Pengolahan Data. Algoritma C4.5 Menghitung entropi : Data Training (75%) = 220 data Data Testing (25%) = 73 data

Transkripsi

1 Algoritma C4.5 Menghitung entropi : engolahan Data Data Training (75%) = 220 data Data Testing (25%) = 73 data Entropi (y) = -p 1 log 2 p 1 p 2 log 2 p 2... p n log 2 p n Entropi IK -28/220*OG 2 (28/220)-156/220*OG 2 (156/220)-36/220*OG 2 (36/220) = Menghitung Information Gain : gain (y,a) = entropi (y) - Information Gain : (101/220)* (119/220)* = Node Awal

2 engolahan Data MDK MDK 3 Data S1 Kerjasama 6 Data S1 Kerjasama Timur variabel gain jenis kelamin Gaji Timur kelamin Gaji Bidik Misi 10 Data Bidik Misi Timur variabel Gain jenis kelamin Gaji Timur Gaji

3 62 Data KM Mandiri KM Kemitraan KM Kemitraan 37 Data KM Mandiri rendah Gaji Sedang Tinggi Timur uar Timur rendah Gaji Sedang uar tinggi kurang variabel gain jenis kelamin Gaji daerah Timur DKI & JABAR uar jenis kelamin gaji variabel gain jenis kelamin Gaji daerah Timur DKI & JABAR uar jenis kelamin gaji

4 SBMTN SBMTN 102 Data variabel gain Timur uar jenis kelamin Gaji Tengah Gaji Rendah Sedang Tinggi Timur Tengah DKI & JABAR uar jenis kelamin gaji

5 erhitungan Akurasi : Software Matlab Data Training (75%) = 220 data Data Testing (25%) = 73 data Tingkat error rata-rata = 42,01%

6 Analisis & Interpretasi Variabel yang paling berpengaruh adalah jalur masuk Semakin tinggi jumlah data & beragam data, tree semakin kompleks. enentuan data training & data testing sangat berpengaruh terhadap error Tingginya error disebabkan data memiliki penyebaran yang tinggi

7 Kesimpulan : 1. Kelompok mahasiswa berdasarkan IK terdiri dari 3 kelas yaitu kurang, cukup, dan baik. Variabel yang dipertimbangkan dalam perhitungan yaitu jenis kelamin, jalur masuk,asal daerah, dan gaji orang tua. 2. Variabel yang paling berpengaruh terhadap nilai IK mahasiswa Teknik Industri ITS adalah jalur masuk, kedua yaitu asal daerah. Kemudian untuk jenis kelamin dan gaji orang tua sama besar pengaruhnya. 3. erhitungan decision tree algoritma c4.5 mampu mengelompokkan data ke dalam kategori yang telah ditentukan. 4. Decision rule yang dihasilkan memiliki tingkat error rata-rata sebesar Saran : 1. erlu dilakukan perbandingan beberapa metode klasifikasi di samping untuk mengetahui tingkat akurasi dari metode klasifikasi tersebut. 2. Data mining memiliki cakupan dalam berbagai bidang, sehingga perlu dilakukan penelitian dengan metode data mining untuk bidang yang lain

8 Daftar ustaka Han, J., & Kamber, M. (2006). Data Mining: Concepts and Techniques. San Fransisco: Morgan Kaufman ublisher Kumar, B., & al, S. (2011). Data mining: A prediction for performance improving using classification. IJCSIS, vol 9 Ridwan, M., Suyono, H., & M.Sarosa. (2013). enerapan Data Mining Untuk Evaluasi Kinerja Akademik Mahasiswa Menggunakan Algoritma Naive Bayes Classifier. Jurnal EECCIS, vol 7 Santosa, B. (2007). Data Mining: Teknik emanfaatan Data untuk Keperluan Bisnis. Yogyakarta: Graha Ilmu Sembiring, S., M.Zarlis, H, D., S, R., & Wani, E. (2011). rediction of student academic performance by an application of data mining technique. IEDR, vol 6 Sumathi, D. S., & S.N.Sivanandan, D. (2006). Introduction to Data Mining and its applications. Verlag Berlin Heidelberg: Springer Sunjana. (2010). Aplikasi Mining Data Mahasiswa Dengan Metode Klasifikasi Decision tree. ISSN: T.arose, D. (2005). DISCOVERY KNOWEDGE IN DATA : An Introduction to Data Mining. New Jersey: John Wiley & Sons, Inc Alfina, T. (2012). Analisa erbandingan Metode Hierarchical Clustering, K-Means dan Gabungan Keduanya Dalam Membentuk Cluster Data. : Institut Teknologi Sepuluh Nopember.