nomor Mahasiswa

: 115314094

Demi pengembangan ilmu pengetahuan, saya memberikan kepada Perpustakaan Universitas Sanata Dharma karya ilmiah saya yang berjudul :

Penambangan Data Query pada Situs Web dengan Menggunakan Algoritma Decision Tree (Studi Kasus : www.inkuiri.com)

beserta perangkat yang diperlukan. Dengan demikian saya memberikan kepada Perpustakaan Universitas Sanata Dharma hak untuk menyimpan, mengalihkan dalam bentuk media lain, mengelolanya dalam bentuk pangkalan data, mendistribusikan secara terbatas, dan mempublikasikannya di Internet atau media lain untuk kepentingan akademis tanpa perlu meminta ijin dari saya maupun memberikan royalty kepada saya selama tetap mencantumkan nama saya sebagai penuulis. Demikian pernyataan ini saya buat dengan sebenarnya. Dibuat di Yogyakarta Pada tanggal : 19 Februari 2016 Yang menyatakan,

(Yustina Dyah Utami)

ix


KATA PENGANTAR Puji syukur penulis panjatkan kehadirat Tuhan Yang Maha Esa, yang telah melimpahkan berkat dan rahmatNya sehingga penulis dapat menyelesaikan tugas akhir yang berjudul “Penambangan Data Query pada Situs Web dengan Menggunakan Algoritma Decision Tree”. Tugas akhir ini ditulis sebagai salah satu syarat memperoleh gelar sarjana program studi Teknik Informatika, Fakultas Sains dan Teknologi Universitas Sanata Dharma. Dalam kesempatan ini, penulis mengucapkan terimakasih banyak kepada : 1. Tuhan Yesus Kristus yang telah menuntun dan memberikan berkat yang melimpah dan solusi terbaik sehingga tugas akhir ini dapat terselesaikan.

2. Ibu Sri Hartati Wijono, S.Si M.Kom, selaku Dosen Pembimbing atas segala waktu, kesabaran, serta memberi kritik dan saran yang membangun dalam membantu penyelesaian tugas akhir ini.

3. Mas Audris yang telah memberikan solusi dalam penyelesaian tugas akhir ini.

4. Kedua orangtua, Bapak (Alm.) T. Marto Atmodjo dan Ibu Martina Rumiyati yang selalu bersabar membimbing penulis dan mendoakan penulis.

5. Kakak yang terkasih Mbak Brigitta Deni Suka Prastiwi, Mas Bernard Puji Haryanto dan ponakan tersayang adik Imanuel Nicky Genta Sangkara yang selalu memberikan semangat kepada penulis.

x


6. Mas Febri Nugroho yang sudah setia menemani pengerjaan tugas akhir ini, memberikan solusi dan berbagi keluh kesah.

7. Sahabat terkasih, Agnes Alfani Restu Putri yang selalu setia menemani untuk saling berbagi berbagai hal.

8. Bulan Mahadewi dan Monica Susi Diatmasari yang sudah banyak saling berbagi hal mengenai kuliah dan berjuang bersama. 9. Teman – teman Teknik Informatika 2011, terkhusus untuk anggota C++ yang telah sama – sama berjuang dan saling menyemangati dan memberi inspirasi.

10. Seluruh staff pengajar Prodi Teknik Informatika yang telah memberikan ilmu pengetahuan yang sangat berguna bagi penulis.

11. Semua pihak yang telah membantu, yang tidak dapat disebutkan satu per satu.

Penulis menyadari masih banyak kekurangan dalam penyusunan tugas akhir ini. Namun penulis berharap tugas ini bermanfaat bagi pengembangan ilmu pengetahuan. Yogyakarta, 05 Februari 2016

Yustina Dyah Utami

xi


DAFTAR ISI HALAMAN PERSEMBAHAN ................................................................................... v PERNYATAAN KEASLIAN KARYA ...................................................................... vi ABSTRAK ................................................................................................................ vii ABSTRACT ............................................................................................................... viii LEMBAR PERNYATAAN PERSETUJUAN ............................................................. ix KATA PENGANTAR ................................................................................................. x DAFTAR ISI ............................................................................................................. xii DAFTAR GAMBAR ................................................................................................. xv DAFTAR TABEL ..................................................................................................... xvi BAB I .......................................................................................................................... 1 PENDAHULUAN ....................................................................................................... 1 1.1

Latar belakang ............................................................................................... 1

1.2

Rumusan Masalah .......................................................................................... 3

1.3

Tujuan Penelitian ........................................................................................... 4

1.4

Manfaat ......................................................................................................... 4

1.5

Batasan Masalah ............................................................................................ 4

1.6

Luaran ........................................................................................................... 4

1.7

Sistematika Penulisan .................................................................................... 5

BAB II ......................................................................................................................... 6 LANDASAN TEORI ................................................................................................... 6 2.1

Penambangan Data (Data Mining) ................................................................. 6

2.2

Tahap – tahap pada Penambangan Data.......................................................... 7

xii


2.3

Teknik Klasifikasi .......................................................................................... 8

2.4

Decision Tree (Pohon Keputusan) .................................................................. 9

2.5

Kegunaan Pohon Keputusan......................................................................... 11

2.6

Kelebihan dan kekurangan dari Decision Tree (Pohon Keputusan) ............... 11

2.6.1

Kelebihan Decision Tree (Pohon Keputusan) ........................................ 11

2.6.2

Kekurangan Decision Tree (Pohon Keputusan) ..................................... 12

2.7

Algoritma Decision Tree (Pohon Keputusan) ............................................... 12

2.8

Perhitungan Akurasi ..................................................................................... 13

BAB III...................................................................................................................... 14 Identifikasi Perhitungan dengan Decision Tree........................................................... 14 3.1

Pengenalan Data .......................................................................................... 14

3.2

Pemrosesan data........................................................................................... 17

3.3

Proses Perhitungan Algoritma ID3 ............................................................... 22

3.4

Output Sistem .............................................................................................. 23

3.5

Diagram Use Case ....................................................................................... 24

3.5.1

Narasi Use Case .................................................................................... 24

3.6

Contoh Proses Perhitungan Data .................................................................. 28

3.7

Perancangan Umum Sistem.......................................................................... 48

3.7.1

Masukkan Sistem .................................................................................. 48

3.7.2

Perancangan antar muka dengan user .................................................... 49

3.8

Diagram Kelas ............................................................................................. 52

3.8.1

Diagram Kelas Use case Login ............................................................. 52

3.8.2

Diagram Kelas Use case Masukkan Data .............................................. 54

3.8.3

Diagram Kelas Use Case Pengujian ...................................................... 55

xiii


IMPLEMENTASI SISTEM ....................................................................................... 56 4.1

Spesifikasi Perangkat Keras dan Perangkat Lunak........................................ 56

4.2

Implementasi Pemrosesan Data .................................................................... 56

4.2.1

Pembersihan Data ..................................................................................... 56

4.3

Implementasi Use Case ................................................................................ 65

4.4

Implementasi Diagram Kelas ....................................................................... 74

BAB V ....................................................................................................................... 75 PENGUJIAN DATA.................................................................................................. 75 5.1

Pengujian Data ............................................................................................. 75

5.3

Menghitung akurasi ..................................................................................... 76

5.4

Kelebihan dan Kekurangan Program ............................................................ 84

BAB VI ..................................................................................................................... 85 KESIMPULAN dan SARAN ..................................................................................... 85 6.1

Kesimpulan .................................................................................................. 85

6.2

Saran............................................................................................................ 85

Daftar Pustaka............................................................................................................ 86 LAMPIRAN 1 ........................................................................................................... 87 LAMPIRAN 2 ......................................................................................................... 111 LAMPIRAN 3 ......................................................................................................... 121

xiv


DAFTAR GAMBAR Gambar 2. 1 Bidang Ilmu Data Minning.................................................................... 7 Gambar 2. 2 Blok Diagram Model Klasifikasi ........................................................... 8

Gambar 3. 1 Flowchart Decision Tree ..................................................................... 23 Gambar 3. 2 Diagram Use Case .............................................................................. 24 Gambar 3. 3 Bentuk awal pohon dengan gain tertinggi waktu ................................. 33 Gambar 3. 4 Pembentukkan pohon untuk cabang malam ......................................... 34 Gambar 3. 5 Pembentukan pohon untuk cabang pagi............................................... 36 Gambar 3. 6 Pembentukan pohon untuk cabang pagi dan city Jakarta...................... 37 Gambar 3. 7 Pembentukan pohon untuk atribut bulan .............................................. 39 Gambar 3. 8 Pembentukan pohon untuk cabang awal .............................................. 41 Gambar 3. 9 Pembentukan pohon untuk bulan awal dan type Smartphone ............... 42 Gambar 3. 10 Pembentukan pohon untuk cabang tengah ......................................... 44 Gambar 3. 11 Pembentukkan pohon untuk cabang akhir ......................................... 45 Gambar 3. 12 Diagram Kelas Use Case Login ......................................................... 53 Gambar 3. 13 Diagram Kelas Use Case Masukkan Data .......................................... 54 Gambar 3. 14 Diagram Kelas Pengujian .................................................................. 55

Gambar 4. 1 Halaman FormLogin ........................................................................... 66 Gambar 4. 2 Pemberitahuan berhasil login .............................................................. 66 Gambar 4. 3 Form Halaman Utama ......................................................................... 67 Gambar 4. 4 Halaman tab menu data ....................................................................... 68 Gambar 4. 5 Halaman File Chooser untuk mengambil data ..................................... 68 Gambar 4. 6 Data yang sudah berhasil ditampilkan ................................................. 69 Gambar 4. 7 Hasil pohon keputusan ........................................................................ 71 Gambar 4. 8 Halaman Prediksi ................................................................................ 72 Gambar 4. 9 Halaman Prediksi dengan data yang sudah ditampilkan ....................... 73 xv


DAFTAR TABEL

Tabel 3. 1 Tabel atribut data mentah........................................................................ 14 Tabel 3. 2 Aturan Transformasi Data _source_created ............................................ 19 Tabel 3. 3 Tabel Variabel Input ............................................................................... 20 Tabel 3. 4 Tabel data yang akan diolah .................................................................... 28 Tabel 3. 5 Tabel pengelompokkan data dari setiap atribut........................................ 30 Tabel 3. 6 Tabel perhitungan nilai entropy semua atribut ......................................... 31 Tabel 3. 7 Perhitungan data pada cabang malam ..................................................... 33 Tabel 3. 8 Perhitungan data pada cabang pagi ......................................................... 35 Tabel 3. 9 Perhitungan data pada cabang Jakarta ..................................................... 36 Tabel 3. 10 Perhitungan data pada cabang siang ...................................................... 38 Tabel 3. 11 Perhitungan data pada cabang awal ....................................................... 40 Tabel 3. 12 Perhitungan data pada cabang Smartphone ........................................... 41 Tabel 3. 13 Perhitungan data pada cabang tengah .................................................... 43 Tabel 3. 14 Perhitungan data pada cabang akhir ...................................................... 44 Tabel 3. 15 Penjelasan atribut masukkan sistem ...................................................... 48

Tabel 4. 1 Contoh data yang sudah dilakukan pembersihan ..................................... 57 Tabel 4. 2 Contoh file dari kategori fashion ............................................................. 57 Tabel 4. 3 Contoh file dari kategori smartphone ...................................................... 58 Tabel 4. 4 Contoh file dari kategori motorbike ........................................................ 58 Tabel 4. 5 Contoh file dari kategori talisman ........................................................... 59 Tabel 4. 6 Contoh file yang telah digabungkan ........................................................ 59 Tabel 4. 7 Nama – nama atribut yang belum diseleksi ............................................. 60 Tabel 4. 8 Hasil nama atribut yang telah diseleksi ................................................... 61 Tabel 4. 9 Contoh perhitungan waktu yang pertama ................................................ 62

xvi


Tabel 4. 10 Contoh perhitungan waktu yang kedua ................................................. 62

Tabel 5. 1 Hasil Pengujian ke - 1 ............................................................................. 77 Tabel 5. 2 Hasil Pengujian ke - 2 ............................................................................. 77 Tabel 5. 3 Hasil Pengujian ke - 3 ............................................................................. 78 Tabel 5. 4 Hasil Pengujian ke - 4 ............................................................................. 79 Tabel 5. 5 Hasil Pengujian ke - 5 ............................................................................. 79 Tabel 5. 6 Hasil Pengujian ke - 6 ............................................................................. 80 Tabel 5. 7 Hasil Pengujian ke - 7 ............................................................................. 81 Tabel 5. 8 Hasil Pengujian ke - 8 ............................................................................. 81 Tabel 5. 9 Hasil Pengujian ke - 9 ............................................................................. 82 Tabel 5. 10 Hasil Pengujian ke - 10 ......................................................................... 83 Tabel 5. 11 Hasil rata – rata untuk 10 kali pengujian ............................................... 83

xvii

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 1

BAB I PENDAHULUAN

1.1 Latar belakang Saat ini, dunia teknologi berkembang dengan sangat pesat. Manusia, semakin dimudahkan untuk melakukan pekerjaan dengan menggunkan teknologi yang berkembang saat ini. Dari sisi komunikasi perkembangan teknologi paling mudah kita dapat, kita lihat, dan kita rasakan. Saat ini, banyak sekali smartphone yang dijual dipasaran. Setiap perusahaan smartphone bersaing untuk memasarkan produk – produk yang mereka miliki. Perusahaan pun, semakin melengkapi produknya dengan berbagai macam aplikasi yang semakin memudahkan manusia untuk berkomunikasi. Di jaman yang serba instant ini, manusia semakin ingin mendapatkan barang atau pun jasa dengan mudah. Hal ini yang memotivasi dunia pasar untuk ikut berkembang. Oleh sebab itu, kegiatan jual beli kini banyak dilakukan secara online, seiring dengan berkembangnya teknologi. Saat ini, jual beli online banyak kita temui, dan dengan mudah kita bisa membeli barang yang kita inginkan. Proses datamining juga diperlukan untuk menyelesaikan permasalahan atau menjawab

kebutuhan

bisnis

itu

sendiri,

misalnya

:

Bagaimana


mengetahui hilangnya pelanggan karena pesaing? Bagaimana mengetahui item produk atau konsumen yang memiliki kesamaan karakteristik? Bagaimana mengidentifikasi produk-produk yang terjual bersamaan dengan produk lain. Bagaimana memprediksi tingkat penjualan? Bagaimana menilai tingkat resiko dalam menentukan jumlah produksi suatu item. Bagaimana memprediksi perilaku bisnis di masa yang akan datang? Situs www.inkuiri.com adalah sebuah situs website yang digunakan untuk pencarian barang yang terdiri dari beberapa kategori yang beberapa diantaranya yaitu fashion, smartphone, motorbike, dan talisman. Kita dapat mengetikkan nama barang yang ingin kita cari pada tempat yang telah disediakan oleh website, atau bisa terlebih dahulu memilih kategori – kategori yang telah disediakan oleh website, kemudian sistem akan melakukan pencarian pada beberapa situs yang berhubungan dengan kata yang dimasukkan. Selain memasukkan nama barang yang akan dicari, pengguna juga dapat memilih barang yang dicari berupa barang bekas atau barang baru, pengguna juga dapat memilih kisaran harga yang pengguna inginkan. Selanjutnya, sistem akan melakukan pencarian dan menampilkan hasil dari pencarian tersebut lengkap dengan nama situs. Setelah itu, pengguna juga dapat memilih situs yang akan dituju untuk mencari barang yang pengguna inginkan. Hal ini dibuat agar lebih memudahkan pengguna untuk mencari situs sesuai dengan barang yang mereka cari. Pengunjung website juga dapat mencari lokasi barang yang akan dicari, seperti misalnya kota Jakarta, Surabaya, Yogyakarta dan sebagainya.


Dari banyaknya pengunjung yang mengakses website inkuiri.com, maka ada informasi yang menyimpan data yang dapat ditambang. Berdasarkan data yang ada tersebut, data yang dapat ditambang adalah query dari pencarian yang telah dimasukkan oleh pengguna. Query tersebut berupa data barang seperti; “jam tangan endogawa”, “lipstick”, hp android, batu bacan, velg motor dan sebagainya. Hasil dari query tersebut kemudian dikelompokkan menjadi 4 kategori yaitu fashion, smartphone, motorbike, dan talisman. Selain hasil dari query, data lain yang dapat ditambang adalah nama kota dimana sedang dilakukan pencarian, type (perangkat) yang sedang digunakan untuk melakukan pencarian, waktu (pagi, siang atau malam) melakukan pencarian, dan bulan (awal, pertengahan, atau akhir) melakukan pencarian. Dalam penelitian ini, penulis akan mengolah data dengan menggunakan algoritma Decision Tree. Pertama, dipilih data yang relevan yang dapat digunakan untuk penelitian ini. Kedua, data yang sudah jadi diolah ke dalam sistem yang akan melakukan perhitungan sesuai dengan algoritma ID3. Ketiga, setelah tree (pohon) terbentuk maka akan dilakukan pengujian data untuk mengetahui keakuratan (akurasi) data. 1.2 Rumusan Masalah Berdasarkan latar belakang di atas, maka permasalahan yang akan diselesaikan dalam penelitian ini, adalah : 1. Apakah algoritma ID3 dapat memberikan pola user yang melakukan query untuk interest tertentu?


2. Apakah algoritma ID3 mempunyai keakuratan yang baik dalam mengelompokkan query dalam sebuah situs data pencarian?

1.3 Tujuan Penelitian Tujuan dari penelitian yang akan dibuat adalah : Membantu perusahaan untuk mengetahui pola user yang melakukan query untuk interest tertentu.

1.4 Manfaat Manfaat yang akan diperoleh adalah : Perusahaan dapat mengetahui pola interestuser yang melakukan query.

1.5 Batasan Masalah Berikut adalah batasan masalah dalam penelitian Tugas Akhir : 1. User harus lebih spesifik lagi dalam menuliskan kata kunci pencarian barang agar barang yang dicari dapat ditemukan dengan tepat. 2. Dalam penelitian yang dibuat ini hanya 4 kategori yang digunakan yaitu, fashion, smartphone, motorbike dan talisman. 1.6 Luaran Luaran yang diharapkan adalah terbentuk pola user yang melakukan query dengan interest tertentu.


1.7 Sistematika Penulisan Bab I Pendahuluan Bab ini berisi mengenai hal yang mendasari dilakukannya penelitian ini. Dalam bab ini juga terdapat beberapa hal yang meliputi; perumusan masalah, tujuan, batasan masalah, manfaat penelitian dan sistematika penulisan. Bab II Landasan Teori Bab ini berisi mengenai penjelasan dasar teori – teori yang dipakai dalam penelitian ini. Algoritma decision tree akan lebih banyak dijelaskan pada bab ini. Bab III Identifikasi Perhitungan dengan Decision Tree Bab ini berisi mengenai pemrosesan data awal dan desain user interface. Bab IV Implementasi Bab ini berisi implementasi program yang merupakan penerapan langsung dari algoritma yang dipakai dalam penelitian ini, yaitu algoritma decision tree. Bab V Pengujian Data Bab ini berisi mengenai pengujian data dan mendapatkan hasil akurasi Bab VI Kesimpulan dan Saran Bab ini berisi mengenai keimpulan dan saran dari penelitian yang dilakukan ini.


BAB II LANDASAN TEORI

2.1 Penambangan Data (Data Mining) Data minning adalah suatu istilah yang digunakan untuk menguraikan penemuan pengetahuan di dalam database.Data minning adalah proses yang menggunakan teknik statistic, matematika, kecerdasan buatan, dan machine learning untuk mengekstraksi dan mengidentifikasi informasi yang bermanfaat dan pengetahuan yang terkait dari berbagai database besar (Turban, dkk. 2005). Data mining berisi pencarian trend atau pola yang diinginkan dalam database besar untuk membantu pengambilan keputusan di waktu yang akan datang. Pola – pola ini dikenali oleh perangkat tertentu yang dapat memberikan suatu analisa data yang berguna dan berwawasan yang kemudian dapat dipelajari dengan lebih teliti, yang mungkin saja menggunakann perangkat pendukung keputusan yang lainnya. Bidang Ilmu Data Minning dapat dilihat seperti pada Gambar 2.1.


Gambar 2. 1 Bidang Ilmu Data Minning

2.2 Tahap – tahap pada Penambangan Data Secara sistematis, ada tiga langkah utama dalam data mining (Gonunseca, 2011) : 1. Eksplorasi/pemrosesan awal data Eksplorasi /pemrosesan awal data terdiri dari pembersihan data, normalisasi data, transformasi data, penanganan data yang salah, reduksi dimensi,pemilihan subset fitur, dan sebagainya. 2. Membangun model dan melakukan validasi terhadapnya 3. Penerapan


2.3 Teknik Klasifikasi Klasifikasi merupakan proses pembelajaran suatu fungsi tujuan (target) f yang memetakan tiap himpunan atribut x ke satu dari label kelas y. Fungsi target disebut juga model klasifikasi. Blok diagram model klasifikasi dapat dilihat seperti pada Gambar 2.2.

Input

Output Classification

Atribute set (x)

Model

Class

Tabel (y) Gambar 2. 2 Blok Diagram Model Klasifikasi

Ada 2 jenis model Klasifikasi, yaitu : 

Pemodelan Deskriptif (descriptive modelling) Model klasifikasi yang dapat berfungsi sebgai suatu alat penjelasan untuk membedakan objek – objek dalam kelas – kelas yang berbeda.



Pemodelan Prediktif (predictive modeling) Model klasifikasi yang dapat digunakan untuk memprediksi label kelas recod yang tidak diketahui.

Teknik klasifikasi (classifier) merupakan suatu pendekatan sistematis untuk membangun model klasifikasi dari suatu himpunan data masukan. Tiap


teknik menggunakan suatu algoritma pembelajaran (learning algorithm) untuk mendapatkan suatu model yang paling memenuhi hubungan antara himpunan atribut dan label kelas dalam data masukan. Masukan dari model klasifikasi merupakan sekumpulan record (training set). Tiap record meliputi himpunan attributes, yang salah satu atributnya merupakan class. Model untuk atribut kelas merupakan suatu fungsi dari nilai – nilai atribut lainnya. Suatu test set digunakan untuk menentukan keakuratan model tersebut. Biasanya data – set yang diberikan dibagi menjadi training dan test sets, dimana training set digunakan untuk membangun model dan test set digunakan untuk memvalidasi.

2.4 Decision Tree (Pohon Keputusan) Pohon (tree) adalah sebuah struktur data yang terdiri dari simpul (node) dan rusuk (edge). Simpul pada sebuah pohon dibedakan menjadi tiga, yaitu simpul akar (root node), simpul percabangan/internal (branch/internal node) dan simpul daun (leaf node). Pohon keputusan merupakan representasi sederhana dari teknik klasifikasi untuk sejumlah kelas berhingga, dimana simpul internal maupun simpul akar ditandai dengan nama atribut, rusuk – rusuknya diberi label nilai atribut yang mungkin dan simpul daun ditandai dengan kelas – kelas yang berbeda. Sebuah pohon keputusan adalah sebuah struktur yang dapat digunakan untuk membagi kumpulan data yang besar menjadi himpunan – himpunan record yang lebih kecil dengan menerapkan serangkaian aturan keputusan. Dengan masing –


masing rangkaian pembagian,anggota himpunan hasil menjadi mirip satu dengan yang lain (Berry& Linoff, 2004). Untuk memilih atribut sebagai akar, didasarkan pada nilai gain tertinggi dari atribut – atribut yang ada. Untuk menhitung gain digunakan rumus seperti tertera dalam persamaan :

(2.1)

Keterangan : S

: himpunan kasus

n

: jumlah partisi S

pi

: proporsi dari Si terhadap S

Sementara itu, perhitungan nilai entropi dapat dilihat pada persamaan berikut :

(2.2) Keterangan : S

: himpunan kasus

A

: atribut

n

: jumlah partisi atribut A

|Si|

: jumlah kasus pada partisi ke-i

|S|

: jumlah kasus dalam S


2.5 Kegunaan Pohon Keputusan Prosedur diagram pohon dapat digunakan untuk : 1. Segmentasi Mengidentifikasi orang – orang yang dapat dimasukkan ke dalam kelompok tertentu. 2. Stratifikasi Mengenakan kasus – kasus (data) ke dalam satu dari beberapa kategori, seperti kelompok – kelompok yang berisiko rendah, menengah dan tinggi. 3. Prediksi Membuat aturan dan menggunakan aturan tersebut untuk memprediksi kejadian – kejadian di masa yang akan datang. 4. Pengurangan data dan penyaringan variabel Memilih prediktor – prediktor yang bermanfaat dari seperangkat variabel untuk digunakan dalam membuat model parametric baku. 5. Penggabungan kategori dan diskretisasi variabel – variabel kontinu Mengode ulang kategori – kategori prediktor dalam kelompok dan variabel kontinu dengan meminimisasi hilangnya informasi dikarenakan proses diskretisasi. 2.6 Kelebihan dan kekurangan dari Decision Tree (Pohon Keputusan) 2.6.1 Kelebihan Decision Tree (Pohon Keputusan) 1. Berguna dalam mengeksplorasi data, sehingga data yang tersembunyi bisa diolah dan dikembangkan lagi.


2. Untuk mem-break down proses pengambilan keputusan yang kompleks menjadi lebih simple sehingga pengambil keputusan akan lebih menginterpretasikan solusi dari permasalahan. 3. Bisa dijadikan sebagai tool pengambilan keputusan terakhir. 4. Mengubah keputusan yang kompleks menjadi lebih simple, spesifik dan mudah.

2.6.2 Kekurangan Decision Tree (Pohon Keputusan) 1. Kesulitan dalam mendesain pohon keputusan yang optimal. 2. Hasil kualitas keputusan yang didapatkan dari metode pohon keputusan sangat tergantung pada bagaimana pohon tersebut didesain. 3. Terjadi overlap terutama ketika kelas – kelas dan kriteria yang digunakan jumlahnya sangat banyak. 4. Pengakumulasian jumlah error dari setiap tingkat dalam sebuah pohon keputusan yang besar.

2.7 Algoritma Decision Tree (Pohon Keputusan) Algoritma ID3 1. Dimulai dari node akar. 2. Untuk semua fitur, hitung nilai entropy untuk semua sampel (data latih) pada node. 3. Pilih fitur dengan informasi gain yang maksimal.


4. Lakukan secara rekursif pada setiap cabang yang dibuat dengan mengulangi langkah 2 sampai 4 hingga semua data dalam setiap node hanya memberikan satu label kelas. Node yang tidak dapat dipecah lagi merupakan daun yang berisi keputusan (label kelas).

2.8 Perhitungan Akurasi Untuk menghitung nilai akurasi, maka digunakan rumus sebagai berikut : 𝐴𝑐𝑐𝑢𝑟𝑎𝑐𝑦 =

𝑗𝑢𝑚𝑙𝑎ℎ_𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖_𝑦𝑎𝑛𝑔_𝑏𝑒𝑛𝑎𝑟 ∗ 100 𝑗𝑢𝑚𝑙𝑎ℎ_𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖_𝑘𝑒𝑠𝑒𝑙𝑢𝑟𝑢ℎ𝑎𝑛

(2.3)


BAB III Identifikasi Perhitungan dengan Decision Tree

3.1 Pengenalan Data Www.inkuiri.com adalah sebuah situs pencarian yang digunakan untuk mencari beberapa barang yang diinginkan oleh pengguna. Dari query – query yang dimasukkan oleh pengguna maka data tersebut tersimpan dalam database. Ada 43 atribut yang dapat dilihat dari setiap query yang dimasukkan oleh pengguna. Dari 43 atribut tersebut akan dipilih beberapa yang dapat digunakan untuk penelitian tugas akhir ini. Data yang diperoleh dari perusahaan www.inkuiri.com berupa file spreadsheet. Kemudian data tersebut diolah dengan beberapa tahapan yang akan menghasilkan aturan – aturan untuk klasifikasi. Pada penelitian yang dilakukan ini menggunakan data yang di dapat dari www.inkuiri.com. Data yang digunakan adalah data query hasil dari pencarian kata yang dimasukkan oleh user. Atribut data mentah yang diperoleh dari perusahaan www.inkuiri.com seperti pada Tabel 3.1. Tabel 3. 1 Tabel atribut data mentah No 1 2 3 4

Nama atribut took timed_out | total

Keterangan

Nilai


5 6 7 8 9 10 11

successful failed max_score || _index _type _id

12

_score

13 14 15 16 17 18 19

_source__audience__interest _source__audience__econo my _source__audience__age _source__banner_id _source__device__family _source__device__name _source__device__type

20 21

_source__filter__category _source__filter__location

22 23

_source__filter__period _source__filter__price

Atribut ini QY62awHOTtGlVurnGd_On menyimpan w identitas unik dari pelanggan Atribut menyimpan kategori pencarian

ini

Fashion, Smartphone, Motorbike, Talisman

Atribut ini Personal computer, menyimpan data Smartphone, Tabelt perangkat yang digunakan untuk pencarian Atribut ini menyimpan data lokasi dimana sedang melakukan pencarian

Indonesia

Atribut ini 100000000:250000000, menyimpan data 250000000:500000000, harga yang dicari 100000:1000000, 0:100000, dll

24

_source__filter__site

Atribut ini kaskus.co.id, menyimpan data tokobagus.com,


website dituju

25

_source__ip

26 _source__location__country_ code

27 28

_source__location__country_ name _source__location__region

29

_source__location__city

30

_source__location__latlong0 01

31

_source__location__latlong0 02

32

_source__page

33

_source__query

34

_source__profile_id

yang marketnesia.com, bukalapak.com, tokopedia.com, olx.co.id, berniaga.com,

Atribut ini 116.68.250.254,203.176.18 menyimpan data 1.33, 202.67.40.50, ip user 36.71.41.243, dll Atribut ini menyimpan data ID, EU,US, BD, SG, A1, A2, kode negara GB, CN, MO, dll Atribut ini Indonesia, United State, menyimpan data Europe, China, Anonymous nama negara Proxy, Singapore, Bangladesh, United Kingdom, Macau, dll Atribut ini menyimpan data region negara Atribut ini menyimpan data nama kota

2, 4, 8, CA, 30, OR, 81, 10, 14, 32, 7, 11, 40, 26, 38, 22, 37, VA, dll Surabaya, Jakarta, Denpaasar, Mountain View, Bandung, Tejgaon, Beijing, dll

Atribut ini menyimpan data titik koordinat Atribut ini menyimpan data titik kooerdinat Atribut ini menyimpan data halaman yang dituju Atribut ini menyimpan data query yang dimasukkan oleh user Atribut ini menyimpan data profile_id

112.7508, 106.4989, 120, -97, dll -7.2492, -6.3433 -5,38, dll 1,2,3,4,5,6,7,8,9

Lipstick, jam tangan, velg, hp android, batu bacan, dll

54ae4a4c2c3ee4.74521373 , 54aed5fecab629.31559420,


dll 35 36

_source__session_id _source__created

37

_source__os__family

38

_source__os__name

39

_source__user_agent__famil y

40 41

_source__user_agent__type _source__user_agent__user_ agent _source__filter__location_source__filter__category-

42 43

Atribut menyimpan waktu Atribut menyimpan os_family Atribut menyimpan os_name Atribut menyimpan browser digunakan user

ini data

1420709262000, dll

ini data

Windows, Ios, Android

ini data

Browser, Mobile browser

ini Chrome, Chrome mobile, data Firefox, Opera mini, dll yang oleh

3.2 Pemrosesan data Sebelum data diolah dengan menggunakan sistem, terlebih dahulu dilakukan beberapa tahap sebagai pemrosesan data awal yaitu sebagai berikut : 1. Pembersihan Data Pada tahap pembersihan data akan dilakukan penghapusan data yang bernilai null atau kosong. Pada setiap fitur yang bernilai null atau kosong maka semua data yang ada di dalamnya akan dihapus.


2. Integrasi Data Pada tahap integrasi data ini dilakukan penggabungan data dari beberapa file menjadi satu tabel yang utuh. Data yang dikumpulkan berasal dari beberapa file yang berbeda sehingga harus digabungkan agar sesuai untuk ditambang. 3. Penyeleksian Data Pada tahap penyeleksian data ini dilakukan pembuangan data yang tidak diperlukan seperti data – data yang tidak relevan untuk penelitian ini. Atribut

–

atribut

yang dihapus

adalah took, timed out,

|,

total,successfull,failed,max_score,||,_index,_type,_id,_score,_source__aud ience__economy,_source__audience__age,_source__banner_id,_source__ device__family,_source__device__name_source__filter__category,_sourc e__filter__location,_source__filter__location,_source__filter__price,_sour ce__filter__site,_source__ip,_source__location__country_code,_source__ location__country_name,_source__location__region,_source__location__l atlong001,_source__location__latlong002,_source__page,_source__query ,_source__profile_id,_source__profile_id,_source_created02,_source_crea ted03,_source__os__family,_source__os__name,_source__user_agent__f amily,_source__user_agent__type,_source__filter__locati_source__user_a gent__user_agent,_source__filter__categ_source__filter__location-ory, _source__filter__categ_source__filter__location-ory-. Atribut – atribut


tersebut dihapus atau dilakukan pembuangan karena dianggap tidak dapat dijadikan sebagai variable untuk menentukan pencarian pola. Data yang diperoleh setelah dilakukan tahap penyeleksian data adalah _source_audience_interest, _source_device_type, _source_location_city, dan _source_created. 4. Transformasi Data Pada tahap ini dilakukan peringkasan data, dari data mentah menjadi data yang mudah dikelola. Pada penelitian ini tranformasi data yang dilakukan adalah atribut _source_created. Atribut tersebut berupa angka yang kemudian diolah menjadi waktu dan bulan. Waktu berupa : pagi, siang dan malam, sedangkan bulan berupa : awal, tengah dan akhir. Aturan transformasi data seperti pada Tabel 3.2. Tabel 3. 2 Aturan Transformasi Data _source_created

_source_created

aturan

waktu

00:00 am - 08:00 am

pagi

08:01 am - 16:00 pm

siang

16:00 pm - 23:59 pm

malam

1-10

awal

11-20

tengah

21-31

akhir

bulan


5. Penambangan data Setelah dilakukan beberapa tahapan tersebut di atas, selanjutnya data yang sudah jadi diolah menggunakan algoritma ID3. Contoh variabel input yang dimasukkan dalam algoritma ID3 seperti pada Tabel 3.3. Tabel 3. 3 Tabel Variabel Input

Interest

type

city

waktu

bulan

Fashion

Personal computer

Surabaya

siang

awal

Fashion

Smartphone

Jakarta

siang

awal

Fashion

Personal computer

Surabaya

siang

awal

Fashion

Personal computer

Denpasar

siang

awal

Fashion

Personal computer

Jakarta

siang

awal

Fashion

Smartphone

Mountain View

siang

awal

Fashion

Smartphone

Jakarta

siang

awal

Fashion

Personal computer

Jakarta

pagi

awal

Fashion

Personal computer

Jakarta

pagi

awal

Fashion

Personal computer

Jakarta

pagi

awal

Smartphone

Smartphone

Jakarta

siang

awal

Smartphone

Tabelt

Jakarta

siang

awal

Smartphone

Tabelt

Jakarta

siang

awal

Smartphone

Smartphone

Jakarta

siang

tengah

Smartphone

Smartphone

Jakarta

siang

tengah

Smartphone

Personal computer

Pekanbaru

siang

akhir

Smartphone

Personal computer

Kudus

siang

akhir

Smartphone

Personal computer

Pekanbaru

siang

akhir


Smartphone

Smartphone

San Mateo

malam

akhir

Smartphone

Personal computer

Surabaya

malam

akhir

V Motorbike

Tabelt

Depok

malam

awal

Motorbike a

Tabelt

Depok

malam

awal

Motorbike

Tabelt

Depok

malam

awal

Motorbike

Smartphone

Jakarta

malam

awal

i Motorbike

Smartphone

Jakarta

malam

tengah

Motorbike a

Smartphone

Jakarta

malam

tengah

Motorbike

Smartphone

Jakarta

malam

tengah

Motorbike

Smartphone

Jakarta

malam

akhir

e Motorbike

Smartphone

Jakarta

malam

akhir

Motorbike l

Smartphone

Jakarta

malam

akhir

Talisman

Personal computer

Surabaya

pagi

awal

Talisman

Personal computer

Jakarta

pagi

awal

o Talisman

Personal computer

Jakarta

pagi

awal

Talisman u

Personal computer

Surabaya

pagi

awal

Talisman

Personal computer

Denpasar

pagi

awal

Talisman

Smartphone

Denpasar

pagi

tengah

Talisman

Smartphone

Denpasar

siang

tengah

Talisman

Smartphone

Surabaya

siang

tengah

Talisman

Smartphone

Surabaya

siang

akhir

Talisman

Smartphone

Jakarta

siang

akhir

r

b

t

V

A Variabel input : aturan yang ditemukan dalam pencarian pola klasifikasi pencarian situs website.


6. Evaluasi Pola Pada tahap perbaikan ini dilakukan pengujian pola dengan persamaan 2.3. 7. Presentasi Pengetahuan Akhir dari penelitian yang akan dilakukan adalah membuat aplikasi dengan tampilan antarmuka yang mudah dimengerti oleh pengguna.

3.3 Proses Perhitungan Algoritma ID3 Data yang telah dimasukkan pada sistem selanjutnya akan diproses oleh sistem dengan menggunakan algoritma ID3. Proses yang dilakukan oleh sistem adalah sebagai berikut : 1. Memasukkan username dan password untuk masuk ke sistem. 2. Memasukkan data berupa spread sheet. 3. Pembentukan pohon berawal dari menghitung nilai entropy untuk node akar (semua data) terhadap komposisi kelas. Selanjutnya menghitung nilai entropy untuk setiap nilai atribut terhadap kelas. 4. Setelah perhitunganentropy selesai selanjutnya menghitung nilai gain untuk setiap atribut. 5. Dari perhitungangain maka akan mendapatkan nilai paling besar diantara atribut – atribut tersebut dan dijadikan sebagai node akar. 6. Sistem akan terus menghitung nilai entropy dan gain maksimal sampai terbentuk node akhir.


7. Setelah sistem selesai menghitung maka akan ditampilkan hasil pohon yang terbentuk. Flowchart perhitungan ID3 : Flowchart perhitungan ID3 seperti pada gambar 3.1. Start

Memasukkan data training

Data training query

Menghitung nilai entropy

Menghitung nilai gain

Iterasi Buat Simpul

Pohon keputusan

Generate Rule

Selesai

Gambar 3. 1 Flowchart Decision Tree

3.4 Output Sistem Hasil keluaran sistem : 1. Menampilkan hasil dari pohon keputusan. 2. Hasil prediksi pengujian


3.5 Diagram Use Case Diagram use case untuk sistem yang dibuat seperti pada Gambar 3.2. Login

Pre- Proses

Masukkan Data

Modelling

Pengujian

Logout

Gambar 3. 2 Diagram Use Case

3.5.1 Narasi Use Case Nama use case : Login Aktor

: Pengguna


Deskripsi

: Use case ini berfungsi untuk meningkatkan keamanan sistem

dengan membandingkan username dan password yang dimasukkan pengguna. Skenario

:

Aksi Aktor

Reaksi Sistem

1. User mengetikkan username dan password di form login lalu klik tombol login. 2. Sistem membandingkan username dan

password

yang

dimasukkan

user

dengan username dan password di tabel user. 3. Menampilkan halaman utama.

Nama use case : Masukkan data Aktor

: Pengguna

Deskripsi

: Use case ini berfungsi untuk memasukkan dan menampilkan data yang akan diolah oleh sistem.


Skenario

:

Aksi Aktor

Reaksi Sistem

1. Pengguna memasukkan data dengan

menekan

tombol

browser. 2. Pengguna memilih file data yang akan digunakan. 3. Pengguna menekan tombol tampilkan. 4. Sistem menampilkan data.

5. Pengguna menekan tombol proses.

Nama use case : Modelling Aktor

: Sistem

Deskripsi

: Use case ini berfungsi untuk melakukan perhitungan data dan

membangun tree.


Skenario

:

Aksi Aktor

Reaksi Sistem 1. Sistem

mengolah

data

untuk

mendapatkan informasi nilai entropy dan nilai gain tertinggi yang dicari. 2. Sistem menampilkan hasil perhitungan data. 3. Sistem

menampilkan

hasil

pembentukan pola.

Nama use case: Pengujian Aktor

: Pengguna

Deskripsi

: Use case ini berfungsi untuk melakukan pengujian data.

Skenario

:

Aksi Aktor

Reaksi Sistem 1. Sistem menampilkan halaman utama.

2. Pengguna memilih tab menu prediksi. 3. Sistem menampilkan halaman prediksi.


4. Pengguna menekan tombol Pengujian. 5. Sistem menampilkan hasil pengujian data.

3.6 Contoh Proses Perhitungan Data Data yang digunakan dalam penelitian ini adalah data dari sebuah situs www.inkuiri.com. Dalam paparan di bawah ini digunakan data berjumlah 40, yang terdiri dari 4 kategori yaitu :fashion, smartphone, motorbike dan talisman. Contoh data yang akan diolah seperti pada Tabel 3.4. Tabel 3. 4 Tabel data yang akan diolah

Interest

type

city

waktu

bulan

Fashion

Personal computer

Surabaya

siang

awal

Fashion

Smartphone

Jakarta

siang

awal

Fashion

Personal computer

Surabaya

siang

awal

Fashion

Personal computer

Denpasar

siang

awal

Fashion

Personal computer

Jakarta

siang

awal

Fashion

Smartphone

Mountain View

siang

awal

Fashion

Smartphone

Jakarta

siang

awal

Fashion

Personal computer

Jakarta

pagi

awal

Fashion

Personal computer

Jakarta

pagi

awal

Fashion

Personal computer

Jakarta

pagi

awal

Smartphone

Smartphone

Jakarta

siang

awal


Smartphone

Tabelt

Jakarta

siang

awal

Smartphone

Tabelt

Jakarta

siang

awal

Smartphone

Smartphone

Jakarta

siang

tengah

Smartphone

Smartphone

Jakarta

siang

tengah

Smartphone

Personal computer

Pekanbaru

siang

akhir

Smartphone

Personal computer

Kudus

siang

akhir

Smartphone

Personal computer

Pekanbaru

siang

akhir

Smartphone

Smartphone

San Mateo

malam

akhir

Smartphone

Personal computer

Surabaya

malam

akhir

Motorbike

Tabelt

Depok

malam

awal

Motorbike

Tabelt

Depok

malam

awal

Motorbike

Tabelt

Depok

malam

awal

Motorbike

Smartphone

Jakarta

malam

awal

Motorbike

Smartphone

Jakarta

malam

tengah

Motorbike

Smartphone

Jakarta

malam

tengah

Motorbike

Smartphone

Jakarta

malam

tengah

Motorbike

Smartphone

Jakarta

malam

akhir

Motorbike

Smartphone

Jakarta

malam

akhir

Motorbike

Smartphone

Jakarta

malam

akhir

Talisman

Personal computer

Surabaya

pagi

awal

Talisman

Personal computer

Jakarta

pagi

awal

Talisman

Personal computer

Jakarta

pagi

awal

Talisman

Personal computer

Surabaya

pagi

awal

Talisman

Personal computer

Denpasar

pagi

awal

Talisman

Smartphone

Denpasar

pagi

tengah

Talisman

Smartphone

Denpasar

siang

tengah

Talisman

Smartphone

Surabaya

siang

tengah

Talisman

Smartphone

Surabaya

siang

akhir

Talisman

Smartphone

Jakarta

siang

akhir


Setelah memperoleh data seperti di atas, selanjutnya data dikelompokkan berdasarkan nilai dalam setiap atribut seperti pada Tabel 3.5. Tabel 3. 5 Tabel pengelompokkan data dari setiap atribut

Nama atribut Interest

Keterangan

Jumlah dalam kategori

Total

Fashion

Smartphone

Motorbike

Talisman

10

10

10

10

40

Computer

7

4

0

5

17

Smartphone

3

4

7

5

19

Tabelt

0

2

3

0

5

Surabaya

1

1

0

4

6

Jakarta

6

5

7

3

21

Denpasar

2

0

0

3

5

View

1

1

0

0

2

Pekanbaru

0

2

0

0

2

Kudus

0

1

0

0

1

San Mateo

0

1

0

0

1

Depok

0

0

3

0

3

pagi

3

0

0

6

9

siang

7

8

0

4

19

malam

0

2

10

0

12

TOTAL

Personal type

city

Mountain

waktu


bulan

awal

10

3

4

5

22

tengah

0

2

3

3

8

akhir

0

5

3

2

10

Setelah data dikelompokan, untuk mengetahui node pertama terlebih dulu hitung nilai entropy dari setiap atribut berdasarkan data yang telah dikelompokan dengan menggunakan Persamaan 2.2. Entropy(semua) = - (( p (fashion|semua) x log2 p (fashion|semua)) + ( p (smartphone|semua) xlog2 p (smarthphone|semua)) + ( p (motorbike|semua) x log 2 p (motorbike|semua)) + ( p (talisman|semua) x log2 p (talisman|semua))) = - (((10/40) x log2 (10/40)) + ((10/40) x log2 (10/40)) + ((10/40) x log2 (10/40)) + (10/40) x log2 (10/40)))= 2 Setelah mendapatkan nilai entropy dan nilaigain dari semua data maka selanjutnya dihitung nilai entopry untuk setiap atribut yang ada. Hasil nilai gain yang paling besar akan dijadikan sebagai node akar. Hasil perhitungan nilai entropy dari semua atribut dapat dilihat pada Tabel 3.6. Tabel 3. 6 Tabel perhitungan nilai entropy semua atribut

Node 1

Total

Jumlah

F

S

M

T

Entropy

40

10

10

10

10

2

type

Gain

0.345 Personal

16

7

4

0

5

1.545


computer Smartphone 19

3

4

7

5

1.93

Tabelt

0

2

3

0

0.969

5

city

0.629 Surabaya

6

1

1

0

4

1.248

Jakarta

21

6

5

7

3

1.93

Denpasar

5

2

0

0

3

0.969

View

2

1

1

0

0

1

Pekanbaru

2

0

2

0

0

0

Kudus

1

0

1

0

0

0

San Mateo

1

0

1

0

0

0

Depok

3

0

0

3

0

0

Mountain

waktu

0.882 pagi

9

3

0

0

6

0.918

siang

19

7

8

0

4

1.517

malam

12

0

2

10

0

0.64

bulan

0.313 awal

22

10

3

4

5

1.829

tengah

8

0

2

3

3

1,562

akhir

10

0

5

3

2

1.483

Berdasarkan hasil perhitungan di atas nilai gain tertinggi ada pada atribut waktu. Maka, atribut waktu dijadikan sebagai node akar. Untuk cabangnya digunakan 3 nilai di dalam node akar, yaitu „siang‟, „pagi‟, dan „malam‟.Dan terbentuk pohon awal seperti Gambar 3.3.


waktu siang

malam pagi

?

?

?

Gambar 3. 3 Bentuk awal pohon dengan gain tertinggi waktu

Dalam perhitungan entropy dan gain berikutnya, atribut waktu tidak dilibatkan. Lakukan pengelompokkan kembali untuk node internal di cabang malam, sehingga di dapat hasil seperti Tabel 3.7. Tabel 3. 7 Perhitungan data pada cabang malam

Node 2

Total

Jumlah

F

S

M

T

Entropy

12

0

2

10

0

0.64

type

Gain

0.278 Personal computer

1

0

1

0

0

0

Smartphone 8

0

1

7

0

0.543

Tabelt

0

0

3

0

0

3

city

0.64 Surabaya

1

0

1

0

0

0

Jakarta

7

0

0

7

0

0

Denpasar

0

0

0

0

0

0

View

0

0

0

0

0

0

Pekanbaru

0

0

0

0

0

0

Mountain


Kudus

0

0

0

0

0

0

San Mateo

1

0

1

0

0

0

Depok

3

0

0

3

0

0

bulan

0.102 awal

4

0

0

4

0

0

tengah

3

0

0

3

0

0

akhir

5

0

2

3

0

0.969

Berdasarkan hasil perhitungan di atas nilai gain tertinggi ada pada atribut city. Maka, atribut city dijadikan sebagai node akar pada cabang malam. Untuk cabangnya digunakan 4 nilai didalam node akar, yaitu „San Mateo‟, „Surabaya‟, „Depok‟ dan „Jakarta‟. Lakukan juga klasifikasi pada tiap cabang yang ada. Dan pohon yang terbentuk seperti Gambar 3.4. waktu siang

?

pagi ?

malam

city

San Mateo

Smartphone

Surabaya

Jakarta Depok

Smartphone Motorbike

Motorbike

Gambar 3. 4 Pembentukkan pohon untuk cabang malam

Lakukan pengelompokkan kembali untuk node internal di cabang pagi, sehingga di dapat hasil seperti Tabel 3.8.


Tabel 3. 8 Perhitungan data pada cabang pagi

Node 3

Total

Jumlah

F

S

M

T

Entropy

9

3

0

0

6

0.918

type

Gain


8

3

0

0

5

0.951

Smartphone

1

0

0

0

1

0

Tabelt

0

0

0

0

0

0

city

0.38 Surabaya

2

0

0

0

2

0

Jakarta

5

3

0

0

2

0.97

Denpasar

2

0

0

0

2

0

View

0

0

0

0

0

0

Pekanbaru

0

0

0

0

0

0

Kudus

0

0

0

0

0

0

San Mateo

0

0

0

0

0

0

Depok

0

0

0

0

0

0

Mountain

bulan

0.074 awal

8

3

0

0

5

0.951

tengah

1

0

0

0

1

0

akhir

0

0

0

0

0

0

Berdasarkan hasil perhitungan di atas nilai gain tertinggi ada pada atribut city. Maka, atribut city dijadikan sebagai node akar pada cabang pagi. Untuk


cabangnya digunakan 3 nilai didalam node akar, yaitu „Jakarta‟, „Denpasar‟, dan „Surabaya‟.Dan pohon yang terbentuk seperti Gambar 3.5. waktu siang

malam

pagi

?

city

city

San Mateo

Jakarta

Surabaya

Smartphone

Depok


Motorbike

Surabaya Jakarta Talisman

Denpasar

?

Talisman

Gambar 3. 5 Pembentukan pohon untuk cabang pagi

Untuk node city dengan cabang Jakarta harus dilakukan perhitungan kembali karena masih belum terklasifikasi kedalam satu kelas keputusan, sehingga masih harus dilakukan proses pencarian node selanjutnya. Hasil perhitungan nilai untuk cabang Jakarta dapat dilihat pada Tabel 3.9. Tabel 3. 9 Perhitungan data pada cabang Jakarta

Node 4

Total

Jumlah F

S

M

T

Entropy

5

0

0

2

0.97

3

type

Gain

0 Personal computer

5

3

0

0

2

0.97


Smartphone 0

0

0

0

0

Tabelt

0

0

0

0

0

bulan

0 awal

5

3

0

0

2

tengah

0

0

0

0

0

akhir

0

0

0

0

0

0.97

Untuk hasil perhitungan dari cabang Jakarta ternyata didapat nilai yang sama antara atribut type dan atribut bulan. Maka, untuk berikutnya diambil atribut yang terletak lebih awal, yaitu atribut type. Setelah atribut type menjadi node maka diambil atribut yang kedua yaitu bulan. Dan pohon yang terbentuk seperti Gambar 3.6. waktu siang

?

malam

pagi city

city

San Mateo

Smartphone

Surabaya

Jakarta Depok

Smartphone

Motorbike

Motorbike


Denpasar

type

Talisman

Personal Computer bulan awal

Fashion

Gambar 3. 6 Pembentukan pohon untuk cabang pagi dan city Jakarta


Lakukan pengelompokkan kembali untuk node internal di cabang siang, sehingga di dapat hasil seperti pada Tabel 3.10. Tabel 3. 10 Perhitungan data pada cabang siang

Node 5

Total

Jumlah

F

S

M

T

Entropy

19

7

8

0

4

1.517

type

Gain


7

4

3

0

0

0.982

Smartphone

10

3

3

0

4

1.566

Tabelt

2

0

2

0

0

0

city

0.563 Surabaya

4

2

0

0

2

1

Jakarta

9

3

5

0

1

1.35

Denpasar

2

1

0

0

1

1

View

1

1

0

0

0

0

Pekanbaru

2

0

2

0

0

0

Kudus

1

0

1

0

0

0

San Mateo

0

0

0

0

0

0

Depok

0

0

0

0

0

0

Mountain

bulan

0.591 awal

10

7

3

0

0

0.876

tengah

4

0

2

0

2

1

akhir

5

0

3

0

2

0.969


Berdasarkan hasil perhitungan di atas nilai gain tertinggi ada pada atribut bulan. Maka, atribut bulan dijadikan sebagai node akar pada cabang siang. Untuk cabangnya digunakan 3 nilai didalam node akar, yaitu „awal‟, „tengah‟, dan „akhir‟. Lakukan juga klasifikasi pada tiap cabang yang ada. Dan pohon yang terbentuk seperti Gambar 3.7.

waktu siang

bulan awal tengah ?

?

malam

pagi city

city

akhir

San Mateo

Smartphone

?

Surabaya

Jakarta Depok


Motorbike


Denpasar

type

Talisman


Fashion

Gambar 3. 7 Pembentukan pohon untuk atribut bulan

Lakukan pengelompokkan untuk node internal di cabang awal, sehingga di dapat hasil seperti pada Tabel 3.11.


Tabel 3. 11 Perhitungan data pada cabang awal

Node 6

Total

Jumlah

F

S

M

T

Entropy

10

7

3

0

0

0.876

type

Gain


4

4

0

0

0

0

Smartphone

4

3

1

0

0

0.821

Tabelt

2

0

2

0

0

0

city

0.279 Surabaya

2

2

0

0

0

0

Jakarta

6

3

3

0

0

1

Denpasar

1

1

0

0

0

0

View

1

1

0

0

0

0

Pekanbaru

0

0

0

0

0

0

Kudus

0

0

0

0

0

0

San Mateo

0

0

0

0

0

0

Depok

0

0

0

0

0

0

Mountain

Dari perhitungan di atas nilai gain tertinggi ada pada atribut type. Maka, atribut type dijadikan sebagai node akar pada cabanag awal. Untuk cabangnya digunakan 3 nilai didalamnya, yaitu „Personal Computer’ , ‘Smartphone’, dan „Tabelt‟. Dan pohon yang terbentuk seperti Gambar 3.8.


waktu siang

bulan awal tengah type

?

malam

pagi city

city

akhir

Depok

San Mateo

Surabaya

Smartpho ne

Smartpho ne

?

Jakarta

Motorbi ke

Motorbi ke

Surabaya

Personal Computer

Jakarta Smartphone

Fashion

city

Denpasar

Tablet Talisman

Fashion

type

Talisman


Fashion

Gambar 3. 8 Pembentukan pohon untuk cabang awal

Untuk node type dengan cabang Smartphone harus dilakukan perhitungan kembali karena masih belum terklasifikasi kedalam satu kelas keputusan, sehinnga masih harus dilakukan proses pencarian node selanjutnya. Perhitungan untuk cabang Smartphoneseperti pada Tabel 3.12 Tabel 3. 12 Perhitungan data pada cabang Smartphone

Node

Jumlah

F

S

M

T

Entropy

4

3

1

0

0

0.821

Gain

Tota 7

l city

0.671 Surabaya

0

0

0

0

0

0


Jakarta

3

2

1

0

0

0.14

Denpasar

0

0

0

0

0

0

View

1

1

0

0

0

0

Pekanbaru

0

0

0

0

0

0

Kudus

0

0

0

0

0

0

San Mateo

0

0

0

0

0

0

Depok

0

0

0

0

0

0

Mountain

Untuk perhitungan dari cabang Smartphone, hanya ada satu atribut, yaitu city. Maka atribut city dijadikan node berikutnya dan terdapat satu cabang yang mempunyai nilai tertinggi, yaitu „Jakarta‟. Dan pohon yang terbentuk seperti Gambar 3.9. waktu siang


?

city

city

akhir

San Mateo

Smartpho ne

?

Depok Surabaya

Smartpho ne

Motorbi ke

Surabaya

Personal Computer

Jakarta Smartphone

Fashion

malam

pagi

city

Jakarta

Denpasar

Tablet Fashion

Talisman

type

Talisman

Personal Computer bulan

Fashion awal

Fashion

Gambar 3. 9 Pembentukan pohon untuk bulan awal dan type Smartphone

Jakarta

Motorbi ke


Selanjutnya lakukan perhitungan untuk cabang tengah dan didapat hasil seperti pada Tabel 3.13. Tabel 3. 13 Perhitungan data pada cabang tengah

Node

Jumlah

F

S

M

T

Entropy

8

0

2

3

3

1,562

Gain

Tota 8

l type

0 Personal computer

0

0

0

0

0

0

Smartphone

8

0

2

3

3

1.562

Tabelt

0

0

0

0

0

0

city

0.95 7 Surabaya

1

0

0

0

1

0

Jakarta

5

0

2

3

0

0.969

Denpasar

2

0

0

0

2

0

View

0

0

0

0

0

0

Pekanbaru

0

0

0

0

0

0

Kudus

0

0

0

0

0

0

San Mateo

0

0

0

0

0

0

Depok

0

0

0

0

0

0

Mountain

Perhitungan selanjutnya nilai gain tertinggi ada pada atribut city. Maka atribut city dijadikan node selanjutnya untuk cabang tengah. Dan pohon yang terbentuk seperti Gambar 3.10.


waktu siang


Fash ion

city

Fash ion

Surabaya

Smartp hone

city

city

akhir

city

Personal Smartphone Computer Tablet

malam

pagi

Smartp hone

? Surabaya

Jakarta

Denpasar Jakarta Smartp hone

Depok

San Mateo

Surabaya

Smartp hone

Motor bike

Motor bike

Denpasar

Talis man

Talisman

type

Talisman

Personal Computer

Jakarta

bulan

Fashion

awal

Fashion

Gambar 3. 10 Pembentukan pohon untuk cabang tengah

Selanjutnya untuk perhitungan yang terakhir adalah perhitungan untuk cabang akhir. Dan didapat hasil seperti pada Tabel 3.14. Tabel 3. 14 Perhitungan data pada cabang akhir

Node 9

Total

Jumlah

F

S

M

T

Entropy

5

0

3

0

2

0.97

type

Gain


3

0

3

0

0

0

Smartphone 2

0

0

0

2

0

Tabelt

0

0

0

0

0

0

city

0.97 Surabaya

1

0

0

0

1

0


Jakarta

1

0

0

0

1

0

Denpasar

0

0

0

0

0

0

View

0

0

0

0

0

0

Pekanbaru

0

0

2

0

0

0

Kudus

1

0

1

0

0

0

San Mateo

0

0

0

0

0

0

Depok

0

0

0

0

0

0

Mountain

Untuk hasil perhitungan dari cabang akhir ternyata didapat nilai yang sama antara atribut type dan atribut city. Maka, untuk berikutnya diambil atribut yang terletak lebih awal, yaitu atribut type. Dan pohon yang terbentuk seperti Gambar 3.11.

waktu siang

bulan awal

city

Personal Smartphone Computer Tablet Fash ion

city

Jakarta Fashion

Fash ion

Surabaya

Smartp hone

city

city

akhir

tengah type

malam

pagi

San Mateo

Smartp hone

type Surabaya

Jakarta

Denpasar Jakarta Smartp hone

Smartp hone

Denpasar

Talis man Personal Computer

Depok Surabaya

Talisman

Smartphone

type

Talisman

Personal Computer bulan

Smartphone

Talisman awal

Fashion

Gambar 3. 11 Pembentukkan pohon untuk cabang akhir

Motor bike

Jakarta

Motor bike


Dengan memperhatikan pohon keputusan pada Gambar 3.11 di atas diketahui bahwa pohon keputusan telah terbentuk. Dan setelah didapatkan tree, tahap selanjutnya adalah mengubahmenjadi rule. Berikut ini adalah bentuk tree yang diubah menjadi rule: R1 : if waktu = siang ^ bulan = awal ^ type = Personal Computer THEN interest = Fashion R2 : if waktu = siang ^ bulan = awal ^ type = Smartphone ^ city = Jakarta THEN interest = Fashion R3 : if waktu = siang ^ bulan = awal ^ type = Tabelt THEN interest = Fashion R4 : if waktu = siang ^ bulan = tengah ^ city = Surabaya THEN interest = Smartphone R5 : if waktu = siang ^ bulan = tengah ^ city = Jakarta THEN interest = Smartphone R6 : if waktu = siang ^ bulan = tengah ^ city = Denpasar THEN interest = Talisman R7 : if waktu = siang ^ bulan = akhir ^ type = Personal Computer THEN interest = Smartphone R8 : if waktu = siang ^ bulan = akhir ^ type = Smartphone THEN interest = Talisman R9 : if waktu = pagi ^ city = Surabaya THEN interest = Talisman R10 : if waktu = pagi ^ city = Jakarta ^ type = Personal Computer ^ bulan = awal THEN interest = Fashion


R11 : if waktu = pagi ^ city = DenpasarTHEN interest = Talisman R12 : if waktu = malam ^ city = San Mateo THEN interest = Smartphone R13 : if waktu = malam ^ city = Surabaya THEN interest = Smartphone R14 : if waktu = malam ^ city = Depok THEN interest = Motorbike R15 : if waktu = malam ^ city = Jakarta THEN interest = Motorbike R16 : if waktu = siang ^ bulan = tengah ^ city = SurabayaTHEN interest = Talisman Berikut ini adalah pola yang terbentuk berdasarkan rule yang telah disederhanakan: Pola 1 : if waktu = siang OR pagi^ bulan = awal ^ city = Jakarta ^type = Personal Computer OR Smartphone OR Tabelt THEN interest = Fashion Pola 2 : if waktu = siang OR malam ^ bulan = tengah OR akhir ^ city = Surabaya OR Jakarta OR San Mateo OR Surabaya ^ type = Personal ComputerTHEN interest = Smartphone Pola 3 : if waktu = malam ^ city = Depok OR Jakarta THEN interest = Motorbike Pola 4 : if waktu = siang OR pagi ^ bulan = tengah OR akhir ^ city = Denpasar OR Surabaya OR ^ type = Smartphone THEN interest = Talisman


3.7 Perancangan Umum Sistem 3.7.1 Masukkan Sistem Data yang menjadi masukkan sistem terdiri dari 5 atribut yaitu : interest, type, city, waktu dan bulan. Penjelasan mengenai atribut – atribut yang digunakan sebagai masukkan sistem seperti pada Tabel 3.15. Tabel 3. 15 Penjelasan atribut masukkan sistem

No Atribut Penjelasan 1

interest

Nilai

Atribut interest menyimpan Fashion,

Smartphone,

Motorbike,

hasil kategori dari pencarian Talisman yaitu; Fashion, Smartphone, Motorbike dan Talisman 2

type

Atribut

type

menyimpan Personal computer, Smartphone, Tablet

data type yang digunakan sebagai alat pencarian 3

city

Atribut data

city

nama

menyimpan Surabaya, Jakarta, Denpasar, Mountain kota

dimana View, Pekanbaru, Kudus, San Mateo,

sedang dilakukan pencarian 4

waktu

Depok

Atribut waktu menyimpan pagi, siang, malam data waktu yang sedang melakukan pencarian


5

bulan

Atribut bulan menyimpan awal, tengah, akhir data bulan masuk dalam urutan ; awal, tengah, akhir

3.7.2 Perancangan antar muka dengan user 3.7.2.1 Halaman Login Login

Username : Password :

Login


3.7.2.2 Halaman Utama

Home

Data

Prediksi

Bantuan

judul Logo USD

Fakultas Sains & Teknologi Universitas Sanata Dharma Yogyakarta 2016

3.7.2.3 Halaman Data

Home

Data

Prediksi

Bantuan

Hasil

Proses


3.7.2.4 Halaman Prediksi (Pengujian)

Home

Data

Prediksi

Bantuan

Hasil

Pengujian


3.8 Diagram Kelas 3.8.1 Diagram Kelas Use case Login FormLogin

FormLogin ( ) : <> TombolLoginActionPerformed void

CekLogin

+ cekLogin (String, String) : boolean :

HalamanUtama -

fashionField : Object st : Statement rs : Resultset koneksi : Koneksi file : File dt : String [ ] [ ] tabelModel : DefaultTabelModel

Login - username : String - password : String + setUsername (String) : void + getUsername ( ) : String + setPassword (String) : void + getPassword ( ) : String + login (String, String) : boolean


+ HalamanUtama ( ) : <> + Browse1ActionPerformed(java.awt.event.Actio nEvent evt) : void + Tampilkan1ActionPerformed(java.awt.event.Ac tionEvent evt) : void + ProsesActionPerformed(java.awt.event.ActionE vent evt) : void + Browse2ActionPerformed(java.awt.event.Actio nEvent evt) : void + Tampilkan2ActionPerformed(java.awt.event.Ac tionEvent evt) : void + PengujianActionPerformed(java.awt.event.Acti onEvent evt) : void + TestingFold() : void + transformData(String[][] data, int idx) : String + joinData(String[][] data1, String[][] data2) : String + getDataByFold(String[][] data,int fold, int foldID) : String + getData() : String + transfromData() : int

Gambar 3. 12 Diagram Kelas Use Case Login


3.8.2 Diagram Kelas Use case Masukkan Data HalamanUtama - fashionField : Object - st : Statement - rs : Resultset - koneksi : Koneksi - file : File - dt : String [ ] [ ] - tabelModel : DefaultTabelModel + HalamanUtama ( ) : <> + Browse1ActionPerformed(java.awt.event.ActionEvent evt) : void + Tampilkan1ActionPerformed(java.awt.event.ActionEven t evt) : void + ProsesActionPerformed(java.awt.event.ActionEvent evt) : void + Browse2ActionPerformed(java.awt.event.ActionEvent evt) : void + Tampilkan2ActionPerformed(java.awt.event.ActionEven t evt) : void + PengujianActionPerformed(java.awt.event.ActionEvent evt) : void + TestingFold() : void + transformData(String[][] data, int idx) : String + joinData(String[][] data1, String[][] data2) : String + getDataByFold(String[][] data,int fold, int foldID) : String + getData() : String + transfromData() : int

Data - interest : String - type : String - city : String - waktu : String - bulan : String + setInterest (String) : void + getInterest() : String + setType (String) : void + getType ( ) :String + setCity (String) : void + getCity ( ) : String + setWaktu (String) : void + getWaktu ( ) : String + setBulan (String) :void + getBulan ( ) : String

BacaFile + bacaFile (File, file) : String

Gambar 3. 13 Diagram Kelas Use Case Masukkan Data


3.8.3 Diagram Kelas Use Case Pengujian

Tree -

root : Node

HalamanUtama - fashionField : Object - st : Statement - rs : Resultset - koneksi : Koneksi - file : File - dt : String [ ] [ ] - tabelModel : DefaultTabelModel + HalamanUtama ( ) : <> + Browse1ActionPerformed(java.awt.event.ActionEvent evt) : void + Tampilkan1ActionPerformed(java.awt.event.ActionEv ent evt) : void + ProsesActionPerformed(java.awt.event.ActionEvent evt) : void + Browse2ActionPerformed(java.awt.event.ActionEvent evt) : void + Tampilkan2ActionPerformed(java.awt.event.ActionEv ent evt) : void + PengujianActionPerformed(java.awt.event.ActionEve nt evt) : void + TestingFold() : void + transformData(String[][] data, int idx) : String + joinData(String[][] data1, String[][] data2) : String + getDataByFold(String[][] data,int fold, int foldID) : String + getData() : String + transfromData() : int

+ buildTree(String tabel) : void + printTree() : void + testing(String data) : void + removeAtt(String, int) : String + saveTree ( ) : void + loadTree ( ) :boolean

Gambar 3. 14 Diagram Kelas Pengujian


BAB IV IMPLEMENTASI SISTEM

4.1 Spesifikasi Perangkat Keras dan Perangkat Lunak Spesifikasi perangkat lunak yang digunakan dalam implementasi sistem adalah : 1. Sistem Operasi : Microsoft Windows 7 Ultimate 2. Bahasa pemrograman : Java Netbeans IDE 7.3 Spesifikasi perangkat keras yang digunakan dalam implementasi sistem adalah : 1. Processor : Intel Atom N570, 1.66 GHz 2. Memory : 2 GB DDR3 3. Harddisk : 320 GB

4.2 Implementasi Pemrosesan Data 4.2.1 Pembersihan Data Data mentah yang diperoleh dari hasil query adalah sebanyak 450 data. Dalam satu data record query terdapat 43 atribut. Dari 43 atribut, yang digunakan untuk penelitian ini 4 atribut yaitu : _source_audience_interest, _source_device_type, _source_location_city dan _source_created_.Contoh data yang sudah dilakukan pembersihan seperti pada Tabel 4.1.


Tabel 4. 1 Contoh data yang sudah dilakukan pembersihan

_source__audience _interest Fashion Fashion Fashion Motorbike Motorbike Motorbike Smartphone Smartphone Smartphone Talisman Talisman Talisman

_source_device _type Personal computer Smartphone Personal computer Tabelt Smartphone Smartphone Smartphone Tabelt Tabelt Smartphone Smartphone Personal computer

_source _location _city Surabaya Jakarta Surabaya Depok Jakarta Jakarta Jakarta Jakarta Jakarta Surabaya Jakarta Jakarta

_source _created 1.42071E+12 1.42071E+12 1.42071E+12 1.42074E+12 1.42074E+12 1.42074E+12 1.42071E+12 1.42071E+12 1.42071E+12 1.4207E+12 1.42071E+12 1.42071E+12

4.2.2 Integrasi Data Contoh file yang belum digabungkan dari file kategori fashionseperti pada Tabel 4.2. Tabel 4. 2 Contoh file dari kategori fashion

_source__audience _interest Fashion Fashion Fashion

_source_device _type Personal computer Smartphone Personal computer

_source _location _city

_source _created

Surabaya

1.42E+12

Jakarta

1.42E+12

Surabaya

1.42E+12


Contoh file yang belum digabungkan dari file kategori smartphone seperti pada Tabel 4.3. Tabel 4. 3 Contoh file dari kategori smartphone

_source__audience _interest

_source_device _type


_source _created

Smartphone

Smartphone

Jakarta

1.42E+12

Smartphone

Tabelt

Jakarta

1.42E+12

Smartphone

Tabelt

Jakarta

1.42E+12

Contoh file yang belum digabungkan dari file kategori motorbike seperti pada Tabel 4.4. Tabel 4. 4 Contoh file dari kategori motorbike




_source _created

Motorbike

Tabelt

Depok

1.42E+12

Motorbike

Smartphone

Jakarta

1.42E+12

Motorbike

Smartphone

Jakarta

1.42E+12

Contoh file yang belum digabungkan dari file kategori talisman seperti pada Tabel 4.5.


Tabel 4. 5 Contoh file dari kategori talisman



Talisman

Smartphone

Surabaya

1.42E+12

Talisman

Smartphone Personal computer

Jakarta

1.42E+12

Jakarta

1.42E+12

Talisman


_source _created

Contoh file yang telah digabungkan dari 4 kategori seperti pada Tabel 4.6. Tabel 4. 6 Contoh file yang telah digabungkan

_source__audience _interest Fashion Fashion Fashion Motorbike Motorbike Motorbike Smartphone Smartphone Smartphone Talisman Talisman Talisman

_source_device _type Personal computer Smartphone Personal computer Tabelt Smartphone Smartphone Smartphone Tabelt Tabelt Smartphone Smartphone Personal computer

_source _location _city Surabaya Jakarta Surabaya Depok Jakarta Jakarta Jakarta Jakarta Jakarta Surabaya Jakarta Jakarta

_source _created 1.42071E+12 1.42071E+12 1.42071E+12 1.42074E+12 1.42074E+12 1.42074E+12 1.42071E+12 1.42071E+12 1.42071E+12 1.4207E+12 1.42071E+12 1.42071E+12


4.2.3 Penyeleksian Data Dari 43 atribut yang didapat kemudian dilakukan penyeleksian atribut yang bisa digunakan untuk penelitian ini. Atribut – atribut asli yang belum dilakukan seleksi seperti pada Tabel 4.7. Tabel 4. 7 Nama – nama atribut yang belum diseleksi

No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26

Nama atribut took timed_out | total successful failed max_score || _index _type _id _score _source__audience__interest _source__audience__economy _source__audience__age _source__banner_id _source__device__family _source__device__name _source__device__type _source__filter__category _source__filter__location _source__filter__period _source__filter__price _source__filter__site _source__ip _source__location__country_code


27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43

_source__location__country_name _source__location__region _source__location__city _source__location__latlong001 _source__location__latlong002 _source__page _source__query _source__profile_id _source__session_id _source__created _source__os__family _source__os__name _source__user_agent__family _source__user_agent__type _source__user_agent__user_agent _source__filter__location_source__filter__category-

Atribut yang sudah dilakukan seleksi seperti pada Tabel 4.8. Tabel 4. 8 Hasil nama atribut yang telah diseleksi

_source__audience _source_device _interest _type


_source _created

4.2.4 Transformasi Data Pada tahap ini data yang ditransformasi adalah data dari atribut _source_created. Pertama, data asli dibagi dengan 1000, berikut adalah contoh transformasinya, seperti pada Tabel 4.9. Hasil1 = 1.42071E+12 /1000


Tabel 4. 9 Contoh perhitungan waktu yang pertama _source__created 1.42071E+12 1.42071E+12 1.42071E+12 1.42071E+12 1.42071E+12

Hasil1 1420709258 1420709262 1420709283 1420709488 1420709579

Kedua, hasil yang telah dibagi dengan 1000 selanjutnya dihitung lagi dan didapat hasil seperti pada Tabel 4.10. Hasil2 = 1420709258/86400+25569 Tabel 4. 10 Contoh perhitungan waktu yang kedua

_source__created 1.42071E+12 1.42071E+12 1.42071E+12 1.42071E+12 1.42071E+12

Hasil1 1420709258 1420709262 1420709283 1420709488 1420709579

Hasil 2 1/8/15 9:27 1/8/15 9:27 1/8/15 9:28 1/8/15 9:31 1/8/15 9:32

Setelah di dapat hasil seperti di atas maka hasil2 dipecah menjadi waktu dan bulan dengan aturan yang ada pada tabel 3.2. 4.2.5 Penambangan Data Penambangan Data pada tahap ini adalah melakukan perhitungan data sebagai berikut :


a. Menghitung nilai entropy public double[] entropy(int[][] data) {//menghitung nilai entropy double[] hasil = new double[data.length]; for (int i = 0; i < data.length; i++) { int[] tempData = data[i]; int tot = 0; for (int j = 0; j < tempData.length; j++) { tot += tempData[j]; // mencari jumlah mmasing2 interest } hasil[i] = 0; for (int j = 0; j < tempData.length; j++) { // loop untuk setiap partisi atribut double temp = ((double) tempData[j] / tot) * log2(((double) tempData[j] / tot)); // menghitung peluang partisi dalam interest hasil[i]

+=

Double.isInfinite(temp)

||

Double.isNaN(temp) ? 0 : temp; // menghindari nilai tidak terdefinisi. } hasil[i] = -hasil[i]; } return hasil; }


b. Menghitung nilai gain public

double

gain(double[]

entropy,

int[][]

data)

{//menghitung nilai gain if (entropy == null) { // entropynya harus ada entropy = this.entropy(data); } int jum = 0; int tot[] = new int[data.length]; for (int i = 0; i < data.length; i++) { // menghitung jumlah setiap partisi atribut int[] tempData = data[i]; tot[i] = 0; for (int j = 0; j < tempData.length; j++) { tot[i] += tempData[j]; } jum += tot[i]; } double gain = 0; for (int i = 0; i < tot.length; i++) { // menghitung semua (peluang * entropy) masing2 atribute gain += (double) tot[i] / jum * entropy[i]; } int[][] interest = new int[1][data[0].length]; for (int i = 0; i < data.length; i++) { // menghitung jumlah interest dalam masibg2 atribute


for (int j = 0; j < data[i].length; j++) { interest[0][j] += data[i][j]; } } double

entropySemua

=

this.entropy(interest)[0];

//

menghitung entrpy semua Helper.textAreaActive.setText( Helper.textAreaActive.getText() + "Entropy semua

" +

entropySemua + "\n"); //

System.out.println("Entropy semua " + entropySemua); gain = entropySemua - gain; // rumus gain = entropysemua -

jumlah (peluang * entropy) return gain; }

4.3 Implementasi Use Case Login dilakukan dengan cara mengisikan username dan password pada Halaman FormLogin seperti pada Gambar 4.1. Selanjutnya sistem akan mencocokkan username dan password yang telah dimasukkan, jika sesuai maka sistem akan muncul pemberitahuan seperti pada Gambar 4.2


Gambar 4. 1 Halaman FormLogin

Gambar 4. 2 Pemberitahuan berhasil login

Pengguna menekan tombol OK pada pemberithuan berhasil login untuk dapat masuk ke halaman utama seperti pada Gambar 4.3.


Gambar 4. 3 Form Halaman Utama

Untuk memproses data, langkah berikutnya pengguna menekan tab menu Data dan akan masuk ke halaman data seperti pada Gambar 4.4. Untuk menampilkan data maka pengguna harus menekan tombol Browse dan akan muncul halaman untuk memilih data yang akan ditampilkan seperti pada Gambar 4.5.


Gambar 4. 4 Halaman tab menu data

Gambar 4. 5 Halaman File Chooser untuk mengambil data

Agar data dapat dilihat pengguna cukup menekan tombol tampilkan pada halaman tab menu Data. Data akan berhasil ditampilkan seperti pada Gambar 4.6.


Gambar 4. 6 Data yang sudah berhasil ditampilkan

Selanjutnya untuk dapat melihat hasil pohon keputusan dari data yang telah diambil pengguna cukup menekan tombol Proses maka akan keluar hasil contoh sebagian treeseperti pada Gambar 4.7 siang, pagi, malam, 2-null = San Mateo, Surabaya, Depok, Jakarta, 1-malam = Jakarta-Motorbike


Depok-Motorbike Surabaya-Smartphone San Mateo-Smartphone Jakarta, Surabaya, Denpasar, 1-pagi = Denpasar-Talisman Surabaya-Talisman Personal computer, 0-Jakarta = awal, 0-Personal computer = awal-Fashion awal, tengah, akhir, 2-siang = Personal computer, Smartphone, 0-akhir = Smartphone-Talisman Personal Smartphone Jakarta, Denpasar, Surabaya, 1-tengah = Surabaya-Talisman

computer-


Denpasar-Talisman Jakarta-Smartphone Personal computer, Smartphone, Tabelt, 0-awal = Tabelt-Smartphone Jakarta, Mountain View, 0-Smartphone = Mountain View-Fashion Jakarta-Fashion Personal computer-Fashion

Gambar 4. 7Contoh Hasil pohon keputusan

Selanjutnya, setelah hasil pohon keputusan ditampilkan maka lakukan pengujian dengan mengeklik tabmenu Prediksi seperti pada Gambar 4.8.


Gambar 4. 8 Halaman Prediksi

Untuk menampilkan data maka pengguna harus menekan tombol Browse dan akan muncul halaman untuk memilih data yang akan ditampilkan seperti pada Gambar 4.9. Tekan tombol Pengujian maka sistem akan menampilkan hasil pada kotak di sebelah kanan seperti pada Gambar 4.10.


Gambar 4. 9 Halaman Prediksi dengan data yang sudah ditampilkan

Gambar 4.10 Tampilan contoh hasil pengujian


4.4 Implementasi Diagram Kelas Dalam pembuatan aplikasi ini, ada 4 packages yang dibuat, yaitu packages form, packages kelas, packages tools dan packages gambar. Packagesform terdiri dari 2 kelas, yaitu kelas FormLogin dan HalamanUtama. Packages kelas terdiri dari 8 kelas, yaitu kelas BacaFile, kelas CekLogin, kelas Data, kelas Helper, kelas Login, kelas Node, kelas PerhitunganData dan kelas Tree.Packages tools terdiri dari 2 kelas, yaitu kelas Koneksi dan koneksi1. Packages gambar berisi gambar – gambar yang dipakai dalam pembuataan aplikasi ini. Detail implementasi program ada pada lampiran 1.


BAB V PENGUJIAN DATA

5.1 Pengujian Data Data yang digunakan untuk membuat tree (pohon keputusan) adalah data sebanyak 375 data. Dari data tersebut hanya akan dibentuk menjadi satu tree. Untuk pengujian menggunakan data sebanyak 500 data yang berbeda. Data sebanyak 500 tersebut akan dicoba dimasukkan ke dalam tree. Dari hasil tersebut akan didapat jumlah data yang benar dan data yang salah. Data yang benar akan digunakan untuk menghitung nilai akurasi. Hasil dari pencarian pola klasifikasi pencarian situs website dengan menggunakan 375terdapat pada lampiran 2.

5.2 Hasil Pola Klasifikasi Hasil rule seperti pada lampiran 3 dapat disederhanakan seperti berikut : Pola 1 : Interest Fashion = if waktu = pagi OR siang^bulan = tengah OR akhir OR awal^type = Personal Computer OR Smartphone^city = Boardman OR Surabaya OR Bogor OR Denpasar OR Jakarta OR London OR Mountain View OR Palembang OR Samarinda OR San Mateo OR Singapore OR Sleman OR Tejgaon OR Yogyakarta. Pola 2 : Interest Smartphone = if waktu = malam OR pagi OR siang^city = Jakarta OR Bandung OR Medan OR Purwokerto OR San Mateo OR Sidoarjo OR


Singapore OR Surabaya OR Beijing OR Bogor OR Jakarta OR Madiun OR Palembang OR Tangerang OR Yogyakarta OR Surakarta OR Depok OR Kudus OR Makasar OR Pekanbaru^bulan = awal OR akhir OR tengah^type = Personal Computer OR Smartphone OR Tabelt. Pola 3 : Interest Motorbike = if waktu = malam OR pagi^city = Jakarta OR Batam OR Boardman OR Depok OR Kudus OR Medan OR Mountain View OR Pontianak OR San Mateo OR Surabaya OR Tangerang OR Bekasi OR Mojokerto OR Saragota OR Tokyo^bulan = tengah OR akhir OR awal^type = Personal Computer OR Smartphone. Pola 4 : Interest Talisman = if waktu = pagi OR siang^bulan = tengah OR awal OR akhir^type = Personal Computer OR Tabelt OR Smartphone^city = Providence OR Pontianak OR Jakarta OR Bandung OR Dki Jakarta OR Kudus OR Medan OR Mega OR Palembang OR Sidoarjo OR Surabaya. 5.3 Menghitung akurasi Untuk pengujian data terhadap pola data yang digunakan adalah data pada bulan Juni tahun 2015. Pengujian data terhadap pola digunakan data sebanyak 500 data. Untuk setiap pengujian di gunakan data sebanyak 50 data dan dilakukan 10 kali. Hasil pengujian 1 dapat dilihat pada Tabel 5.1.


5. 1 Hasil Pengujian ke - 1

pred. Fashion pred. Smartpho ne pred. Motorbik e pred. Talisman jumlah

true Fashio n

true Smartpho ne

6

1

1

2

true Motorbi ke

true Talism an

2

unidentifi ed

1

1

jumla h data benar

jumla h data salah

6

7

2

10

2

11

2

10

12

38

3

1

7

1

2

2

2

6

0

0

1

2

9

Untuk menghitung akurasi digunakan persamaan 2.3 Akurasi = (12/50) * 100 =24% Hasil pengujian 2 dapat dilihat pada Tabel 5.2. Tabel 5. 2 Hasil Pengujian ke - 2

pred. Fashion pred. Smartpho ne pred. Motorbik e

true Fashio n

true Smartpho ne

4

3

0

1

2

2

true Motorbi ke 1

0

2

true Talism an

uniden tified

1

4

1

1

jumlah data benar

jumla h data salah 4

9

2

10

2

11

9

7


pred. Talisman jumlah

2

0

0

1

9

1

11

9

41

jumla h data benar

jumla h data salah

4

9

2

10

2

11

2

10

10

40

Untuk menghitung akurasi digunakan persamaan 2.3 Akurasi = (9/50) * 100 = 18% Hasil pengujian 3 dapat dilihat pada Tabel 5.3. Tabel 5. 3 Hasil Pengujian ke - 3


true Fashio n

true Smartpho ne

4

3

0

2

true Motorbi ke 0

0

true Talism an 0

1

unidentifi ed

6

9

2

4

2

0

5

0

2

1

2

7

Untuk menghitung akurasi digunakan persamaan 2.3 Akurasi = (10/50) * 100 = 20%


Hasil pengujian 4 dapat dilihat pada Tabel 5.4. Tabel 5. 4 Hasil Pengujian ke - 4


true Fashio n

true Smartpho ne

4

2

1

1

true Motorbi ke

true Talism an

0

unidentifi ed

0

1

7

0

jumla h data benar

jumla h data salah

4

9

1

11

3

10

2

10

10

40

jumla h data benar

jumla h data salah

5

8

3

9

9

1

4

3

0

5

0

2

0

2

8


pred. Fashion pred. Smartpho ne

true Fashio n

true Smartpho ne

5

1

1

3

true Motorbi ke 0

3

true Talism an 1

0

unidentifi ed

6

5


pred. Motorbik e pred. Talisman jumlah

1

5

2

0

5

1

2

0

2

7

2

11

2

10

12

38

jumla h data benar

jumla h data salah

3

9

2

11

2

10

1

12

8

42



true Fashio n

true Smartpho ne

3

2

1

2

true Motorbi ke

true Talism an

2

5

1

0

unidentifi ed

4

5

1

3

2

0

6

1

5

1

1

5





true Fashio n

true Smartpho ne

1

3

2

3

true Motorbi ke

true Talism an

2

unidentifi ed

2

4

4

0

jumla h data benar

jumla h data salah

1

11

3

10

2

10

2

11

8

42

jumla h data benar

jumla h data salah

3

9

3

10

4

1

3

2

0

6

2

2

1

2

6


pred. Fashion pred. Smartpho ne

true Fashio n

true Smartpho ne

3

2

1

3

true Motorbi ke 2

0

true Talism an 1

1

unidentifi ed

4

8


pred. Motorbik e pred. Talisman jumlah

1

4

2

0

5

3

3

2

0

5

2

10

0

13

8

42

jumla h data benar

jumla h data salah

5

7

1

12

1

11

3

10

10

40



true Fashio n

true Smartpho ne

5

1

3

1

true Motorbi ke

true Talism an

3

1

1

1

unidentifi ed

2

7

1

2

1

0

8

0

1

3

3

6





true Fashio n

true Smartpho ne

4

1

3

1

true Motorbi ke

true Talism an

3

2

1

1

unidentifi ed

3

1

1

2

7

0

1

1

2

9

Untuk menghitung akurasi digunakan persamaan 2.3 Akurasi = (8/50) * 100 = 16% Dari sepuluh kali pengujian di dapat hasil seperti pada Tabel 5.11. Tabel 5. 11 Hasil rata – rata untuk 10 kali pengujian

Pengujian 1 Pengujian 2 Pengujian 3 Pengujian 4 Pengujian 5 Pengujian 6 Pengujian 7 Pengujian 8 Pengujian 9

jumla h data salah

4

8

1

12

1

11

2

11

8

42

6

1

Hasil Akurasi 24% 18% 20% 20% 24% 16% 16% 16% 20%

jumla h data benar


Pengujian 10 Rata - rata

16% 190/10 = 19%

Rata – rata hasil yang didapat dari sepuluh kali pengujian adalah 19 % dengan nilai maksimum

: 24 % dan nilai minimum

: 16 %.

5.4 Kelebihan dan Kekurangan Program 1. Kelebihan Program : a. Program ini dapat digunakan untuk klasifikasi pada data yang berbeda. b. Program bisa dicoba dengan atribut lebih dari sama dengan 5. 2. Kekurangan Program : Program tidak selalu bisa mengolah banyak data.


BAB VI KESIMPULAN dan SARAN 6.1 Kesimpulan Kesimpulan dari tugas akhir ini adalah : 1. Algoritma ID3

berhasil diimplementasikan dengan 375 dataquery

pencarian situs website dengan menggunakan 4 kategori yang ada. 2. Dari hasil 10 kali pengujian dengan 500 data didapat hasil akurasi yang paling tinggi yaitu sebesar 24%. Nilai maksimum didapat niliai sebesar 24% dan nilai minimum didapat nilai sebesar 16%. Rata – rata nilai akurasi yang didapat adalah sebesar 19%.

6.2 Saran Saran yang diperlukan untuk perbaikan dan pengembangan program lebih lanjut adalah : 1. Program dapat menerima masukan file berupa csv tidak hanya yang bertipe .xls. 2. Data untuk pengujian diperbesar agar didapat nilai akurasi yang lebih tinggi. 3. Dicoba dengan menggunakan algoritma yang lain.


Daftar Pustaka

Hermawati Fajar Astuti, 2003, Data Mining, Yogyakarta,

Iko

Pramudiono,

2003,

Pengantar

Data

Mining,

Kuliah

Umum

IlmuKomputer.Com

Sarwono Jonathan, 2013, 12 Jurus Ampuh SPSS untuk Riset Skripsi, Jakarta,

Taufiq Luthfi, Emha, Kusrini, 2009, Algoritma Data Mining, Yogyakarta,

Yudho Giri Sucahyo, 2003, Penerapan Data Mining, Artikel Populer IlmuKomputer.Com


LAMPIRAN 1

Dibawah ini adalah implementasi program yang digunakan untuk membuat sistem.

Package Form 1. a. Nama kelas

: FormLogin

b. Nama

method

:TombolLoginActionPerformed(java.awt.event.ActionEvent evt) c. Fungsi method

:

d. Listing program

:

Private void TombolLoginActionPerformed(java.awt.event.ActionEvent evt) { // TODO add your handling code here String username = jTextField1.getText(); String pswd = jPasswordField1.getText(); CekLogin cek = new CekLogin(); boolean hasil = cek.cekLogin(username, pswd); if(hasil==true){ HalamanUtama form = new HalamanUtama(); form.setVisible(hasil); this.dispose(); } } private void passwordFieldKeyPressed(java.awt.event.KeyEvent evt) { // TODO add your handling code here: String username = jTextField1.getText();


String pswd = jPasswordField1.getText(); CekLogin cek = new CekLogin(); boolean hasil = cek.cekLogin(username, pswd); if(hasil==true){ HalamanUtama form = new HalamanUtama(); form.setVisible(hasil); this.dispose(); } }

2. a. Nama kelas

: HalamanUtama

b. Nama method

:TestingFold()

c. Fungsi method

: untuk pengujian data

d. Listing program

:

private void TestingFold() { int fold = 3; String[][] data = this.getData(); String[][][] dataDibagi = new String[fold][][]; for (int i = 0; i < fold; i++) { // membagi data sesuai jumlah fold dataDibagi[i] = getDataByFold(data, fold, i); System.out.println(dataDibagi[i].length); } int bener = 0; int total = 0; for (int i = 0; i < fold; i++) { String[][] dataJoin = null; for (int j = 0; j < fold; j++) { if(j != i) { // data lain jadi trainning *digabungkan dataJoin

=

dataJoin

==

null

?

dataDibagi[j]

:


joinData(dataJoin, dataDibagi[j]); } } Tree tree = new Tree(); tree.buildTree(dataJoin); // membuat tree dari data trainning fold ke-i for (int j = 0; j < dataDibagi[i][0].length; j++) { // untuk mengetest per row data dalam tree String hasil = tree.testing(transformData(dataDibagi[i], j)); // proses testing prediksiTextArea.setText(prediksiTextArea.getText()

+

"Hasil = " + hasil + "=?=" + dataDibagi[i][0][j] + "\n"); if(hasil.equals(dataDibagi[i][0][j])) { // mencocokan hasil test dengan interest data asli bener++; // menghitung jumlah yang benar } total++; // menghitung jumlah total data testing } } prediksiTextArea.setText(prediksiTextArea.getText()

+

"Persentase = " + ((float) bener * 100 / total) + "%");// menghitung presentase System.out.println("Persentase = " + ((float) bener * 100 / total) + "%"); }

3. a. Nama kelas b. Nama method

: HalamanUtama :transformData(String[][] data, int idx)


c. Fungsi method

: untuk mengubah data baris menjadi kolom dan

data kolom menjaddi baris. d. Listing program

:

private String[ ] transformData(String[ ][ ] data, int idx) { // mengubah data row -> colom |colom -> row String[ ] newData = new String[data.length - 1]; for (int i = 0; i < newData.length; i++) { newData[i] = data[i + 1][idx]; } return newData; }

4. a. Nama kelas

: HalamanUtama

b. Nama method

:String[][] joinData(String[][] data1, String[][]

data2) c. Fungsi method

: untuk menggabungkan 2 set data.

d. Listing program

:

private String[ ][ ] joinData(String[ ][ ] data1, String[ ][ ] data2) { // menggabungakan 2 set data String[ ][ ] data = new String[data1.length][data1[0].length + data2[0].length]; for (int i = 0; i < data1.length; i++) { for (int j = 0; j < data1[i].length; j++) { data[i][j] = data1[i][j]; // copy data pertama } } for (int i = 0; i < data2.length; i++) {


for (int j = 0; j < data2[i].length; j++) { data[i][j + data1[0].length] = data2[i][j]; //copy data kedua } } return data; }

5. a. Nama kelas

: HalamanUtama

b. Nama method

:String[][] getDataByFold(String[][] data,int

fold, int foldID) c. Fungsi method

: untuk mengambil data sesuai dengan foldnya.

d. Listing program

:

private String[ ][ ] getDataByFold(String[ ][ ] data,int fold, int foldID) { // mengambil data sesuai dengan foldnya int sisa = data[0].length % fold; int jum = data[0].length / 3; jum += foldID < sisa ? 1 : 0; String[ ][ ] newData = new String[data.length][jum]; int idx = 0; for (int i = foldID; i < data[0].length; i+=fold) {//dimulai dari fold id, dengan increment fold for (int j = 0; j < newData.length; j++) { newData[j][idx] = data[j][i]; } idx++; } return newData; }


6. a. Nama kelas

: HalamanUtama

b. Nama method

:String[][] getData()

c. Fungsi method

: untuk mengambil data dari tabel.

d. Listing program

:

private String[ ][ ] getData() { // mengambil data dari tabel DefaultTabelModel

model

=

(DefaultTabelModel)

tabel1.getModel(); String[

][

]data

=

String[model.getColumnCount()][model.getRowCount()]; for (int i = 0; i < data.length; i++) { // utk setiap kolom for (int j = 0; j < data[i].length; j++) { // untuk setiap baris data[i][j] = model.getValueAt(j, i).toString(); } } return data; }

Package Kelas 1. a. Nama kelas

: BacaFile

b. Nama method

:String bacaFile(File file)

c. Fungsi method

: untuk membaca file yang dimasukkan.

d. Listing program

:

public String bacaFile(File file) { String hasil = null; if (file.isFile()) { try {

new


BufferedReader

read

=

new

BufferedReader(new

FileReader(file)); //menyimpan file ke dalam buffer buat dibaca int i; try { while ((i = read.read()) != -1) { if (hasil != null) { hasil = hasil + (char) i + read.readLine() + "\n"; } else { hasil = (char) i + read.readLine() + "\n"; } } } catch (IOException ex) { ex.getMessage(); } } catch (FileNotFoundException ex) { ex.getMessage(); } } return hasil; }

2. a. Nama kelas

: CekLogin

b. Nama method

:cekLogin(String username, String pswd)

c. Fungsi method

: untuk

d. Listing program

:

public boolean cekLogin(String username, String pswd) { boolean hasil = false; if (!username.equals("") && !pswd.equals("")) { Login login = new Login();


hasil = login.login(username, pswd); if (hasil == true) { JOptionPane.showMessageDialog(null,

"Anda

berhasil

Login"); } else { JOptionPane.showMessageDialog(null, "Login gagal"); } } else { JOptionPane.showMessageDialog(null, "Isi data username dan password terlebih dahulu"); } return hasil; }

3. a. Nama kelas

: Login

b. Nama method

:login(String username, String password)

c. Fungsi method

: untuk mencocokkan username dan password.

d. Listing program

:

public boolean login(String username, String password) { boolean hasil = false; Koneksi connection = new Koneksi(); String sql = "select password from login where username = '" + username + "' and password= '" + password + "';"; Statement statement; try { statement

=

connection.bukaKoneksi().createStatement(); ResultSet result = statement.executeQuery(sql);

(Statement)


while(result.next()){ System.out.println("ada"); hasil=true; } statement.close(); connection.tutupKoneksi(); } catch (SQLException ex) { Logger.getLogger(Login.class.getName()).log(Level.SEVERE, null, ex); } return hasil; }

4. a. Nama kelas

: PerhitunganData

b. Nama method

:entropy(int[][] data)

c. Fungsi method

: untuk setiap nilai entropy.

d. Listing program

:

public double[] entropy(int[][] data) {//menghitung nilai entropy double[] hasil = new double[data.length]; for (int i = 0; i < data.length; i++) { int[] tempData = data[i]; int tot = 0; for (int j = 0; j < tempData.length; j++) { tot += tempData[j]; // mencari jumlah mmasing2 interest } hasil[i] = 0; for (int j = 0; j < tempData.length; j++) { // loop untuk setiap partisi atribut


double temp = ((double) tempData[j] / tot) * log2(((double) tempData[j] / tot)); // menghitung peluang partisi dalam interest hasil[i] += Double.isInfinite(temp) || Double.isNaN(temp) ? 0 : temp; // menghindari nilai tidak terdefinisi. } hasil[i] = -hasil[i]; } return hasil; }

5. Nama kelas

: PerhitunganData

b. Nama method

:gain(double[] entropy, int[][] data)

c. Fungsi method

: untuk setiap nilai gain.

d. Listing program

:

public double gain(double[] entropy, int[][] data) {//menghitung nilai gain if (entropy == null) { // entropynya harus ada entropy = this.entropy(data); } int jum = 0; int tot[] = new int[data.length]; for (int i = 0; i < data.length; i++) { // menghitung jumlah setiap partisi atribut int[] tempData = data[i]; tot[i] = 0; for (int j = 0; j < tempData.length; j++) { tot[i] += tempData[j]; }


jum += tot[i]; } double gain = 0; for (int i = 0; i < tot.length; i++) { // menghitung semua (peluang * entropy) masing2 atribute gain += (double) tot[i] / jum * entropy[i]; } int[][] interest = new int[1][data[0].length]; for (int i = 0; i < data.length; i++) { // menghitung jumlah interest dalam masibg2 atribute for (int j = 0; j < data[i].length; j++) { interest[0][j] += data[i][j]; } } double entropySemua = this.entropy(interest)[0]; // menghitung entrpy semua Helper.textAreaActive.setText( Helper.textAreaActive.getText()

+

"Entropy

semua

"

+

entropySemua + "\n"); //

System.out.println("Entropy semua " + entropySemua); gain = entropySemua - gain; // rumus gain = entropysemua -

jumlah (peluang * entropy) return gain; }


: PerhitunganData :transfromData(String[][] data)


c. Fungsi method

: untuk mengubah data mentah(tabel) menjadi

data informasi jumlah partisi atribute per interest d. Listing program

:

public int[ ][ ][ ] transfromData(String[ ][ ] data) { // mengubah data mentah(tabel) menjadi data informasi jumlah partisi atribute per interest int hasil[ ] [ ][ ] = new int[data.length - 1][ ][ ]; Map<String, Integer> dicInterest = new HashMap<String, Integer>(); for (int i = 0; i < data[0].length; i++) { //membuat daftar interest yang ada String val = data[0][i]; if (!dicInterest.containsKey(val)) { dicInterest.put(val, dicInterest.size()); } } for (int i = 0; i < hasil.length; i++) { // loop masing2 atribute Map<String, Integer> dic = new HashMap<String, Integer>(); for (int j = 0; j < data[i + 1].length; j++) { // mebuat daftar partisi atribute String val = data[i + 1][j]; if (!dic.containsKey(val)) { dic.put(val, dic.size()); } } int[][]

tabelAttribute

=

new

int[dic.keySet().size()][dicInterest.keySet().size()]; for (int j = 0; j < data[i + 1].length; j++) { // menghitungjumlah


partisi atribute per iterest tabelAttribute[dic.get(data[i + 1][j])][dicInterest.get(data[0][j])]++; } } hasil[i] = tabelAttribute; } return hasil; }

7. a. Nama kelas

: PerhitunganData

b. Nama method

:buildTree(String[][] tabel)

c. Fungsi method

: untuk membuat pohon keputusan (tree).

d. Listing program

:

public Node buildTree(String[][] tabel) {// membuat tree if (tabel.length < 2) { // merupakan attribute terakhir tidak dapat diproses return new Node(); } int[][][] data = transfromData(tabel); double[] gain = new double[data.length]; int maxGainIndex = 0; double[][] entro = new double[data.length][]; for (int i = 0; i < data.length; i++) { // mencari gain atribut yang maximal int[][] tempData = data[i]; gain[i] = gain(entro[i] = entropy(tempData), tempData); maxGainIndex = gain[i] > gain[maxGainIndex] ? i :


maxGainIndex; Helper.textAreaActive.setText( Helper.textAreaActive.getText() + gain[i] + "\n"); //

System.out.println(gain[i]); } Helper.textAreaActive.setText(

Helper.textAreaActive.getText() + "--------------------" + "\n"); //

System.out.println("-------------------------------"); String[] unik = unique(tabel[maxGainIndex + 1]); // mencari

partisi variable Node currNode = new Node(); currNode.setChilds(new Node[unik.length]); currNode.setIdxSyarat(maxGainIndex); Helper.textAreaActive.setText( Helper.textAreaActive.getText() + "UNIK" + "\n"); //

System.out.println("UNIK"); for (int i = 0; i < unik.length; i++) { Helper.textAreaActive.setText(

Helper.textAreaActive.getText() + unik[i] + "\n"); //

System.out.println(unik[i]); } for (int i = 0; i < unik.length; i++) { if (entro[maxGainIndex][i] == 0) { // jika entropy = 0, maka

akan menjadi node terakhir(leaf) Node nod = new Node(); nod.setHasil(getLeaf(tabel, maxGainIndex + 1, unik[i], data[maxGainIndex][i].length)); // untuk menentukan interest nod.setValueSyaratParent(unik[i]); currNode.getChilds()[i] = nod;


} else { // jika entory !0 maka akan dipecah jadi child int jum = 0; for (int j = 0; j < data[maxGainIndex][i].length; j++) { jum += data[maxGainIndex][i][j]; } Helper.textAreaActive.setText( Helper.textAreaActive.getText() + maxGainIndex+"-"+unik[i] +"-"+ jum + "\n"); //

System.out.println(maxGainIndex+"-"+unik[i] +"-"+ jum); String[][] newTabel = removeUnik(tabel, maxGainIndex +

1, unik[i], jum); // menghilangkan data yang bukan merupakan partisi varible yg sedang diproses for (int j = 0; j < newTabel.length; j++) { String[] strings = newTabel[j]; for (int k = 0; k < strings.length; k++) { Helper.textAreaActive.setText( Helper.textAreaActive.getText() + strings[k]); //

System.out.print(strings[k]+" "); } Helper.textAreaActive.setText(

Helper.textAreaActive.getText() + "" +""+""+ "\n"); // System.out.println("");System.out.println("");System.out.println(""); } if (newTabel.length < 2) { // merupakan varibale terakhir dipakasa mencari leaf Node nod = new Node(); nod.setHasil(getLeaf(tabel, maxGainIndex + 1, unik[i], data[maxGainIndex][i].length)); // dicari leaf dengan jumlah paling banyak atau pertama terbanyak nod.setValueSyaratParent(unik[i]); currNode.getChilds()[i] = nod;


} else { // masih bisa dipecah childnya Node

child

=

buildTree(newTabel);

//

rekursive

mengulang proses yang sama utk data yg sudah dipotong child.setValueSyaratParent(unik[i]); currNode.getChilds()[i] = child; } } } Helper.textAreaActive.setText( Helper.textAreaActive.getText() + "-------------" + "\n"); //

System.out.println("------------"); return currNode;

}

8. a. Nama kelas

: PerhitunganData

b. Nama method

:getLeaf(String[][] data, int idx, String unik, int

jumInterest) c. Fungsi method

: untuk mencari leaf (hasil node terakhir pada

pohon keputusan). d. Listing program

:

private String getLeaf(String[][] data, int idx, String unik, int jumInterest) { // mencari leaf Map<String, Integer> interest = new HashMap<String, Integer>(); String maxVal = ""; for (int i = 0; i < data[idx].length; i++) { // loop setiap data ut mencari yang terbanyak atau pertama terbanyak if (data[idx][i].equals(unik)) { String val = data[0][i];


if (interest.containsKey(val)) { // membuat daftar partisi dengan jumlahnya interest.put(val, interest.get(val).intValue() + 1); // jika sudah ada ditambah 1 } else { interest.put(val, 1); // jika belum ada diintisial 1 } if (interest.containsKey(maxVal)) { // inisialisasi maxVal jika sudah akan dibandingkan if

(interest.get(val).intValue()

>

interest.get(maxVal).intValue()) { // pengecekan data terbanyak maxVal = val; } } else { // jika belum maka akan dianggap max maxVal = val; } } } return maxVal; }


: PerhitunganData :removeUnik(String[][] data, int idx, String

unik, int jum) c. Fungsi method

: untuk menghilangkan atribut partisi unik dan

bukan unik. d. Listing program

:


public String[][] removeUnik(String[][] data, int idx, String unik, int jum) { // menghilangkan "attribute partisi unik", dan "partisi yang bukan unik" String[][] newData = new String[data.length - 1][jum]; int id = 0; for (int i = 0; i < data[idx].length; i++) { // baris if (data[idx][i].equals(unik)) { // ini filter yang unik (selain partisi unik bisa di copy) int tempJ = 0; // kolom for (int j = 0; j < data.length; j++) { if (idx != j) { // ini filter atribut unik (selain atribut unik bisa di copy) newData[tempJ][id]= data[j][i]; tempJ++; } } id++; } } return newData; }

10. a. Nama kelas

: PerhitunganData

b. Nama method

:unique(String[] data)

c. Fungsi method

: untuk membuat daftar partisi variable yang

unik d. Listing program

:

rivate String[ ] unique(String[ ] data) { // membuat daftar partisi variable yang unik


ArrayList<String> dic = new ArrayList<String>(); for (int i = 0; i < data.length; i++) { String val = data[i]; if (!dic.contains(val)) { // jika belum ada, dimasukan dalam list dianggap unik dic.add(val); } } String[] unik = new String[dic.size()]; for (int i = 0; i < unik.length; i++) { // mengubah dari arrayylist ke arrayString unik[i] = dic.get(i); } return unik; } }

11. a. Nama kelas

: Tree

b. Nama method

:printTree()

c. Fungsi method

: untuk menampilkan tree (pohon keputusan)

d. Listing program

:

public void printTree() { //menampilkan tree Node curr = root; // mulai dari root Stack st = new Stack(); st.push(curr); while (!st.empty()) { //selama stacknya masih ada, berarti masih ada node yang bisa d tampilkan curr = st.pop(); if (curr.getChilds() == null) { // jika tidak punya child leaf


terakhir maka yg ditampikan adalah value dari

attribute

(smartphone di tipe) Helper.textAreaActive.setText( Helper.textAreaActive.getText() + curr.getValueSyaratParent() + "-" + curr.getHasil() + "\n"); //

System.out.println(curr.getValueSyaratParent() + "-" +

curr.getHasil()); } else { // jika punya child maka yg ditampilkan childnya... String

s

=

curr.getIdxSyarat()

+

"-"

+

curr.getValueSyaratParent() + " = "; for (int i = 0; i < curr.getChilds().length; i++) { // mendapatkan setiap child st.push(curr.getChilds()[i]); // memasukan tiap child dalam stack Helper.textAreaActive.setText( Helper.textAreaActive.getText()

+

curr.getChilds()[i].getValueSyaratParent() + "," + "\n"); //

s += curr.getChilds()[i].getValueSyaratParent() + ","; //

nampilin } Helper.textAreaActive.setText( Helper.textAreaActive.getText() + s + "\n"); //

System.out.println(s); } }

}


: Tree :removeAtt(String[] dat, int idx)


c. Fungsi method

: untuk menghilangkan attribute dalam index

tertentu d. Listing program

:

String[] removeAtt(String[] dat, int idx) { // untuk mengilangkan attribute dalam index tertentu String[] datTemp = new String[dat.length - 1]; int id = 0; for (int i = 0; i < dat.length; i++) { // loop untuk maisng2 attribute if (i != idx) { // mengopy data attribute selain yang mau dihapus datTemp[id] = dat[i]; id++; } } return datTemp; }

13. a. Nama kelas

: Tree

b. Nama method

:testing(String[] data)

c. Fungsi method

: untuk pengecekkan data terhadap tree

d. Listing program

:

public String testing(String[] data) { String hasil = ""; Node curr = root; int syart = -1; int countDeep = 0;


while (curr.getChilds() != null) { // mencari node terakhir(tidak ada child) boolean ada = false; for (int i = 0; i < curr.getChilds().length; i++) { // mencari setiap child Helper.textAreaActive.setText( Helper.textAreaActive.getText()

+

data[curr.getIdxSyarat()]

+"===="+curr.getChilds()[i].getValueSyaratParent() + "\n"); //

System.out.println(data[curr.getIdxSyarat()]

+"===="+curr.getChilds()[i].getValueSyaratParent()); if (data[curr.getIdxSyarat()].equals(curr.getChilds()[i].getValueSyara tParent())) { //membandingkan value dengan syarat dalam tree data = removeAtt(data, curr.getIdxSyarat()); curr = curr.getChilds()[i]; ada = true; break; } } if(!ada) { // jika tidakk ada syarat yang cocok return "unidentified"; } } hasil = curr.getHasil(); return hasil; }

14. a. Nama kelas

: Tree

b. Nama method

:saveTree ( )

c. Fungsi method

: untuk menyimpan pola dari tree


d. Listing program

:

public void saveTree() { try { File file = new File("save.obj"); FileOutputStream fileOutput = new FileOutputStream(file); ObjectOutputStream

objectOutput

=

new

ObjectOutputStream(fileOutput); objectOutput.writeObject(root); objectOutput.close(); fileOutput.close(); } catch (Exception ex) { Logger.getLogger(Tree.class.getName()).log(Level.SEVERE,

null,

ex); } }

15. a. Nama kelas

: Tree

b. Nama method

:loadTree ( )

c. Fungsi method

: untuk membaca pola dari tree

d. Listing program

:

public boolean loadTree() { try { File file = new File("save.obj"); FileInputStream fileInput = new FileInputStream(file); ObjectInputStream

objectInput

ObjectInputStream(fileInput); root = (Node) objectInput.readObject(); objectInput.close(); fileInput.close();

=

new


return true; } catch (Exception ex) { Logger.getLogger(Tree.class.getName()).log(Level.SEVERE, ex); } return false; }

null,


LAMPIRAN 2 Di bawah ini adalah hasil pohon keputusan (tree) dengan menggunakan data sebanyak 375 data. siang, pagi, malam, 2-null = Jakarta, Surabaya, San Mateo, Bandung, Medan, Singapore, Sidoarjo, Purwokerto, Depok, Batam, Pontianak, Mountain View, Boardman, Kudus, Tangerang, 1-malam = Tangerang-Motorbike Kudus-Motorbike Boardman-Motorbike Mountain View-Motorbike Pontianak-Motorbike Batam-Motorbike Depok-Motorbike Purwokerto-Smartphone Sidoarjo-Smartphone


Singapore-Smartphone akhir, awal, 1-Medan = awal-Motorbike akhir-Smartphone Bandung-Smartphone tengah, awal, akhir, 1-San Mateo = akhir-Motorbike Smartphone, 0-awal = , 0-Smartphone = -Smartphone Smartphone, 0-tengah = , 0-Smartphone = -Motorbike tengah, awal, 1-Surabaya = Smartphone, Personal computer, 0-awal = Personal computer-Motorbike , 0-Smartphone = -Motorbike Smartphone, Personal computer, 0-tengah =


, 0-Personal computer = -Smartphone , 0-Smartphone = -Motorbike awal, tengah, akhir, 1-Jakarta = akhir-Motorbike Smartphone, Personal computer, 0-tengah = , 0-Personal computer = -Motorbike , 0-Smartphone = -Motorbike Personal computer, Smartphone, 0-awal = , 0-Smartphone = -Motorbike , 0-Personal computer = -Smartphone Jakarta, Surabaya, Bandung, Boardman, Palembang, Singapore,


San Mateo, Madiun, Beijing, Bogor, Tangerang, Yogyakarta, Surakarta, Mojokerto, Saratoga, Tokyo, Bekasi, Providence, Pontianak, 1-pagi = Pontianak-Talisman Providence-Talisman Bekasi-Motorbike Tokyo-Motorbike Saratoga-Motorbike Mojokerto-Motorbike Surakarta-Smartphone Yogyakarta-Smartphone Tangerang-Smartphone Bogor-Smartphone Beijing-Smartphone Madiun-Smartphone San Mateo-Smartphone Singapore-Smartphone Palembang-Smartphone Personal computer, 0-Boardman = tengah, 0-Personal computer = , 0-tengah =


-Fashion Bandung-Fashion Surabaya-Fashion tengah, awal, akhir, 1-Jakarta = akhir-Smartphone Smartphone, 0-awal = , 0-Smartphone = -Smartphone Smartphone, Personal computer, Tabelt, 0-tengah = Tabelt-Talisman Personal computer-Fashion Smartphone-Fashion Surabaya, Jakarta, Denpasar, Mountain View, Bandung, Tejgaon, Yogyakarta, London, Samarinda, Sleman, Palembang, Singapore, Bogor, San Mateo, Boardman,


Pekanbaru, Kudus, Sidoarjo, Bantul, Medan, Makassar, Beijing, Depok, Dki Jakarta, Mega, 1-siang = Mega-Talisman Dki Jakarta-Talisman Depok-Smartphone tengah, akhir, 1-Beijing = akhir-Talisman tengah-Smartphone Makassar-Smartphone Smartphone, Personal computer, 0-Medan = Personal computer-Talisman Smartphone-Smartphone Bantul-Smartphone Personal computer, Smartphone, 0-Sidoarjo = Smartphone-Talisman Personal computer-Smartphone Personal computer, Smartphone, 0-Kudus = Smartphone-Talisman


Personal computer-Smartphone Personal computer, 0-Pekanbaru = tengah, 0-Personal computer = , 0-tengah = -Smartphone Boardman-Fashion Smartphone, 0-San Mateo = tengah, 0-Smartphone = , 0-tengah = -Fashion Bogor-Fashion awal, akhir, 1-Singapore = akhir-Smartphone Personal computer, 0-awal = , 0-Personal computer = -Fashion Personal computer, Tabelt, 0-Palembang = Tabelt-Talisman Personal computer-Fashion Sleman-Fashion Samarinda-Fashion London-Fashion Yogyakarta-Fashion


Tejgaon-Fashion tengah, akhir, awal, 1-Bandung = Personal computer, Smartphone, 0-awal = Smartphone-Talisman , 0-Personal computer = -Talisman Personal computer, 0-akhir = , 0-Personal computer = -Smartphone Smartphone, 0-tengah = , 0-Smartphone = -Talisman tengah, awal, akhir, 1-Mountain View = akhir-Fashion awal-Fashion Smartphone, 0-tengah = , 0-Smartphone = -Fashion Denpasar-Fashion Smartphone,


Personal computer, Tabelt, 0-Jakarta = Tabelt-Smartphone tengah, akhir, awal, 0-Personal computer = , 0-awal = -Fashion , 0-akhir = -Fashion , 0-tengah = -Fashion awal, tengah, akhir, 0-Smartphone = , 0-akhir = -Fashion , 0-tengah = -Talisman , 0-awal = -Fashion awal, akhir, tengah, 1-Surabaya = Smartphone,


Personal computer, 0-tengah = Personal computer-Smartphone , 0-Smartphone = -Talisman Personal computer, Smartphone, 0-akhir = Smartphone-Talisman , 0-Personal computer = -Fashion Personal computer, Smartphone, 0-awal = Smartphone-Smartphone Personal computer-Fashion


LAMPIRAN 3 Rule untuk interestFashion Rule 1 : Interest

Fashion =

if waktu = pagi^bulan = tengah^type = Personal

Computer^city = Boardman Rule 2 : Interest Fashion = if waktu = pagi^bulan = tengah^type = Personal Computer^city = Jakarta Rule 3 : Interest Fashion = if waktu = pagi^bulan = tengah^type = Smartphone Rule 4 : Interest Fashion = if waktu = siang^city = Boardman Rule 5 : Interest Fashion = if waktu = siang^city = Bogor Rule 6 : Interest Fashion = if waktu = siang^city = Denpasar Rule 7 : Interest Fashion = if

waktu = siang^city = Jakarta^type = Personal

Computer^bulan = akhir Rule 8 : Interest Fashion = if

waktu = siang^city = Jakarta^type = Personal

Computer^bulan = awal Rule 9 : Interest Fashion = if waktu = siang^city = Jakarta^type = Personal Computer^bulan = tengah Rule 10 : Interest Fashion = if waktu = siang^city = Jakarta^type = Smartphone^bulan = akhir Rule 11 : Interest Fashion = if waktu = siang^city = Jakarta^type = Smartphone^bulan = awal Rule 12 : Interest Fashion = if waktu = siang^city = London


Rule 13 : Interest Fashion = if waktu = siang^city = Mountain View^bulan = akhir Rule 14 : Interest Fashion = if waktu = siang^city = Mountain View^bulan = awal Rule 15 : Interest Fashion = if waktu = siang^city = Mountain View^bulan = tengah^type = Smartphone Rule 16 : Interest Fashion = if waktu = siang^city = Palembang^type = Personal Computer Rule 17 : Interest Fashion = if waktu = siang^city = Samarinda Rule 18 : Interest Fashion = if waktu = siang^city = San Mateo^type = Smartphone^bulan = tengah Rule 19 : Interest Fashion = if waktu = siang^city = Singapore^bulan = awal^type = Personal Computer Rule 20 : Interest Fashion = if waktu = siang^city = Sleman Rule 21 : Interest Fashion = if waktu = siang^city = Surabaya^type = Personal Computer^bulan = akhir Rule 22 : Interest Fashion = if waktu = siang^city = Surabaya^type = Personal Computer^bulan = awal Rule 23 : Interest Fashion = if wakktu = siang^city = Tejgaon Rule 24 : Interest Fashion = if wakktu = siang^city = Yogyakarta Rule untuk interestSmartphone Rule 1 : Interest Smartphone = if waktu = malam^city = Bandung Rule 2 : Interest Smartphone = if waktu = malam^city = Jakarta^bulan = awal^type = Personal Computer


Rule 3 : Interest Smartphone = if waktu = malam^city = Medan^bulan =akhir Rule 4 : Interest Smartphone = if waktu = malam^city = Purwokerto Rule 5 : Interest Smartphone = if waktu = malam^city = San Mateo^bulan = awal^type = Smartphone Rule 6 : Interest Smartphone = if waktu = malam^city = Sidoarjo Rule 7 : Interest Smartphone = if waktu = malam^city = Singapore Rule 8 : Interest Smartphone = if waktu = malam^city = Surabaya^type = Personal Computer^bulan = tengah Rule 9 : Interest Smartphone = if waktu = pagi^bulan = akhir^city = Beijing Rule 10 : Interest Smartphone = if waktu = pagi^bulan = akhir^city = Bogor Rule 11 : Interest Smartphone = if waktu = pagi^bulan = akhir^city = Jakarta Rule 12 : Interest Smartphone = if waktu = pagi^bulan = akhir^city = Madiun Rule 13 : Interest Smartphone = if waktu = pagi^bulan = akhir^city = Palembang Rule 14 : Interest Smartphone = if waktu = pagi^bulan = akhir^city = San Mateo Rule 15 : Interest Smartphone = if waktu = pagi^bulan = akhir^city = Singapore Rule 16 : Interest Smartphone = if waktu = pagi^bulan = akhir^city = Tangerang Rule 17 : Interest Smartphone = if waktu = pagi^bulan = awal^city = Jakarta^type = Smartphone Rule 18 : Interest Smartphone = if waktu = pagi^bulan = awal^city = Singapore Rule 19 : Interest Smartphone = if waktu = pagi^bulan = awal^city = Yogyakarta Rule 20 : Interest Smartphone = if waktu = pagi^bulan = tengah^type = Tabelt^city = Surakarta


Rule 21 : Interest Smartphone = if waktu = siang^city = Bandung^type = Personal Computer^bulan = akhir Rule 22 : Interest Smartphone = if waktu = siang^city = Depok Rule 23 : Interest Smartphone = if waktu = siang^city = Jakarta^type = Tabelt Rule 24 : Interest Smartphone = if waktu = siang^city = Kudus^type = Personal Computer Rule 25 : Interest Smartphone = if waktu = siang^city = Makasar Rule 26 : Interest Smartphone = if waktu = siang^city = Medan^type = Smartphone Rule 27 : Interest Smartphone = if waktu = siang^city = Pekanbaru^type = Personal Computer^bulan = tengah Rule 28 : Interest Smartphone = if waktu = siang^city = Sidoarjo^type = Personal Computer Rule 29 : Interest Smartphone = if waktu = siang^city = Singapore^bulan = akhir Rule 30 : Interest Smartphone = if waktu = siang^city = Surabaya^type = Personal Computer^bulan = tengah Rule 31 : Interest Smartphone = if waktu = siang^city = Surabaya^type = Smartphone^bulan = awal Rule untuk interestMotorbike Rule 1 : Interest Motorbike = if waktu = malam^city = Batam Rule 2 : Interest Motorbike = if waktu = malam^city = Boardman Rule 3 : Interest Motorbike = if waktu = malam^city = Depok Rule 4 : Interest Motorbike = if waktu = malam^city = Jakarta^bulan = akhir


Rule 5 : Interest Motorbike = if waktu = malam^city = Jakarta^bulan = awal^type = Smartphone Rule 6 : Interest Motorbike = if waktu = malam^city = Jakarta^bulan = tengah^type = Personal Computer Rule 7 : Interest Motorbike = if waktu = malam^city = Jakarta^bulan = tengah^type = Smartphone Rule 8 : Interest Motorbike = if waktu = malam^city = Kudus Rule 9 : Interest Motorbike = if waktu = malam^city = Medan^bulan = awal Rule 10 : Interest Motorbike = if waktu = malam^city = Mountain View Rule 11 : Interest Motorbike = if waktu = malam^city = Pontianak Rule 12 : Interest Motorbike = if waktu = malam^city = San Mateo^bulan = akhir Rule 13 : Interest Motorbike = if waktu = malam^city = San Mateo^bulan = tengah^type = Smartphone Rule 14 : Interest Motorbike = if waktu = malam^city = Surabaya^type = Personal Computer^bulan = awal Rule 15 : Interest Motorbike = if waktu = malam^city = Surabaya^type = Smartphone^bulan = awal Rule 16 : Interest Motorbike = if waktu = malam^city = Surabaya^type = Smaartphone^bulan = tengah Rule 17 : Interest Motorbike = if waktu = malam^city = Tangerang Rule 18 : Interest Motorbike = if waktu = pagi^bulan = akhir^city = Bekasi Rule 19 : Interest Motorbike = if waktu = pagi^bulan = awal^city = Mojokerto


Rule 20 : Interest Motorbike = if waktu = pagi^bulan = awal^city = Saragota Rule 21 : Interest Motorbike = if waktu = pagi^bulan = awal^city = Tokyo Rule untuk interestTalisman Rule 1 : Interest Talisman = if waktu = pagi^bulan = awal^city = Pontianak Rule 2 : Interest Talisman = if waktu = pagi^bulan = tengah^type = Personal Computer^city = Providence Rule 3 : Interest Talisman = if waktu = pagi^bulan = tengah^type = Tabelt^city = Jakarta Rule 4 : Interest Talisman = if waktu = siang^city = Bandung^type = Personal Computer^bulan = awal Rule 5 : Interest Talisman = if waktu = siang^city = Bandung^type = Smartphone^bulan = awal Rule 6 : Interest Talisman = if waktu = siang^city = Bandung^type = Smartphone^bulan = tengah Rule 7 : Interest Talisman = if waktu = siang^city = Dki Jakarta Rule 8 : Interest Talisman = if waktu = siang^city = Jakarta^type = Smartphone^bulan = tengah Rule 9 : Interest Talisman = if waktu = siang^city = Kudus^type = Smartphone Rule 10 : Interest Talisman = if waktu = siang^city = Medan^type = Personal Computer Rule 11 : Interest Talisman = if waktu = siang^city = Mega Rule 12 : Interest Talisman = if waktu = siang^city = Palembang^type = Tabelt


Rule 13 : Interest Talisman = if waktu = siang^city = Sidoarjo^type = Smartphone Rule 14 : Interest Talisman = if waktu = siang^city = Surabaya^type = Smartphone^bulan = akhir Rule15 : Interest Talisman = if waktu = siang^city = Surabaya^type = Smartphone^bulan = tengah

Penambangan Data Query pada Situs Web dengan Menggunakan Algoritma. Decision Tree. Studi Kasus : Skripsi

Recommend Documents