Fax. (061) Abstrak

Transkripsi

1 IMPLEMENTASI ALGORITMA ITERATIVE DICHOTOMISER 3 PADA SISTEM REKOMENDASI PERSONAL TRAINER Florida Nirma Sanny Damanik 1, Pransisco Simatupang 2, Nova Cristina Sianturi 3 1,2,3 STMIK Mikroskil, Jl. Thamrin No. 112, 124, 140, Telp. (061) , Fax. (061) ,2,3 Jurusan Teknik Informatika, STMIK Mikroskil, Medan 1 florida@mikroskil.ac.id Abstrak Personal trainer adalah individu yang memiliki keterampilan, kemampuan, dan pengetahuan professional untuk memastikan rancangan program kesehatan dan latihan yang aman dan efektif, serta membantu klien mencapai tujuan mereka. Manfaat berolahraga dengan menggunakan personal trainer diharapkan mampu mengoptimalkan latihan, memotivasi untuk giat berolahraga, menjadi teman berlatih, serta menghindari cidera saat berlatih, dan mendapat banyak pengetahuan serta informasi mengenai hidup sehat. Iterative Dichotomizer Three (ID3) adalah algoritma matematika yang mampu mengklasifikasi objek dan merupakan suatu metode yang digunakan untuk membangkitkan pohon keputusan. Tahapan dari algoritma ini adalah dengan mencari entropy dan information gain. Hasil dari perhitungan Iterative Dichotomizer Three (ID3) akan menghasilkan rekomendasi personal trainer yang sesuai dengan klasifikasi kebutuhan pengguna. Kata Kunci: Personal Trainer, Sistem Rekomendasi,. Iterative Dichotomizer Three (ID3). Abstract Personal trainers are individuals who have professional skills, abilities and knowledge, to ensure the design of health programs, and safe training, and help clients achieve their goals. The benefits of exercising with a personal trainer are being able to optimize exercise, motivate to actively exercise, be a practice partner, and avoid injuries while practicing, and get a lot of knowledge and information about healthy living. Iterative Dichotomizer Three (ID3) is a mathematical algorithm that is able to classify objects and is a method used to generate decision trees. The stage of this algorithm is to find entropy and information gain. The results of the Iterative Dichotomizer Three (ID3) calculation will produce personal trainer recommendations that correspond to the desired user needs classification. Keywords: Personal Trainer, Recommendation System. Iterative Dichotomizer Three (ID3). 52

2 PENDAHULUAN Personal trainer adalah individu yang memiliki keterampilan, kemampuan, dan pengetahuan professional untuk memastikan rancangan program kesehatan dan latihan yang aman dan efektif, serta membantu klien mencapai tujuan mereka [1]. Kurangnya media yang memberikan informasi personal trainer, sehingga berpengaruh terhadap kurangnya wawasan pengguna yang ingin menggunakan jasa personal trainer sesuai dengan kebutuhannya, seperti tempat atau lokasi dari pusat kebugaran, gender, waktu, dan program keahlian personal trainer [2]. Salah satu contoh teknik klasifikasi yang mudah dan populer adalah Iterative Dichotomizer Three (ID3). Iterative Dichotomizer Three (ID3) adalah algoritma matematika yang mampu mengklasifikasi objek lebih kompleks, Iterative Dichotomizer Three (ID3) merupakan suatu metode yang digunakan untuk membangkitkan pohon keputusan[3]. Tahapan dari algoritma ini adalah dengan mencari entropy dan information gain. Semakin kecil nilai entropy maka semakin baik digunakan dalam mengekstraksi data. METODE PENELITIAN Kajian Pustaka Data Mining Salah satu teknik yang dibuat dalam data mining adalah bagaimana menelusuri data yang ada untuk membangun sebuah model, kemudian menggunakan model tersebut agar dapat mengenali pola data yang lain yang tidak berada dalam basis data yang tersimpan. Kebutuhan untuk prediksi juga dapat memanfaatkan teknik ini. Dalam data mining, pengelompokan data juga bisa dilakukan. Tujuannya agar dapat mengetahui pola universal data-data yang ada. Proses yang umumnya dilakukan oleh data mining antara lain: deskripsi, prediksi, estimasi, klasifikasi, clustering dan asosiasi. [5] Deskripsi Deskripsi bertujuan untuk mengidentifikasi pola yang muncul secara berulang pada suatu data dan mengubah pola tersebut menjadi aturan dan kriteria yang dapat mudah dimengerti oleh para ahli pada domain aplikasinya. Aturan yang dihasilkan harus mudah dimengerti agar dapat dengan efektif meningkatkan tingkat pengetahuan (knowledge) pada sistem.. Prediksi Prediksi memiliki kemiripan dengan klasifikasi, akan tetapi data diklasifikasikan berdasarkan perilaku atau nilai yang diperkirakan pada masa yang akan datang. Contoh dari tugas prediksi misalnya untuk memprediksikan adanya pengurangan jumlah pelanggan dalam waktu dekat dan prediksi harga saham dalam tiga bulan yang akan datang. Estimasi Estimasi hampir sama dengan prediksi, kecuali variabel target estimasi lebih ke arah numerik dari pada ke arah kategori. Model dibangun menggunakan record lengkap yang menyediakan nilai dari variabel target sebagai nilai prediksi. Klasifikasi Klasifikasi merupakan proses menemukan sebuah model atau fungsi yang mendeskripsikan dan membedakan data ke dalam kelaskelas. Klasifikasi melibatkan proses 53

3 pemeriksaan karakteristik dari objek dan memasukkan objek ke dalam salah satu kelas yang sudah didefinisikan sebelumnya. Clustering Clustering merupakan pengelompokan data tanpa berdasarkan kelas data tertentu ke dalam kelas objek yang sama. Sebuah kluster adalah kumpulan record yang memiliki kemiripan suatu dengan yang lainnya dan memiliki ketidak miripan dengan record dalam kluster lain. Tujuannya adalah untuk menghasilkan pengelompokan objek yang mirip satu sama lain dalam kelompok-kelompok. Semakin besar kemiripan objek dalam suatu cluster dan semakin besar perbedaan tiap cluster maka kualitas analisis cluster semakin baik. Asosiasi Tugas asosiasi dalam data mining adalah menemukan atribut yang muncul dalam suatu waktu. Dalam dunia bisnis lebih umum disebut analisis keranjang belanja (market basket analisys). Tugas asosiasi berusaha untuk mengungkap aturan untuk mengukur hubungan antara dua atau lebih atribut. Teknik Klasifikasi Berdasarkan cara pelatihan, algoritmaalgoritma klasifikasi dapat dibagi menjadi dua macam, yaitu eager learner dan lazy learner. Algoritmaalgoritma yang masuk kategori eager learner di desain untuk melakukan pembacaa/pelatihan/pembelajaran pada data latih untuk dapat memetakan dengan benar, setiap vector masukan ke label kelas keluarannya sehingga di akhir proses pelatihan, model sudah dapat melakukan pemetaan dengan benar semua data latih ke label kelas keluarannya. Setelah proses pelatihan tersebut selesai, maka model (biasanya berupa bobot atau sejumlah nilai kuantitas tertentu) disimpan sebagai memori, sedangkan semua data latihnya dibuang. Proses prediksi dilakukan dengan menggunakan model yang tersimpan dan tidak melibatkan data latih sama sekali. Cara ini mengakibatkan proses prediksi berjalan dengan cepat, namun harus dibayar dengan proses pelatihan yang lama. Algoritma-algoritma klasifikasi yang masuk kategori ini diantaranya adalah Artificial Neural Network (ANN), Support Vector Machine (SVM), Decision Tree, Bayesian, dan sebagainya [5]. Pohon Keputusan Pohon keputusan atau Decision tree adalah pohon yang digunakan sebagai prosedur penalaran untuk mendapatkan jawaban dari masalah yang dimaksukkan. Pohon yang dibentuk tidak selalu berupa pohon biner. Jika semua fitur dalam data set menggunakan 2 macam nilai kategorikal maka bentuk pohon yang didapatkan berupa pohon biner. Jika dalam fitur berisi lebih dari 2 macam nilai kategorikal atau menggunakan tipe numerik maka bentuk pohon yang didapatkan biasanya tidak berupa pohon biner. Decision tree banyak digunakan untuk menyelesaikan kasus penentuan keputusan seperti bidang kedokteran (diagnosis penyakit pasien), ilmu komputer (struktur data), psikologi (teori pengambilan keputusan), dan sebagainya. [3]. Algoritma Iterative Dichotomizer 3 (ID3) Iterative Dichotomizer 3 (ID3) merupakan suatu metode yang digunakan untuk mebangkitkan pohon keputusan. Algoritma pada metode ini berbasis pada Occam's Razor, lebih memilih pohon keputusan yang lebih 54

4 Volume IV Nomor 5 September 2018 kecil (teori sederhana) dibanding yang lebih besar. Tetapi tidak dapat selalu menghasilkan pohon keputusan yang paling kecil dan karena itu occam's razor bersifat heuristik, Occam's razor diformalisasi menggunakan konsep dari entropi informasi. Struktur dasar ID3 adalah berulang, Jika pohon memberikan jawaban yang benar untuk semua objek maka seluruh set data akan benar dan prosesnya berakhir, jika tidak sebuah seleksi objek yang salah diklasifikasikan dan proses akan berlanjut. [6]. Cara kerja Algoritma ID3 Cara kerja Algoritma ID3 dapat digambarkan sebagai berikut : Hitung Entropy dan Information Gain dari setiap atribut dengan menggunakan rumus: Dimana: S = ruang (data) sample yang digunakan untuk training. Pa = jumlah yang bersolusi positif (mendukung) pada data sample untuk kriteria tertentu. Pb = jumlah yang bersolusi negatif (tidak mendukung) pada data sample untuk kriteria tertentu. Dimana: S = ruang (data) sample yang digunakan untuk training. A= atribut. V = suatu nilai yang mungkin untuk atribut A. Sv = jumlah sample untuk nilai V. S = jumlah seluruh sample data. Entropy(Sv) = entropy untuk samplenilai sample yang memiliki V. Tujuan dari pengukuran nilai information gain adalah untuk memilih atribut yang akan dijadikan cabang pada pembentukan pohon atribut yang memiliki gain terbesar. [7]. Penentuan Kriteria Berikut adalah kriteria yang digunakan untuk rekomendasi personal trainer : Lokasi = Kriteria kota dari personal trainer bekerja Speciality = Kriteria program keahlian yang dibutuhkan Hari = Kriteria hari untuk menggunakan jasa personal trainer Waktu = Kriteria waktu untuk menggunakan jasa personal trainer Gender = Kriteria dari jenis kelamin personal trainer Berikut Tabel data Kriteria : Tabel Kriteria Lokasi Kriteria Lokasi Lokasi Medan Jakarta Tabel Kriteria Speciality Kriteria Speciality Cx Worx Body Combat Body Pump Body Balance Body Jam Sprint Shape Speciality Zumba TRX Weight Gain Fungtional Training Circuit Training Sh Bam Fat Loss Kriteria Hari Tabel Kriteria Hari Hari Senin Selasa Rabu Kamis Jumat Sabtu keputusan. Pilih nilai information 55

5 Tabel Kriteria Waktu Kriteria Waktu Range waktu Pagi wib Waktu Siang wib Sore wib Malam ib Tabel Syarat Hasil Rekomendasi Kriteria Rekomendasi Keterangan Hasil Rekomendasi Ya Rating > 2,5 Tidak Rating <= 2,5 Kriteria Gender Tabel Kriteria Gender Gender Male Female Analisis Proses Analisis proses digunakan untuk menjelaskan proses kerja pada sistem untuk menyelesaikan permasalahan yang ada. Gambar Flowchart metode Iterative Dichotomiser 3 (ID3) 56

6 Adapun proses-proses yang dilakukan untuk menghasilkan sistem rekomendasi Personal Trainer adalah : 1. Mencari serta menginput data-data personal trainer, 2. Menentukan kriteria dari data tersebut seperti, lokasi, spesiality, hari, waktu, gender. 3. Menghitung nilai entropy dan information gain, entropy digunakan untuk mengukur seberapa baiknya sebuah node atau semakin kecil nilai entropy maka semakin baik digunakan dalam mengekstraksi data dan information gain digunakan untuk mengukur efektifitas suatu atribut dalam mengklasifikasikan data. 4. Membuat root / akar yang mana nilai yang paling tinggi di dapat dari information gain. 5. Membuat cabang dari root/akar., apabila nilai keputusan kriteria kosong tidak maka kembali melakukan proses sebelumnya, yaitu membuat cabang dari root/akar, jika nilai keputusan kriteria kosong ya maka proses yang dilakukan adalah membuat simpul leafnode/node akhir yang sering muncul. Use Case Diagram Use Case Diagram Personal Trainer dapat dilihat pada gambar berikut : Gambar Usecase sistem rekomendasi Personal trainer 57

7 HASIL DAN PEMBAHASAN Hasil Pendaftaran Menjadi Member Tampilan menjadi member untuk melakukan pendaftaran sebagai member yang berkunjung di web rekomendasi personal trainer. Gambar 3. Tampilan Daftar Member Rekomendasi Personal Trainer Tampilan Personal Trainer ini menampilkan personal trainer yang direkomendasikan algoritma ID3 berdasarkan Gambar hasil dari rekomendasi 58

8 Pembahasan Berikut ini data personal trainer beserta hasil rekomendasi. Tabel 1. Data Personal Trainer No Nama Lokasi Speciality Hari Waktu Gender Rekomendasi 1 Herry Medan Cx Worx Senin Pagi Male Ya 2 Herry Medan Body Combat Senin Pagi Male Tidak 3 Herry Medan Body Combat Senin Malam Male Tidak 4 Herry Medan Sprint Senin Pagi Male Ya 5 Herry Medan Shape Senin Malam Male Ya 6 Herry Medan Body Combat selasa Pagi Male Ya 7 Herry Medan body pump rabu Malam Male Ya 8 Herry Medan Cx Worx rabu Malam Male Tidak 9 Herry Medan body balance rabu Pagi Male Tidak 10 Herry Medan body balance rabu Sore Male Ya 11 Herry Medan Body Combat kamis Pagi Male Tidak 12 Herry Medan body pump kamis Pagi Male Ya 13 Herry Medan Cx Worx jumat Sore Male Ya 14 Herry Medan body pump jumat Malam Male Ya 15 Herry Medan Cx Worx sabtu Sore Male Ya 16 Sean Medan Body Jam Senin Pagi Female Tidak 17 Sean Medan body pump selasa Pagi Female Tidak 18 Sean Medan Body Jam selasa Sore Female Ya 19 Sean Medan Zumba selasa Malam Female Tidak 20 Sean Medan Zumba rabu Pagi Female Tidak 21 Sean Medan Body Jam kamis Pagi Female Ya 22 Sean Medan Body Jam kamis Malam Female Ya 23 Sean Medan body pump kamis Malam Female Tidak 24 Sean Medan Cx Worx jumat Pagi Female Tidak 25 Sean Medan Sh Bam jumat Pagi Female Ya 26 Sean Medan zumba sabtu Pagi Female Ya 27 Muis Medan TRX Senin Pagi Male Ya 28 Anggie Jakarta Body Combat Senin Pagi female Ya 29 Anggie Jakarta Cx Worx rabu Malam female Ya 30 Anggie Jakarta Body Combat rabu Malam female Ya 31 Andreas Jakarta Cx Worx Senin Siang Male Tidak 32 Hendratno Cahyo Jakarta Fat Loss Senin Pagi Male Ya 33 Hendratno Cahyo Jakarta Weight Gain Selasa Siang Male Tidak 34 Hendratno Cahyo Jakarta Fungtional Training Selasa Pagi Male Tidak 35 Hendratno Cahyo Jakarta Circuit Training Kamis Sore Male Ya Sumber : dan New Life Gym ( Lippo Plasa, L4) 59

9 Langkah 1: Menghitung nilai entropy dan nilai gain Lakukan perhitungan untuk jumlah kasus keseluruhan yang ada, jumlah kasus untuk Rekomendasi Ya dan juga jumlah kasus untuk Rekomendasi Tidak. Kemudian lakukan perhitungan untuk mencari nilai Entropy dari setiap nilai atribut dan nilai Gain untuk setiap atribut Jumlah kasus : 35 Jumlah kasus dengan Rekomendasi Ya : 21 Jumlah kasus dengan Rekomendasi Tidak: 14 Hitung nilai entropy dari total kasus : Entropy (S) = (-(21/35) x log2(21/35)-(-(14/35) x log2(14/35)) = 0, Hitung Nilai Entropy pada setiap atribut Entropy(Lokasi=Medan) = (-(16/27 x log2(16/27)-(-(11/27) x log2(11/27)) Entropy(Lokasi=Jakarta) = (-(5/8) x log2(5/8)-(-(3/8) x log2(3/8)) Entropy(Speciality=Cx Worx) = (-(5/7) x log2(5/7)-(-(2/7) x log2(2/7)) Entropy(Speciality=Body Combat) = (-(3/6) x log2(3/6)-(-(3/6) x log2(3/6)) Entropy(Hari=Senin) = (-(6/10) x log2(6/10)-(-(4/10) x log2(4/10)) Entropy(Hari=Selasa) = (-(2/6) x log2(2/6)-(-(4/6) x log2(4/6)) Entropy(Waktu=Pagi) = (-(10/18) x log2(10/18)-(-(8/18) x log2(8/18)) Entropy(Gender=Female) = (-(8/14) x log2(8/14)-(-(6/14) x log2(6/14)) Dan seterusnya lakukan perhitungan untuk mencari nilai gain dari setiap atribut. Gain(Lokasi) = 0, ((27/35 X 0, )+(8/35 X 0, )) Gain(Speciality) = 0, ((7/35 X 0, )+(6/35 X 1)+(1/35 X 0)+(1/35 X 0)+(5/35 X 0, )+(4/35 X 0, )+(1/35 X 0)+(3/35 X 0, )+(1/35 X 0)+(1/35 X 0)+(1/35 X 0)+(1/35 X 0)+(1/35 X 0)++(2/35 X 1)) Gain(Hari) = 0, ((10/35 X 0, )+(6/35 X 0, )+(7/35 X 0, )+(6/35 X 0, )+(4/35 X 0, )+(2/35 X 0)) Gain(Waktu) = 0, ((18/35 X 0, )+(2/35 X 0)+(5/35 X 0)+(10/35 X 0, )) Gain (Gender) = 0, ((21/35 X 0, )+(14/35 X 0, )) Langkah 2 : Menentukan Node Akar Dari hasil perhitungan tabel diatas, diketahui bahwa nilai Gain terbesar yaitu pada atribut waktu yaitu sebesar 0, Sehingga atribut Waktu menjadi node akar. Pada atribut Waktu terdapat 4 nilai atribut, yaitu pagi, siang, sore, malam. Nilai atribut Siang sudah mengklasifikasikan kasus menjadi 1 yaitu dengan Rekomendasi No, sehingga tidak perlu dilakukan perhitungan lebih lanjut dan Nilai atribut sore sudah mengklasifikasikan kasus menjadi 1 yaitu dengan Rekomendasi Ya, sehingga tidak perlu dilakukan perhitungan lebih lanjut. 60

10 Sedangkan nilai atribut pagi dan malam belum mengklasifikasikan kasus menjadi satu keputusan sehingga perlu dilakukan perhitungan lagi Dari proses tersebut maka dapat dihasilkan pohon sementara seperti berikut ini : Gambar Pohon Keputusan Node Akar Langkah 3 : Mencari Node Cabang Node 1.1 : Jumlah kasus dengan Waktu = Pagi : 18 Jumlah kasus dengan Waktu = Pagi, yang rekomendasi "Ya" : 10 Jumlah kasus dengan Waktu = Pagi, yang rekomendasi "Tidak" : 8 Hitung nilai entropy dari total kasus : Entropy(S) = (-(10/18) x Log2(10/18)+(-(8/18) x Log2(8/18))) = 0, Dari hasil perhitungan, diketahui bahwa nilai Gain terbesar yaitu pada atribut Hari yaitu sebesar 0, Sehingga atribut Hari menjadi node cabang dari nilai atribut Pagi. Dari proses tersebut maka dapat dihasilkan pohon sementara seperti berikut ini. Gambar. Pohon Keputusan Node 1.1 Kemudian lakukan juga perhitungan untuk mencari node cabang dari nilai atribut Malam. Node 1.4 : Jumlah kasus dengan Waktu = Malam :10 Jumlah kasus dengan waktu = malam yang Rekomendasi "Ya" :6 Jumlah kasus dengan waktu = malam yang Rekomendasi "Tidak" :4 61

11 Hitung nilai entropy dari total kasus : Entropy(S) = (-(6/10) x Log2(6/10)+(-(4/10) x Log2(4/10))) =0, Dari hasil perhitungan, diketahui bahwa nilai Gain terbesar yaitu pada atribut Speciality yaitu sebesar 0, Sehingga atribut Speciality menjadi node cabang dari nilai atribut Malam. Dari proses tersebut maka dapat dihasilkan pohon sementara seperti berikut ini. Gambar Pohon Keputusan Node 1.4 Lakukan perhitungan untuk mencari node cabang dari nilai atribut Hari= Senin. Perhitungan Node : Jumlah kasus dengan Waktu = Pagi dan Hari = Senin :7 Jumlah kasus dengan Waktu = Pagi dan Hari = Senin, yang Rekomendasi "Ya" :5 Jumlah kasus dengan Waktu = Pagi dan Hari = Senin, yang Rekomendasi "Tidak:2 Hitung nilai entropy dari total kasus : Entropy(S) = (-(6/10) x Log2(6/10)+(-(4/10) x Log2(4/10))) = 0, Dari hasil perhitungan, diketahui bahwa nilai Gain terbesar yaitu pada atribut Lokasi yaitu sebesar 0, Sehingga atribut Lokasi menjadi node cabang dari nilai atribut Senin. Lakukan perhitungan untuk mencari node cabang dari nilai atribut Hari= Kamis. Perhitungan dilakukan dengan mencari nilai dari atribut selain yang menjadi node akar (Waktu) dan node cabang (Hari), yaitu dengan mencari jumlah kasus untuk Rekomendasi "Ya" dan "Tidak, Node : Jumlah kasus dengan Waktu = Pagi dan Hari = Kamis : 3 Jumlah kasus dengan Waktu = Pagi dan Hari = Kamis, yang rekomendasi "Ya": 2 Jumlah kasus dengan Waktu = Pagi dan Hari = Kamis, yang Rekomendasi "Tidak":1 Hitung nilai entropy dari total kasus : Entropy(S) = (-(6/10) x Log2(6/10)+(-(4/10) x Log2(4/10))) =0, Dari hasil perhitungan, diketahui bahwa nilai Gain terbesar yaitu sebesar 0, , karena ada beberapa atribut yang sama-sama memiliki nilai gain terbesar, maka dipilih salah satu atribut yaitu pada atribut Gender. Sehingga atribut Gender menjadi node cabang dari nilai atribut Hari=Kamis. 62

12 Dari proses tersebut maka dapat dihasilkan pohon sementara seperti berikut ini. Gambar Pohon Keputusan Node Kriteria yang direkomendasikan berdasarkan pohon keputusan Interative Dichotomizer Three (ID3). Tabel Kriteria Hasil Pohon Keputusan Lokasi Speciality Hari Waktu Gender Medan Cx Worx Jumat Sore Male Jakarta Shape Sabtu Female Body Pump Body Jam Hasil Rekomendasi berdasarkan perhitungan Interative Dichotomizer Three (ID3) Tabel Hasil Rekomendasi ID3 No Nama Lokasi Speciality Hari Waktu Gender Rekomendasi 13 Herry Medan Cx Worx Jumat Sore Male Ya Kesimpulan Berdasarkan penerapan Algoritma Iterative Dichotomizer Three (ID3) pada sistem rekomendasi personal trainer, maka dapat diperoleh kesimpulan sebagai berikut: 1. Algoritma ID3 sangat tepat digunakan pada Rekomendasi Personal Trainer, dapat dilihat dari hasil pembahasan yang menunjukkan hasil yang mendekati (sesuai) dengan kebutuhan pengguna 2. Aplikasi ini mudah digunakan dan pengguna dapat memilih personal trainer sesuai dengan kriteria yang dibutuhkan 3. Aplikasi ini dapat menambah lowongan pekerjaan kepada orang yang memiliki kemampuan untuk menjadi personal trainer Daftar Pustaka [1] What is A Personal Trainer. (2018). Retrieved Maret 20, 2018, from PersonalTrainerLand.com: wledge-base/what-is-a-personaltrainer/ [2] 015/05/29/ /Ini.Alasan.Or ang.malas.olahraga.di.pusat.kebuga ran [3] Quinlan, J. (1986). Induction of Decision trees. Machine Learning, 63

13 Volume 1, Pages Retrieved Maret 12, 2018, from /quinlan.pdf [4] Pengertian Rekomendasi dan Contohnya. (n.d.). Retrieved Maret 18, 2018, from DefenisiMenurutParaAhli.com: [5] Prasetyo, E. (2012). Data Mining Mengelola Data menjadi Informasi menggunakan Matlab. Yogyakarta: CV.Andi Offset. [6] Quinlan, J. (1986). Induction of Decision trees. Machine Learning, Volume 1, Pages Retrieved Maret 12, 2018, from /quinlan.pdf [7] Vatta, R. B. (2013). Implementation of ID3 Algorithm. International Journal of Advanced Research in Computer Science and Software Engineering, Volume 3, Pages Retrieved Maret 7, 2018, from 7lqlfpphgt/id3bos.pdf?dl=0 64