gCLxcKKAJmbACaihfr7QajzX6AsZRlzTBM0AxvT0

Contoh Perhitungan Decision Tree dengan Algoritma C45

8 comments
Contoh Perhitungan Decision Tree dengan Algoritma C45

Berikut ini akan saya berikan contoh pergitungan decision tree menggunakan algoritma C45 yang saya dapat dari berbagai sumber, sebagai referensi anda.Baik langsung saja berikut pejelasannya

Untuk menentukan bermain tenis atau tidak, kriteria yang diperlukan meliputi:
  -Cuaca
  -Angin
  -Kelembaban
  -Temperatur udara

Salah satu atribut merupakan data solusi per item data yang disebut target atribut -> misalnya atribut “play” degan nilai “main” atau “tidak main”
Atribut memiliki nilai-nilai yang dinamakan “instance”
Misalkan atribut “Cuaca” memiliki instance -> cerah, berawan, dan hujan.

Decision Tree dengan Algoritma C45

Berdasakan tabel diatas akan dibuat tabel keputusan untuk menentukan main tenis atau tidak dengan melihat keadaan Outlook (cuaca), Temperatur, Humidity (kelembaban), dan windy (keadaan angin).
Algoritma secara umum:
-Pilih atribut sebagai akar
-Buat cabang untuk tiap2 nilai
-Bagi kasus dalam cabang
-Ulangi proses utk setiap cabang sampai semua kasus pada cabang memiliki kelas yang sama
Memilih atribut berdasarkan nilai “gain” tertinggi dari atribut-atribut yang ada.

Baca juga Jasa Bimbingan Skripsi Teknik Informatika

Perhitungan Gain
Decision Tree dengan Algoritma C45

Keterangan:
   - S : himpunan
   - A : atribut
   - n  : jumlah partisi atribut A
   - | Si | : jumlah kasus pada partisi ke-i
   - | S |  : jumlah kasus dalam S

Menghitung Nilai Entropy
Decision Tree dengan Algoritma C45

Keterangan:
S : himpunan kasus
A : fitur
n  : jumlah partisi S
pi : proporsi dari Si terhadap S

Perincian algoritma ( langkah 1)
  • Menghitung jumlah kasus seluruhnya, jumlah berkeputusan “Yes” maupun “No”.
  • Menghitung Entropy dari semua kasus yg terbagi berdasarkan atribut “Outlook”, “Temperature”,“Humidity”, “Windy”.
  • Lakukan penghitungan Gain utk setiap atributnya

Perhitungan
Decision Tree dengan Algoritma C45


Perhitungan Total Entropy
Decision Tree dengan Algoritma C45

Decision Tree dengan Algoritma C45

Decision Tree dengan Algoritma C45

Menghitung gain pada baris Outlook

Decision Tree dengan Algoritma C45

Lakukan Hitung Gain untuk temperature, humidity dan windy

Sepert yg terlihat pd tabel, diperoleh bhw atribut dgn Gain tertinggi adalah Humidity -> 0,37
Maka Humidity menjadi node akar
Humidity memiliki dua nilai yaitu “High” dan “Normal”
Humidity -> “Normal” sdh mengklasifikasikan kasus menjadi 1 yaitu keputusannya “yes”
Untuk humidity -> “High” msh perlu dilakukan perhitungn lagi (karena masih terdapat “yes” dan “no”)

Pohon Keputusan Node 1

Decision Tree dengan Algoritma C45

Perincian Algoritma (Langkah 2)
Decision Tree dengan Algoritma C45

Hasil perhitungan (Langkah 2)
Decision Tree dengan Algoritma C45
Hasil perhitungan (Langkah 2)


Didapat Gain tertinggi -> outlook -> 0,69
Maka “Outlook” menjadi node cabang dari atribut humidity yg bernilai “High”
Berdasarkan atribut “Outlook” terdpt 3 nilai 
Cloudy
Rainy
Sunny
Krn “Cloudy” pasti bernilai “Yes” dan “Sunny” pasti bernilai “No”, maka tdk perlu dilakukan perhitungan lagi
Sedangkan “Rainy” bernilai “yes” dan “No”, maka masih perlu dilakukan perhitungan lagi


Pohon keputusan node 1.1

Decision Tree dengan Algoritma C45

Perincian algoritma (Langkah 3)

Decision Tree dengan Algoritma C45

Hasil perhitungan (Langkah 3)

Decision Tree dengan Algoritma C45




Hasil perhitungan (Langkah 3)

Didapat Gain tertinggi -> Windy -> 1
Maka “Windy” menjadi node cabang dari atribut humidity yg bernilai “High” dan outlook yg bernilai “Rainy”
Berdasarkan atribut “Windy” terdpt 2 nilai 
True
False
Karena “True” sdh terklasifikasi pasti bernilai “No” dan “False” pasti bernilai “Yes”, maka tidak perlu dilakukan perhitungan lagi

Pohon keputusan node 1.1.2

Decision Tree dengan Algoritma C45

Hasil perhitungan (Langkah 3)

Berdasarkan node 1.1.2, maka:
“Semua kasus sudah masuk dapat kelas”
Sehingga pohon keputusan diatas merupakan pohon keputusan terakhir yang terbentuk

Seperti yang telah diketahui macam-macam Algoritma Decison tree ada 3 yaitu :

  • Algoritma C4.5
  •  ID3 -> merupakan pengembangan C4.5
  •  CART 
Perhitungan diatas adalah implementasi menggunakan Algoritma C45, semoga bermanfaat sebagai bahan referensi anda. 



Kata kunci : Decision Tree dengan Algoritma C45, algoritma C45, Skipsi Teknik Informatika, Contoh Skripsi, Algoritma, skripsi



Related Posts

8 comments

  1. makasih info sangat bermanfaat disini saya menemukan ilmu yang tidak saya pelajari di kampus saya makasih admin

    ini ada rekomendasi untuk contoh program decision tree
    https://resepit.com/decision-tree/

    Moga bermanfaat

    ReplyDelete
  2. maaf gan, untuk tabel merah pertama, kolom Entropy & Gain cara ngitungnya gimana ya?? Saya masih belum paham. Mohon penjelasannya :) (h)

    ReplyDelete
  3. maaf gan, untuk tabel merah pertama, kolom Entropy & Gain cara ngitungnya gimana ya?? Saya masih belum paham. Mohon penjelasannya :) (h)

    ReplyDelete
  4. Terimakasih info nya gan

    ReplyDelete
  5. Upgrading spend and sway crosswise over channels Even now, in the period of treats and snap throughs, it's not in every case simple to enhance spending allotments. machine learning course

    ReplyDelete
  6. Mas saya masih bingung dengan penjumlahan entropi total.

    ReplyDelete
  7. Halo kak, kalo nilai gain nya negatif gimana ya

    ReplyDelete
  8. Jika mau membuat dataset apakah harus ada 14 data dengan 4 atribut ya kak?

    ReplyDelete

Post a Comment