IMPLEMENTASI DECISION TREE UNTUK MEMPREDIKSI JUMLAH MAHASISWA PENGAMBIL MATAKULIAH DENGAN MENGGUNAKAN STUDI KASUS DI JURUSAN TEKNIK INFORMATIKA ITS

Transkripsi

1 IPLEENTASI DECISION TREE UNTUK EPREDIKSI JULAH AHASISWA PENGABIL ATAKULIAH DENGAN ENGGUNAKAN STUDI KASUS DI JURUSAN TEKNIK INFORATIKA ITS Romauli anullang

2 Latar Belakang Pembuatan jadwal pada Jurusan Teknik lnformatika ITS harus dilakukan pada setiap pergantian semester. Pembuatan jadwal ini membutuhkan waktu, tenaga dan ketelitian. Adanya kesulitan untuk menentukan jumlah mahasiswa yang mengambil matakuliah tertentu pada tiap semester. 3

3 Perumusan asalah Bagaimana melakukan prediksi jumlah mahasiswa, yang mengambil matakuliah tertentu menggunakan pendekatan metode klasifikasi dalam decision tree? Bagaimana menentukan metode decision tree yang tepat berdasarkan karakteristik data? Bagaimana membangun rule pengklasifikasian prediksi jumlah mahasiswa pengambil matakuliah? Bagaimana mngimplementasikan metode klasifikasi decision tree? Bagaimana melakukan uji coba decision tree tersebut ke dalam atlab. 4

4 Tujuan embuat implementasi decision tree untuk memprediksi jumlah mahasiswa pengambil matakuliah dengan menggunakan studi kasus di Jurusan Teknik Informatika ITS. 5

5 Batasan asalah Data yang diambil dari Sistem Informasi Akademik ITS telah benar. Studi kasus yang digunakan adalah Jurusan Teknik Informatika ITS Surabaya. embatasi nilai mahasiswa yang mengulang matakuliah yang memiliki nilai sebelumnya BC dan C. etode decision tree yang digunakan adalah C4.5 Implementasi dibuat dengan menggunakan atlab

6 Algoritma C4.5 Secara umum Algoritma C4.5 membangun pohon keputusan: a. Pilih atribut sebagai root. b. Buat cabang untuk masing-masing nilai. c. Bagi kasus dalam cabang. d. Ulangi proses untuk masing-masing cabang sampai semua kasus pada cabang memiliki kelas yang sama. 9

7 Information Gain Atribut A (Gain(a)) Untuk memilih atribut sebagai akar, didasarkan pada nilai gain tertinggi dari atribut-atribut yang ada. Dengan: S : Himpunan Kasus A : Atribut n : Jumlah partisi atribut A S i : Jumlah Kasus pada partisi ke i S : Jumlah kasus dalam S 10

8 Entropy (Teori Informasi) Kebutuhan bit untuk menyatakan suatu kelas. Semakin kecil nilai Entropy maka semakin baik untuk digunakan dalam mengekstraksi suatu kelas. Dengan: S : Himpunan Kasus n : Jumlah partisi S p : Proporsi dari S i terhadap S 11

9 Algoritma Alpha Beta Alpha-beta pruning adalah algoritma pencarian yang mengurangi secara drastis jumlah simpul yang dibangkitkan untuk dievaluasi pada pohon pencarian yang dieksplorasi dalam algoritma inimax. Simpul IN akan dianggap sebagai simpul dengan urutan nilai dari rendah ke tinggi, dan simpul AX dari tinggi ke rendah. 12

10 Perancangan Blok Diagram Sistem Informasi Akademik Pengambil atakuliah 13

11 Diagram Alir Desain Sistem Secara Umum ulai Data Analisa Pengambil atakuliah Y Decision Tree dengan Prioritas pengambil atakuliah T Decision Tree dengan Pengambil atakuliah Decision Tree dengan Pengambil atakuliah Solusi Prediksi Pengambil atakuliah Selesai 14

12 Data Rule Decision Tree No. Nama Data Keterangan 1. Id ID untuk tiap kondisi. 2. Parent ID ID yang mewarisi kondisi. 3. Level Level tiap kondisi dalam tree. 4. Atribut Atribut yang ditunjuk oleh level. 5. Kondisi Nilai atribut yang ditunjuk oleh atribut. 16

13 Implementasi embaca file xls (read file xls). Inisialisasi kolom file xls. Filter, digunakan untuk mengklasifikasi data maka sesuai dengan atribut. Get data entropy, menghitung nilai entropy dari data xls pada setiap kategori. Get total entropy, menghitung nilai entropy total setiap atribut. Calculate max gain, menghitung nilai gain dari setiap atribut berdasarkan nilai entropy dari kategori dan mencari nilai maksimal dari nilai gain. Get child node, sama tapi memanggil eliminate_category yang berfungsi membuang kategori parent (parent sebelumnya tidak anggap). 18

14 Pruning 1. emeriksa node tiap level, dimulai level terdalam. 2. Pada tiap level mengelompokkan node sesuai parent nodenya. 3. Pada setiap kelompok, diperiksa apakah memiliki value yg sama (mengulang/tidak mengulang) 4. Bila sama maka parent kelompok tersebut diubah node nya menjadi value, lalu node kelompok tersebut dipotong (pruning) 5. Bila berbeda maka dilanjut ke kelompok selanjutnya. 19

15 Uji Coba dan Evaluasi Data Uji Coba Data hasil analisa dari faktor-faktor yang mendukung mahasiswa pengambil matakuliah setiap semester yang diperoleh dari Sistem Informasi Akademik jurusan Teknik Informatika ITS Surabaya. 20

16 UJI COBA SKENARIO 1 Berdasarkan pemilihan atribut Nilai, Jenis Kelamin, Angkatan, Tahun Lahir, Semester dan Umur dari mahasiswa pengambil matakuliah 23

17 ALJABAR LINEAR TAHUN 2007 Berdasarkan pemilihan atribut Nilai, Jenis Kelamin, Tahun Lahir, Angkatan, IPK, dan Semester. Node Parent Label Level Type Atribut 1 NULL 'NILAI' 0 1 'NULL' 2 1 'TDK ENGULANG' 1 0 'A-B' 3 1 'KELAIN' 1 1 'BC-C' 4 3 'IPK' 2 1 'L' 5 4 'LAHIR' 3 1 '2-2.9' 6 5 'ENGULANG' 4 0 ' ' 7 5 'ENGULANG' 4 0 ' ' 8 5 'ANGKATAN' 4 1 ' ' 9 8 'SEESTER' 5 1 '2007' 10 9 'TDK ENGULANG' 6 0 'Ganjil' 11 9 'ENGULANG' 6 0 'Genap' 12 9 'ENGULANG' 5 0 '2008' 13 9 'ENGULANG' 5 0 '2009' 14 4 'TDK ENGULANG' 3 0 '3-4' 15 3 'LAHIR' 2 1 'P' 'ENGULANG' 3 0 ' ' 'ENGULANG' 3 0 ' ' 'ANGKATAN' 3 1 ' ' 'SEESTER' 4 1 '2007' 'IPK' 5 1 'Ganjil' 'ENGULANG' 6 0 '2-2.9' 'TDK ENGULANG' 6 0 '3-4' 'ENGULANG' 5 0 'Genap' 'ENGULANG' 4 0 '2008' 'ENGULANG' 4 0 '2009' 26 1 'ENGULANG' 1 0 'D-E' 24

18 Bentuk Tree Uji Aljabar Linear

19 NodePENGENALAN Parent Label POLA Level Type TAHUN Atribut NULL 'ANGKATAN' 0 1 'NULL' 2 1 'NILAI' 1 1 '2007' 3 2 'ENGULANG' 2 0 'A-B' 4 2 'IPK' 2 1 'BC-C' 5 4 'KELAIN' 3 1 '2-2.9' 6 5 'LAHIR' 4 1 'L' 7 6 'ENGULANG' 5 0 ' ' 8 6 'ENGULANG' 5 0 ' ' 9 6 'SEESTER' 5 1 ' ' 10 9 'ENGULANG' 6 0 'Ganjil' 11 9 'TDK ENGULANG' 6 0 'Genap' 12 5 'ENGULANG' 4 0 'P' 13 4 'TDK ENGULANG' 3 0 '3-4' 14 2 'ENGULANG' 2 0 'D-E' 15 1 'LAHIR' 1 1 '2008' 'ENGULANG' 2 0 ' ' 'ENGULANG' 2 0 ' ' 'IPK' 2 1 ' ' 'ENGULANG' 3 0 '2-2.9' 'KELAIN' 3 1 '3-4' 'SEESTER' 4 1 'L' 'ENGULANG' 5 0 'Ganjil' 'NILAI' 5 1 'Genap' 'TDK ENGULANG' 6 0 'A-B' 'TDK ENGULANG' 6 0 'BC-C' 'ENGULANG' 6 0 'D-E' 'ENGULANG' 4 0 'P' 28 1 'ENGULANG' 1 0 '2009' 26

20 Bentuk Tree Uji Pengenalan Pola A n g k a t a n N i la i L a h i r A - B B C - C D - E I P K I P K K e la m in T K e la m in L P L P L a h i r T S e m e s t e r A n g k a t a n G a n ji l G e n a p S e m e s t e r N il a i G a n j il G e n a p A - B B C - C D - E T T T 27

21 UJI COBA SKENARIO 2 Berdasarkan pemilihan atribut Nilai, Angkatan, Selisih tahun Prediksi, Penghasilan orangtua, IPS dan Umur dari mahasiswa pengambil matakuliah 28

22 ALJABAR LINEAR TAHUN 2007 Node Parent Label Level Type Atribut 1 'NULL' 'NILAI' 0 1 'NULL' 2 1 'UUR' 1 1 'BC' 3 2 'TDK ENGULANG' 2 0 '18-19' 4 2 'IPS' 2 1 '20-21' 5 4 'TDK ENGULANG' 3 0 '0-2.00' 6 4 'PENGHASILAN' 3 1 ' ' 7 6 'ENGULANG' 4 0 '>= ' 8 6 'ANGKATAN' 4 1 ' ' 9 8 'TDK ENGULANG' 5 0 '2004' 10 8 'SELISIH' 5 1 '2005' 'ENGULANG' 6 0 ' ' 'TDK ENGULANG' 6 0 ' ' 13 8 'ENGULANG' 5 0 '2006' 14 8 'ENGULANG' 5 0 '2007' 15 6 'TDK ENGULANG' 4 0 '<= ' 16 4 'SELISIH' 3 1 ' ' 'PENGHASILAN' 4 1 ' ' 'ENGULANG' 5 0 '>= ' 'TDK ENGULANG' 5 0 ' ' 'ANGKATAN' 5 1 '<= ' 'TDK ENGULANG' 6 0 '2004' 'ENGULANG' 6 0 '2005' 'ENGULANG' 6 0 '2006' 'ENGULANG' 6 0 '2007' 'TDK ENGULANG' 4 0 ' ' 26 2 'TDK ENGULANG' 2 0 '22-23' 27 1 'PENGHASILAN' 1 1 'C' 'UUR' 2 1 '>= ' 'ENGULANG' 3 0 '18-19' 'ENGULANG' 3 0 '20-21' 'TDK ENGULANG' 3 0 '22-23' 'UUR' 2 1 ' ' 'TDK ENGULANG' 3 0 '18-19' 'IPS' 3 1 '20-21' 'ENGULANG' 4 0 '0-2.00' 'TDK ENGULANG' 4 0 ' ' 'ANGKATAN' 4 1 ' ' 'TDK ENGULANG' 5 0 '2004' 'SELISIH' 5 1 '2005' 'ENGULANG' 6 0 ' ' 'TDK ENGULANG' 6 0 ' ' 'ENGULANG' 5 0 '2006' 'ENGULANG' 5 0 '2007' 'SELISIH' 3 1 '22-23' 'ANGKATAN' 4 1 ' ' 'IPS' 5 1 '2004' 'ENGULANG' 6 0 '0-2.00' 'TDK ENGULANG' 6 0 ' ' 'ENGULANG' 6 0 ' ' 'ENGULANG' 5 0 '2005' 'ENGULANG' 5 0 '2006' 'ENGULANG' 5 0 '2007' 'TDK ENGULANG' 4 0 ' ' 'TDK ENGULANG' 2 0 '<= ' 29

23 Bentuk Tree Aljabar linier tahun 2007 NILAI BC C Umur Hasil <=1jt 1jt-5jt >=5jt T IPS T T Umur Umur T Hasil Selisih T IPS Selisih T >=5jt 1jt-5jt <=1jt Angka tan T T Hasil T Angka tan T Angka tan T Selisih >=5jt 1jt-5jt T >=1jt Angk atan T Selisih IPS T T T 30

24 Tree Sebelum Dipruning Pengenalan Pola tahun 2007 Nod e Paren t Label Level Typ e Atribut 1 'NULL' 'PENGHASILAN' 0 1 'NULL' 2 1 'UUR' 1 1 '>= ' 3 2 'ENGULANG' 2 0 '18-19' 4 2 'ENGULANG' 2 0 '20-21' 5 2 'ENGULANG' 2 0 '22-23' 6 2 'TDK ENGULANG' 2 0 '24-25' 7 1 'TDK ENGULANG' 1 0 ' ' 8 1 'TDK ENGULANG' 1 0 '<= ' 31

25 Tree Setelah Dipruning Node Parent Label Level Type Atribut 1 'NULL' 'PENGHASILAN' 0 1 'NULL' 2 1 'ENGULANG' 1 0 '>= ' 7 1 'TDK ENGULANG' 1 0 ' ' 8 1 'TDK ENGULANG' 1 0 '<= ' 32

26 Bentuk Tree Pada Uji Coba Skenario 3 Uji coba yang dilakukan pada skenario 3 ini adalah berdasarkan pemilihan atribut Nilai, Selisih tahun Prediksi, Angkatan, IPS dan Umur dari mahasiswa pengambil matakuliah. 33

27 ALJABAR LINEAR TAHUN 2007 Node Parent Label Level Type Atribut 1 'NULL' 'NILAI' 0 1 'NULL' 2 1 'UUR' 1 1 'BC' 3 2 'TDK ENGULANG' 2 0 '18-19' 4 2 'IPS' 2 1 '20-21' 5 4 'TDK ENGULANG' 3 0 '0-2.00' 6 4 'ANGKATAN' 3 1 ' ' 7 6 'TDK ENGULANG' 4 0 '2004' 8 6 'SELISIH' 4 1 '2005' 9 6 'ENGULANG' 4 0 '2006' 10 6 'ENGULANG' 4 0 '2007' 11 4 'SELISIH' 3 1 ' ' 'ANGKATAN' 4 1 ' ' 'TDK ENGULANG' 4 0 ' ' 14 2 'TDK ENGULANG' 2 0 '22-23' 15 2 'ENGULANG' 2 0 '24-25' 16 1 'SELISIH' 1 1 'C' 'IPS' 2 1 ' ' 'ENGULANG' 3 0 '0-2.00' 'UUR' 3 1 ' ' 'ENGULANG' 4 0 '18-19' 'ANGKATAN' 4 1 '20-21' 'ANGKATAN' 4 1 '22-23' 'ENGULANG' 4 0 '24-25' 'ANGKATAN' 3 1 ' ' 'UUR' 4 1 '2004' 'ENGULANG' 4 0 '2005' 'ENGULANG' 4 0 '2006' 'ENGULANG' 4 0 '2007' 'IPS' 2 1 ' ' 'TDK ENGULANG' 3 0 '0-2.00' 'TDK ENGULANG' 3 0 ' ' 'ANGKATAN' 3 1 ' ' 'TDK ENGULANG' 4 0 '2004' 'UUR' 4 1 '2005' 'ENGULANG' 4 0 '2006' 'ENGULANG' 4 0 '2007' 34

28 Bentuk Tree Aljabar linier tahun

29 PENGENALAN POLA TAHUN 2007 Node Parent Label Level Type Atribut 1 'NULL' 'IPS' 0 1 'NULL' 2 1 'TDK ENGULANG' 1 0 '0-2.00' 3 1 'TDK ENGULANG' 1 0 ' ' 4 1 'NILAI' 1 1 ' ' 5 4 'TDK ENGULANG' 2 0 'BC' 6 4 'UUR' 2 1 'C' 7 6 'ENGULANG' 3 0 '18-19' 8 6 'ENGULANG' 3 0 '20-21' 9 6 'ANGKATAN' 3 1 '22-23' 10 9 'ENGULANG' 4 0 '2004' 11 9 'ENGULANG' 4 0 '2005' 12 9 'SELISIH' 4 1 '2006' 13 9 'ENGULANG' 4 0 '2007' 14 6 'TDK ENGULANG' 3 0 '24-25' 36

30 Bentuk Tree Pengenalan Pola tahun

31 Uji Coba Skenario 1 Ringkasan untuk uji coba sebelum dan setelah tree dipruning berdasarkan pemilihan atribut. Beberapa atribut yang dipilih untuk uji coba yaitu Nilai, Jenis Kelamin, Lahir, IPK, Angkatan dan Semester. atakuliah Jumlah Data engulang Sebenarnya Prediksi engulang Selisih Error (e) Aljabar Linear % Aljabar Linear ,3% Pengenalan Pola % Pengenalan Pola % Rata-rata 58,33% 38

32 Uji Coba Skenario 2 Ringkasan untuk uji coba sebelum tree dipruning berdasarkan pemilihan atribut. Beberapa atribut yang dipilih untuk uji coba yaitu Nilai, Selisih, Hasil, IPS, Angkatan dan Umur sebelum tree dipruning. atakuliah Jumlah engulang Prediksi Selisih Error (e) Data Sebenarnya engulang Aljabar Linear ,5% Aljabar Linear ,3% Pengenalan Pola % Pengenalan Pola % Rata-rata 61,45% 39

33 Setelah tree dipruning atakuliah Jumlah Data engulang Sebenarnya Prediksi engulang Selisih Error (e) Aljabar Linear ,5% Aljabar Linear ,6% Pengenalan Pola % Pengenalan Pola % Rata-rata 63,5% 40

34 Uji Coba Skenario 3 Ringkasan untuk uji coba berdasarkan pemilihan atribut sebelum dan setelah tree dipruning. Beberapa atribut yang dipilih untuk uji coba yaitu Nilai, Selisih, Angkatan, IPS dan Umur. Hasil tree sebelum dipruning. atakuliah Jumlah Data engulang Sebenarnya Prediksi engulang Selisih Error (e) Aljabar Linear % Aljabar Linear % Pengenalan Pola % 2007 Pengenalan Pola % 2008 Rata-rata 112,5% 41

35 Kesimpulan Implementasi ini dapat digunakan untuk membangun Decision tree sesuai data training. Implementasi ini dapat digunakan untuk mengetahui jumlah mahasiswa pengambil matakuliah. Decision tree yang digunakan menggunakan metode C4.5, namun dalam implementasinya, pembuatan decision tree dilakukan semi-manual karena terdapat missing value. 42

36 Uji coba berdasarkan pemilihan atribut nilai, jenis kelamin, lahir, IPK, angkatan dan semester diperoleh nilai error sebelum dan setelah tree di pruning untuk matakuliah Aljabar Linear 2007 adalah 50%, Aljabar Linear 2008 adalah 133,3%, Pengenalan Pola 2007 adalah 0% dan Pengenalan Pola 2008 adalah 50%. Nilai rata-rata error sebelum dan setelah pruning untuk memprediksi jumlah mahasiswa pengambil matakuliah dengan pemilihan atribut Nilai, Jenis Kelamin, Lahir, IPK, Angkatan dan Semester sebelum dan setelah tree di pruning adalah 58,33% untuk 4 data uji coba yaitu matakuliah Aljabar Linear 2007, Aljabar Linear 2008, Pengenalan Pola 2007 dan Pengenalan Pola

37 Uji coba berdasarkan pemilihan atribut nilai, umur, penghaslan orangtua, selisih tahun prediksi dengan pengambilan, ips, dan angkatan diperoleh nilai error sebelum tree di pruning untuk matakuliah Aljabar Linear 2007 adalah 12,5%, Aljabar Linear 2008 adalah 83,3%, Pengenalan Pola 2007 adalah 50% dan Pengenalan Pola 2008 adalah 100% dan setelah tree di pruning untuk matakuliah Aljabar Linear 2007 adalah 137,5%, Aljabar Linear 2008 adalah 66,6%, Pengenalan Pola 2007 adalah 50% dan Pengenalan Pola 2008 adalah 0%. Nilai rata-rata error untuk memprediksi jumlah mahasiswa pengambil matakuliah dengan pemilihan atribut nilai, umur, selisih tahun prediksi dengan pengambilan, penghasilan orangtua, ips, dan angkatan sebelum proses tree dipruning sebelum adalah 61,45% dan setelah tree dipruning adalah 63,5% untuk 4 data uji coba yaitu pada matakuliah Aljabar Linear 2007, Aljabar Linear 2008, Pengenalan Pola 2007 dan Pengenalan Pola

38 Uji coba berdasarkan pemilihan atribut nilai, umur, selisih tahun prediksi dengan pengambilan, ips, dan angkatan diperoleh nilai error sebelum dan setelah tree di pruning untuk matakuliah Aljabar Linear 2007 adalah 100%, Aljabar Linear 2008 adalah 150%, Pengenalan Pola 2007 adalah 0% dan Pengenalan Pola 2008 adalah 200%. Nilai rata-rata error untuk memprediksi jumlah mahasiswa pengambil matakuliah dengan pemilihan atribut nilai, umur, selisih tahun prediksi dengan pengambilan, ips, dan angkatan sebelum dan setelah proses tree di pruning adalah 112,5% untuk 4 data uji coba yaitu pada matakuliah Aljabar Linear 2007, Aljabar Linear 2008, Pengenalan Pola 2007 dan Pengenalan Pola

39 Saran Hendaknya untuk pengembangan lebih lanjut, harap memperhatikan kelengkapan data faktor-faktor yang lain yang lebih baik agar hasil yang didapat semakin baik. etode decision tree yang digunakan sebaiknya mampu mengatasi keberadaan missing value. elakukan uji coba terbatas pada enam matakuliah saja dengan rentang tahun antara 2007 sampai Untuk pengembangan lebih lanjut diharapkan dapat melakukan uji coba pada semua matakuliah yang ada, sehingga hasilnya dapat digunakan untuk menentukan prediksi semua matakuliah yang ada 46

40 Terima kasih 47