A.

Latar Belakang
Konsep pohon merupakan salah satu konsep teori graf yang paling penting.
Pemanfaatan struktur pohon dalam kehidupan sehari-hari adalah untuk menggambarkan
hierarki dan memodelkan persoalan, contohnya pohon keputusan (decision tree). Iterative
dichotomiser 3 ( ID3 ) merupakan suatu metode dalam learning yang akan membangun
sebuah pohon keputusan untuk pemodelan dalam mencari solusi dari persoalan.1
Algoritma dasar untuk induksi pohon keputusan adalah algoritma greedy yang
membangun pohon keputusan dari atas ke bawah (top-down) secara rekursif dengan cara

divide dan conquer. Masukan dari algoritma ini adalah himpunan data yang berisi sampelsampel data dan kandidat atribut yang harus ditelaah, terdiri dari minimal sebuah atribut
prediktor dan sebuah atribut kelas. Atribut prediktor dapat bertipe diskret atau numerik,
sedangkan atribut kelas harus bertipe diskret. Dalam terminologi basisdata, himpunan data
ini berupa tabel, sedangkan sampel adalah rekord. Himpunan data ini dapat memiliki atribut
(kolom tabel) bertipe diskret maupun kontinyu.2

B. Tujuan
Tujuan dari algoritma Induction Decision Tree adalah mengkonstruksi struktur data
pohon (dinamakan pohon keputusan) yang dapat digunakan untuk memprediksi kelas dari
sebuah kasus atau rekord baru yang belum memiliki kelas. Mengkonstruksi pohon
keputusan bisa dengan strategi divide dan conquer. Algoritma ini memilih pemecahan kasuskasus yang terbaik dengan menghitung dan membandingkan gain ratio, kemudian pada
node-node yang terbentuk di level berikutnya, algoritma divide dan conquer akan diterapkan
lagi .

(1)(2)

Wahyuddin, 2009. Metode Iterative Dichotomizer 3 ( ID3 ) Untuk Penyeleksian Penerimaan Mahasiswa Baru

C. Pembahasan
DECISION TREE
Decision tree learning adalah salah satu metode belajar yang sangat populer dan
banyak digunakan secara praktis. Metode ini merupakan metode yang berusaha
menemukan fungsi-fungsi pendekatan yang bernilai diskrit dan tahan terhadap data-data
yang terdapat kesalahan (noisy data) serta mampu mempelajari ekspresi-ekspresi
disjunctive (ekspresi OR). Iterative Dychotomizer version 3 (ID3) adalah salah satu

jenis Decision tree yang sangat populer. Konsep Decision Tree Mengubah data menjadi
pohon keputusan (decision tree) dan aturan-aturan keputusan (rule).3

Data

Decision Tree

Rule

Decision tree adalah struktur flowcart yang mempunyai tree(pohon), dimana setiap
simpul internal menandakan suatu tes atribut,setiap cabang merepresentasikan hasil tes,
dan simpul daun merepresentasikan kelas atau distribusi kelas. alur pada decision tree
ditelusuri dari simpul ke akar ke simpul daun yang memegang prediksi kelas untuk

contoh tersebut. decision tree mudah untuk dikonversi ke aturan klasifikasi

(classification rule). Konsep data dalam decision tree dinyatakan dalam bentuk tabel
dengan atribut dan record. Pembangunan tree dimulai dengan data pada simpul akar
(root node) yang dilanjutkan dengan pemilihan sebuah atribut, formulasi sebuah logical
test pada atribut tersebut dan pencabangan pada setiap hasil dari test. Langkah ini terus
bergerak ke subset ke contoh yang memenuhi hasil dari simpul anak cabang (internal
node) yang sesuai melalui proses rekursif pada setiap simpul anak cabang.

Langkahlangkah tersebut diulangi hingga dahan-dahan dari tree memiliki contoh dari
satu kelas tertentu. Beberapa model decision tree yang sudah dikembangkan antara lain
adalah IDS, ID3, C4.5, CHAID dan CART.4
3

Wahyuddin, 2009. Metode Iterative Dichotomizer 3 ( ID3 ) Untuk Penyeleksian Penerimaan Mahasiswa

Baru.
4
Defianty Sofi, 2008. Perbandingan Kinerja Algoritma ID3 dan C4.5 Dalam Klasifikasi Spam-Mail.

INDUCTION OF DECISION TREES

1. The diagnosis of a medical condition from symptoms, in which the classes could be
either the various disease states or the possible therapies;
2. Determining the game-theoretic value of a chess position, with the classes won for
white, lost for white, and drawn; and
3. deciding from atmospheric observations whether a severe thunderstorm is unlikely,
possible or probable. 5
Pohon(Tree)

Pohon merupakan sebuah graf terhubung yang tidak mengandung sirkuit. Konsep
pohon (tree) dalam teori graf merupakan konsep yang sangat penting, karena terapannya
diberbagai bidang ilmu. Oleh karenanya antara pohon (tree) sangat erat hubungannya
dengan teori graf. Definisi pohon adalah graf tak berarah terhubung yang tidak
mengandung sirkuit,
Menurut definisi tersebut, ada dua sifat penting pada pohon yaitu terhubung dan
tidak mengandung sirkuit. Pohon (tree) merupakan graf dimana dua simpul memiliki
paling banyak satu lintasan yang menghubungkannya. Pohon seringkali memiliki akar .

10

karena setiap simpul pada pohon hanya memiliki satu lintasan akses dari setiap simpul
lainnya, maka tidak mungkin bagi sebuah lintasan untuk membentuk simpul (loop) atau
siklus (cycle) yang secara berkesinambungan melalui serangkaian simpul.6

11

12

Quinlan, J.R, 2007. Induction of Decision Trees

Wahyuddin, 2009. Metode Iterative Dichotomizer 3 ( ID3 ) Untuk Penyeleksian Penerimaan

13

 ALGORITMA ID3
Iterative Dichotomicer 3 (ID3) adalah algoritma decision tree learning (algoritma
pembelajaran pohon keputusan) yang paling dasar. Algoritma ini melakukan pencarian
secara rakus /menyeluruh (greedy) pada semua kemungkinan pohon keputusan. Salah
satu algoritma induksi pohon keputusan yaitu ID3 (Iterative Dichotomiser 3). ID3
dikembangkan oleh J. Ross Quinlan. Algoritma ID3 dapat diimplementasikan
menggunakan fungsi rekursif (fungsi yang memanggil dirinya sendiri). Algoritma ID3

14

berusaha membangun decision tree (pohon keputusan) secara top-down (dari atas ke
bawah), mulai dengan pertanyaan : atribut mana yang pertama kali harus dicek dan
diletakkan pada root? pertanyaan ini dijawab dengan mengevaluasi semua atribut yang
ada dengan menggunakan suatu ukuran statistic (yang banyak digunakan adalah
information gain) untuk mengukur efektivitas suatu atribut dalam mengklasifikasikan
kumpulan sampel data.

15

Decision Tree adalah sebuah struktur pohon, dimana setiap node pohon
merepresentasikan atribut yang telah diuji, setiap cabang merupakan suatu pembagian
hasil uji, dan node daun (leaf) merepresentasikan kelompok kelas tertentu. Level node
teratas dari sebuah decision tree adalah node akar (root) yang biasanya berupa atribut
yang paling memiliki pengaruh terbesar pada suatu kelas tertentu. Beberapa peneliti
menyebut struktur model yang dihasilkan ID3 sebagai pohon keputusan (decision tree)
sementara peneliti yang lain menyebutnya pohon aturan (rule tree). 7
7

Defianty Sofi, 2008. Perbandingan Kinerja Algoritma ID3 dan C4.5 Dalam Klasifikasi Spam-Mail.

16

Secara ringkas, langkah kerja Algoritma ID3 dapat digambarkan sebagai berikut:
1. Penghitungan Information Gain dari setiap atribut dengan menggunakan

Dimana
2. . Pemilihan atribut yang memiliki nilai information gain terbesar,

17

3. Pembentukan simpul yang berisi atribut tersebut,

4. Ulangi proses perhitungan information gain akan terus dilaksanakan sampai
semua data telah termasuk dalam kelas yang sama. Atribut yang telah dipilih
tidak diikutkan lagi dalam perhitungan nilai information gain
CONTOH KASUS
14 Minggu Permainan Tenis pada Setiap Sabtu Pagi
Minggu

18

Ramalan_Cuaca

Suhu

Kelembaban

Angin

Bermain_Tenis

M1

Cerah

Panas

Tinggi

Lemah

Tidak

M2

Cerah

Panas

Tinggi

Kuat

Tidak

M3

Mendung

Panas

Tinggi

Lemah

Ya

M4

Hujan

Sejuk

Tinggi

Lemah

Ya

M5

Hujan

Dingi

Normal

Lemah

Ya

19

M6

Hujan

Dingi

Normal

Kuat

Tidak

Normal

Kuat

Ya

n
M7

Mendung

Dingi
n

20

M8

Cerah

Sejuk

Tinggi

Lemah

Tidak

M9

Cerah

Dingi

Normal

Lemah

Ya

21

M10

Hujan

Sejuk

Normal

Lemah

Ya

M11

Cerah

Sejuk

Normal

Kuat

Ya

M12

Mendung

Sejuk

Tinggi

Kuat

Ya

M13

Mendung

Panas

Normal

Lemah

Ya

M14

Hujan

Sejuk

Tinggi

Kuat

Tidak

Atribut Tujuan adalah Bermain Tenis yang memiliki value ya atau tidak.
Atribut adalah Ramalan_Cuaca, Suhu, Kelembaban, dan Angin.8

ENTROPY & INFORMATION GAIN

22

Sebuah obyek yang diklasifikasikan dalam pohon harus dites nilai entropinya.
Entropy adalah ukuran dari teori informasi yang dapat mengetahui karakteristik dari
impuryt ,dan homogenity dari kumpulan data. Dari nilai entropy tersebut kemudian
dihitung nilai information gain (IG) masing- masing atribut.

Entropy(S) = - p+ log2p + -p -log2p

23

dimana:
S adalah ruang (data) sample yang digunakan untuk training.

P+ adalah jumlah yang bersolusi positif (mendukung) pada data sample untuk

kriteria tertentu.
P- adalah jumlah yang bersolusi negatif (tidak mendukung) pada data sample untuk
kriteria tertentu.
Dari rumus entropy diatas dapat disimpulkan bahwa definisi entropy (S) adalah

jumlah bit yang diperkirakan dibutuhkan untuk dapat mengekstrak suatu kelas (+ atau -)
dari sejumlah data acak pada suatu ruang sampel S. Entropy bisa dikatakan sebagai

24

kebutuhan bit untuk menyatakan suatu kelas. Semakin kecil nilai entropy maka semakin
baik digunakan dalam mengekstraksi suatu kelas. Panjang kode untuk menyatakan
informasi secara optimal adalah log2p bits untuk messages yang mempunyai
probabilitas p. Sehingga jumlah bit yang diperkirakan untuk mengekstraksi S ke dalam
kelas adalah : - p+log2 p+ - p- log2 pInformation Gain

25

Setelah mendapat nilai entropy untuk suatu kumpulan data, maka kita dapat
mengukur efektivitas suatu atribut dalam mengklasifikasikan data. Ukuran efektifitas ini
disebut information gain. Secara matematis, infomation gain dari suatu atribut
A,dituliskan sebagai berikut :
Gain(S,A) = Entropy(S)
dimana :
A : atribut

26

Entropy(Sv),

V : suatu nilai yang mungkin untuk atribut A Values

(A) : himpunan yang mungkin untuk atribut A
|Sv| : jumlah sampel untuk nilai v
|S| : jumlah seluruh sampel data
Entropy(Sv): entropy untuk sampel-sampel yang memilki nilai v.9

ALGORITMA DAN FLOWCHART

27

Entropy

adalah

formula

untuk

menghitung

homogenitas

dari

sebuah

sample/contoh. Solusi menggunakan entropy dari contoh kasus di atas :

S adalah koleksi dari 14 contoh dengan 9 contoh positif dan 5 contoh negatif, ditulis
dengan notasi [9+,5-]. Positif di sini maksudnya value Bermain_Tenis = Ya sedangkan
negatif sebaliknya. Entropy dari S adalah :

28

Entropy(S) =

pi =
Zi = contoh positif + contoh negatif

29

i 1

Zi
N

- pi log2 pi

N = jumlah data
Entropy([9+,5-]) = - (9/14) log2 (9/14)

- (5/14) log2 (5/14)

= - (0.6429) ((log (9/14))/log 2) - (0.3571) ((log (5/14))/log 2)

= - (0.6429) (-0.1919/0.3010) - (0.3571) (-0.4472/0.3010)
= - (0.6429) (-0.6375) - (0.3571) (-1.4857)

30

= 0.4098 + 0.5305
= 0.94029
Catatan :

Entropy(S) = 0, jika semua contoh pada S berada dalam kelas yang sama.

Entropy(S) = 1, jika jumlah contoh positif dan jumlah contoh negatif dalam S adalah
sama.

31

<

contoh

positif dan jumlah contoh

negatif

dalam S tidak sama.

Gain(S,A)

adalah Information Gain

dari

atribut

sebuah

contoh S :

32

Entropy(S) < 1, jika jumlah

pada

koleksi

| Sv |
vValues( A ) | S |

Gain(S,A) = Entropy(S) -

Entropy(Sv)

1. Values(Angin) = Lemah, Kuat

SLemah
= [6+,2-]
SKuat
= [3+,3-]
Gain(S,Angin)= Entropy(S) - (8/14)Entropy(SLemah) - (6/14)Entropy(SKuat)
= 0.94029 - (8/14)0.81128 - (6/14)1.0000

33

= 0.04813
2. Values(Kelembaban)
STinggi
SNormal
Gain(S,Kelembaban)

= Tinggi, Normal
= [3+,4-]
= [6+,1-]
=Entropy(S)-(7/14)Entropy(STinggi)-(7/14)Entropy(SNormal)
= 0.94029 - (7/14)0.98523 - (7/14)0.59167
= 0.15184

34

3. Values(Suhu)
SPanas
SSejuk
SDingin

= Panas, Sejuk, Dingin

= [2+,2-]
= [4+,2-]
= [3+,1-]

Gain(S,Suhu)

=Entropy(S) -(4/14)Entropy(SPanas) - (6/14)Entropy(SSejuk) (4/14)Entropy(SDingin)

35

= 0.94029 -(4/14)1.00000 - (6/14)0.91830 - (4/14)0.81128

= 0.02922

4. Values(Ramalan_Cuaca)
SCerah
SMendung
SHujan

36

= Cerah, Mendung, Hujan

= [2+,3-]
= [4+,0-]
= [3+,2-]

Gain(S,Ramalan_Cuaca)

=Entropy(S)-(5/14)Entropy(SCerah)(4/14)Entropy(SMendung) - (5/14)Entropy(SHujan)
= 0.94029 - (5/14)0.97075 - (4/14)1.00000

(5/14)0.97075
= 0.24675
Jadi, information gain untuk 3 atribut yang ada adalah :

37

Gain(S,Angin) = 0.04813
Gain(S,Kelembaban) = 0.15184
Gain(S,Suhu) = 0.02922
Gain(S,Ramalan_Cuaca) = 0.24675
Tampak bahwa attribute Ramalan_Cuaca akan menyediakan prediksi terbaik

untuk target attribute Bermain_Tenis.10

38

Kuat
Normal
Tinggi
Lemah
Tidak
Ya

(8)(9)(10)

Manongga, Danny (2005). Teori&Aplikasi Iterative Dichotomizer Three dalam Pembelajaran Mesin. Fakultas Teknologi
Informasi UKSW, Salatiga.

[M1, M2, ..., M14]

[9+,5-]

Ramalan_Cuaca
Cerah

Mendung

Hujan

?
Ya

[M1, M2, M8, M9, M11]

[2+,3-]

39

[M4, M5, M6, M10, M14]

[3+,2-]

40

Untuk node cabang Ramalan_Cuaca = Cerah,

SCerah = [M1, M2, M8, M9, M11]

Minggu

41

Ramalan_Cuaca

Suhu

Kelembaban

Angin

Bermain_Tenis

42

M1

Cerah

Panas

Tinggi

Lemah

Tidak

M2

Cerah

Panas

Tinggi

Kuat

Tidak

M8

Cerah

Sejuk

Tinggi

Lemah

Tidak

M9

Cerah

Dingin

Normal

Lemah

Ya

M11

Cerah

Sejuk

Normal

Kuat

Ya

1. Values(Suhu)

= Panas, Sejuk, Dingin

SPanas

= [0+,2-]

SSejuk

= [1+,1-]

SDingin

= [1+,0-]

Gain(SCerah,Suhu)

=Entropy(SCerah) - (2/5)Entropy(SPanas) - (2/5)Entropy(SSejuk) (1/5)Entropy(SDingin)

43

= 0.97075 - (2/5)0.00000 - (2/5)1.00000 - (1/5)0.00000

= 0.57075

2. Values(Kelembaban)
STinggi

44

= Tinggi, Normal
= [0+,3-]

SNormal

= [2+,0-]

Gain(SCerah,Kelembaban) =Entropy(SCerah) - (3/5)Entropy(STinggi) - (2/5)Entropy(SNormal)

= 0.97075 - (3/5)0.00000 - (2/5)0.00000
= 0.97075

45

3. Values(Angin)

= Lemah, Kuat

SLemah

= [1+,2-]

SKuat

= [1+,1-]

Gain(SCerah,Angin)

=Entropy(SCerah) - (3/5)Entropy(SLemah) - (2/5)Entropy(SKuat)

= 0.97075 - (3/5)0.91830 - (2/5)1.00000

46

= 0.01997

Atribut Kelembaban menyediakan prediksi terbaik pada level ini.

[M1, M2, ..., M14]
[9+,5-]

Ramalan_Cuaca

Mendung

[M1, M2, M8, M9, M11]

Cerah
[2+,3-]

Kelembaban

Tinggi

Ya

[M1, M2, M8]

[0+,3-]

47

Tidak

[M9, M11]
[2+,0-]

Ya

[M4, M5, M6, M10, M14]

Hujan
[3+,2-]

48

49

Untuk node cabang Ramalan_Cuaca = Hujan,

SHujan = [M4, M5, M6, M10, M14]

50

Minggu

Ramalan_Cuaca

Suhu

Kelembaban

Angin

Bermain_Tenis

M4

Hujan

Sejuk

Tinggi

Lemah

Ya

M5

Hujan

Dingin

Normal

Lemah

Ya

M6

Hujan

Dingin

Normal

Kuat

Tidak

M10

Hujan

Sejuk

Normal

Lemah

Ya

M14

Hujan

Sejuk

Tinggi

Kuat

Tidak

1. Values(Suhu)
SSejuk

51

= Sejuk, Dingin (Tidak ada suhu = panas saat ini)

= [2+,1-]

SDingin

= [1+,1-]

Gain(SHujan,Suhu)

=Entropy(SHujan) - (3/5)Entropy(SSejuk) - (2/5)Entropy(SDingin)

= 0.97075 - (3/5)0.91830 - (2/5)1.00000
= 0.01997

52

2. Values(Kelembaban)

= Tinggi, Normal

STinggi

= [1+,1-]

SNormal

= [2+,1-]

Gain(SHujan,Kelembaban) =Entropy(SHujan) - (2/5)Entropy(STinggi) - (3/5)Entropy(SNormal)

= 0.97075 - (2/5)1.00000 - (3/5)0.91830

53

= 0.01997
3. Values(Angin)

= Lemah, Kuat

SLemah

= [3+,0-]

SKuat

= [0+,2-]

Gain(SHujan,Angin) =Entropy(SHujan) - (3/5)Entropy(SLemah) - (2/5)Entropy(SKuat)

54

= 0.97075 - (3/5)0.00000 - (2/5)0.00000

= 0.97075
Atribut Angin menyediakan prediksi terbaik pada level ini.

55

[M1, M2, ..., M14]

[9+,5-]

Ramalan_Cuaca

[M1, M2, M8, M9, M11]

[2+,3-]
Cerah

Mendung

Hujan

[M4, M5, M6, M10, M14]

[3+,2-]

Ya
Angin

Kelembaban

Tinggi

Ya

[M1, M2, M8]

[0+,3-]

56

Tidak

[M9, M11]
[2+,0-]

Lemah

Ya

[M4, M5, M10]

[3+,0-]

Kuat

Tidak

[M6, M14]
[0+,2-]

Algoritma :

If Ramalan_Cuaca = Cerah AND Kelembaban = Tinggi THEN Bermain_Tenis = Tidak

If Ramalan_Cuaca = Cerah AND Kelembaban = Normal THEN Bermain_Tenis = Ya
If Ramalan_Cuaca = Mendung THEN Bermain_Tenis = Ya

57

If Ramalan_Cuaca = Hujan AND Angin = Kuat THEN Bermain_Tenis = Tidak

If Ramalan_Cuaca = Hujan AND Angin = Lemah THEN Bermain_Tenis = Ya

58

59

Ramalan_Cuaca

Suhu

Kelembaban

Angin

Bermain_Tenis

Cerah

Panas

Tinggi

Kuat

Tidak

Cerah

Panas

Tinggi

Lemah

Tidak

Cerah

Panas

Normal

Kuat

Ya

Cerah

Panas

Normal

Lemah

Ya

Cerah

Sejuk

Tinggi

Kuat

Tidak

Cerah

Sejuk

Tinggi

Lemah

Tidak

Cerah

Sejuk

Normal

Kuat

Ya

Cerah

Sejuk

Normal

Lemah

Ya

Cerah

Dingin

Tinggi

Kuat

Tidak

Cerah

Dingin

Tinggi

Lemah

Tidak

Cerah

Dingin

Normal

Kuat

Ya

Cerah

Dingin

Normal

Lemah

Ya

Mendung

Panas

Tinggi

Kuat

Ya

Mendung

Panas

Tinggi

Lemah

Ya

Mendung

Panas

Normal

Kuat

Ya

Mendung

Panas

Normal

Lemah

Ya

Mendung

Sejuk

Tinggi

Kuat

Ya

Mendung

Sejuk

Tinggi

Lemah

Ya

Mendung

Sejuk

Normal

Kuat

Ya

Mendung

Sejuk

Normal

Lemah

Ya

Mendung

Dingin

Tinggi

Kuat

Ya

Mendung

Dingin

Tinggi

Lemah

Ya

Mendung

Dingin

Normal

Kuat

Ya

Mendung

Dingin

Normal

Lemah

Ya

Hujan

Sejuk

Tinggi

Kuat

Tidak

Hujan

Sejuk

Tinggi

Lemah

Ya

Hujan

Sejuk

Normal

Kuat

Tidak

60 Hujan

Sejuk

Normal

Lemah

Ya

Hujan

Dingin

Tinggi

Kuat

Tidak

Hujan

Dingin

Tinggi

Lemah

Ya

Hujan

Dingin

Normal

Kuat

Tidak

Hujan

Dingin

Normal

Lemah

Ya

Flowchart :

Ramalan_Cuaca

Cerah

Ya

Kelembaban

Tinggi

Ya

61

Hujan

Mendung

Tidak

Angin

Lemah

Ya

Kuat

Tidak

62

KEUNTUNGAN DAN KERUGIAN ID3

Keuntungan :
1. Dapat membuat aturan prediksi yang mudah dimengerti.
2. Membangun pohon keputusan dengan cepat.
3. Membangun pohon keputusan yang pendek.
4. Hanya membutuhkan beberapa tes atribut hingga semua data diklasifikasikan.
Kerugian :
1. Jika contoh yang diteliti terlalu kecil / sederhana mungkin membuat data overclassified

63

2. Hanya satu atribut yang dapat dites dalam satu waktu untuk membuat keputusan.
3. Mengelompokkan data yang berkelanjutan mungkin terhitung mahal, sebanyak
pohon yang harus dibuat untuk melihat dimana menghentikan proses kelanjutannya.11

64

65

(11)

Manongga, Danny (2005). Teori&Aplikasi Iterative Dichotomizer Three dalam Pembelajaran Mesin. Fakultas Teknologi Informasi
UKSW, Salatiga.

66

67

D. Pertanyaan dan jawaban

1. Apa yang dimaksud dengan Entropy?
Entropy adalah formula untuk menghitung homogenitas dari sebuah sample/contoh.

2. Mengapa konsep pohon dalam teori graph sangat penting?

Karena konsep pohon dapat diterapkan dalam berbagai bidang dan Definisi pohon
adalah graf tak berarah terhubung yang tidak mengandung sirkuit, menurut definisi
tersebut, ada dua sifat penting pada pohon yaitu terhubung dan tidak mengandung

68

sirkuit. Pohon (tree) merupakan graf dimana dua simpul memiliki paling banyak satu
lintasan yang menghubungkannya.
3. Mengapa Algoritma ID3 melakukan pencarian secara rakus dan meyeluruh?
Karena Algoritma ID3 berusaha membangun decision tree (pohon keputusan) secara
top-down (dari atas ke bawah)
4. Apakah tujuan dari penggunaan algoritma ID3?
Tujuan dari algoritma Induction Decision Tree adalah mengkonstruksi struktur data
pohon (dinamakan pohon keputusan) yang dapat digunakan untuk memprediksi kelas

69

dari sebuah kasus atau rekord baru yang belum memiliki kelas. Mengkonstruksi pohon
keputusan bisa dengan strategi divide dan conquer.
5. Bagaimana alur dari Decision Tree ?
Dari simpul ke akar ke simpul daun. Konsep datanya dinyatakan dalam bentuk tabel
dengan atribut / record.

70

71

Daftar pustaka
Defianty Sofi, 2008. Perbandingan Kinerja Algoritma ID3 dan C4.5 Dalam Klasifikasi SpamMail.
Manongga, Danny (2005). Teori&Aplikasi Iterative Dichotomizer Three dalam Pembelajaran
Mesin. Fakultas Teknologi Informasi UKSW, Salatiga.
Quinlan, J.R, 2007. Induction of Decision Trees
Wahyuddin, 2009. Metode Iterative Dichotomizer 3 ( ID3 ) Untuk Penyeleksian Penerimaan

72