Pohon Keputusan

Pembuatan Decision Tree Dengan Menggunakan Algoritma C4.5

Pada tabel di atas menunukan 14 instance yang tersimpan dalam database dengan 5 attribut yaitu (outlook, temperature, humidity, wind, play). Setiap instance pada tabel tersebut menggambarkan kondisi dari cuacah pada suatu hari dan aksi yang dilakukan orang yang akan bermain tennis (bermain atau tidak bermain tennis).

Untuk mendapatkan root element kita harus menghitung instance yaitu pertama instance dengan value Yes dan No pada attribute Play lalu Entropy dari semua instance yang dibagi berdasarkan attribute OUTLOOK, TEMPERATURE, HUMIDITY, dan WINDY.

Jika kita menganalisa tabel di atas berdasarkan value di attribute play maka yang dipilih yaitu outlook karna memiliki ketidakpastian terbesar. Karna untuk mendapatkan root element yang harus memiliki entrophy terbesar.

Setelah itu melakukan perhitungan pada setiap pasangan kombinasi yang mungkin terjadi.

Entrophy(s) adalah entrophy of classificatory dari Play yang dimana ada 14 instance dalam dataset yang ada 10x (10+) keputusan yes untuk play tennis dan 4x (4-) keputusan untuk not to play tennis.

Dari hasil yang telah dihitung maka dapat diketahui atribut dengan gain tertinggi adalah humidity yaitu sebesar 0,37 sehingga humidity dapat menjadi root element dan ada dua nilai atribut dari humidity yaitu high dan normal. Pada atribut humidity terdapat 2 value yaitu high dan normal, dari kedua value tersebut pada value normal sudah mengklasifikasi kasus menjadi 1 yaitu keputusan Yes, sehingga tidak perlu dilakukan perhitungan lebih lanjut tetapi pada value high masih perlu di dilakukan perhitungan lagi.

Menghitung jumlah kasus, jumlah kasus untuk keputusan Yes, jumlah kasus untuk keputusan No. Entropy dari semua kasus dan kasus yang dibagi berdasarkan atribut OUTLOOK, TEMPERATURE dan WINDY, yang dapat menjadi node akar dari nilai atribut HIGH. Setelah itu lakukan perhitungan Gain, untuk masing – masing attribute.

Hasil perhitungan node 1.1, attribut dengan Gain tertinggi adalah OUTLOOK yaitu sebesar 0.6995. Sehingga OUTLOOK dapat menjadi node cabang dari nilai atribut HIGH.

 Ada tiga nilai dari atribut OUTLOOK yaitu CLOUDY, RAINY dan SUNNY.

·       CLOUDY        = klasifikasi kasus 1 (Yes).

·       SUNNY          = klasifikasi kasus 1 (No).

·       RAINY            = masih perlu perhitungan lagi.

 Menghitung jumlah kasus, jumlah kasus untuk keputusan Yes, jumlah kasus untuk keputusan No. Entropy dari semua kasus dan kasus yang dibagi berdasarkan atribut TEMPERATURE dan WINDY, yang dapat menjadi node cabang dari nilai atribut RAINY. Setelah itu lakukan perhitungan Gain, untuk tiap-tiap atribut Perhitungan node 1.1.2.

Atribut dengan Gain tertinggi adalah WINDY yaitu sebesar 1 Sehingga WINDY dapat menjadi node cabang dari nilai atribut RAINY.

Ada dua nilai dari atribut WINDY, yaitu FALSE dan TRUE.

·       Nilai atribut FALSE sudah mengklasifikasikan kasus menjadi 1 (Yes).

·       Nilai atribut TRUE sudah mengklasifikasikan kasus menjadi 1 (No).

·       Sehingga tidak perlu dilakukan perhitungan lagi.

Pembuatan Decision Tree Pada Weka

Weka adalah software pengolah data mining yang menyediakan tool untuk membuat decision tree. hal ini tentu akan memudahkan kita membuat decision tree dengan menggunakan Weka dibandingkan membuat decision tree secara manual yaitu dengan melakukan perhitungan menggunakan algoritma C4.5 yang telah kita lakukan pada perhitungan manual sebelumnya.

Pertama kita memasukan record dataset tabel tennis seperti pada sebelumnya dalam format arff karna Weka menyimpan records dalam format arff. Pada tabel dataset Tennis jika dituliskan dalam format arff maka akan menjadi seperti ini :

Kedua, kita simpan file dalam format arff lalu kita buka Weka dan pilih Explorer pada saat di Weka GUI Chooser maka setelah itu akan muncul windows baru dengan nama Weka Explorer nanti pada tab Preproses kita klik open untuk mengimport file record data tennis ke weka maka akan terlihat seperti gambar dibawah ini :

Ketiga , kita ceklis attribut yang akan kita klasifikasikan jika pada file data tennis terdapat 5 attribut maka kita akan pakai semuanya. Jika sudah maka pergi ke tab Classify lalu pada classifier kita akan memilih algoritma yang akan kita gunakan, untuk kali ini kita gunakan algoritma untuk decision tree yaitu J48 seperti terlihat pada gambar dibawah.

Keempat, setelah kita memilih algoritmanya yaitu kita pilih pada Use training set pada Test Option untuk menggunakan dataset yang ada pada tabel tennis, lalu setelah itu kita bisa mengklik tombol Start untuk memulainya makan akan muncul di run information yang berisi keterangan klasifikasi yang telah dilakukan dan juga pada result list muncul keterangan hasilnya, disini pada result list kita klik kanan lalu pilih visualize tree untuk dapat melihat hasil nya dalam berupa decision tree atau pohon keputusan.

Seperti yang kita lihat bahwa Attribut humidity yang mempunyai information gain terbesar dan menjadi root element sesuai dengan perhitungan manual yang kita lakukan sebelumnya.