FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas
Jurusan/Program Studi
Kode Mata Kuliah
Nama Mata Kuliah
: Teknologi Industri
: Teknik Industri
: 52224603
: Analisis Keputusan dan Data Mining
Pertemuan ke
:5
Modul ke
:5
Jumlah Halaman : 35
Mulai berlaku
: 2014
PRAKTIKUM 5
PRAKTIKUM KLASIFIKASI
Tujuan Praktikum
1.
2.
Definisi Klasifikasi
Klasifikasi merupakan proses untuk menemukan sekumpulan model yang menjelaskan dan
membedakan kelas-kelas data, sehingga model tersebut dapat digunakan untuk memprediksi
nilai suatu kelas yang belum diketahui pada sebuah objek.
Gambar 1. Klasifikasi sebagai suatu tugas memetakan atribut x ke dalam label kelas y
Klasifikasi adalah sebuah proses untuk menemukan model yang menjelaskan atau
membedakan konsep atau kelas data, dengan tujuan untuk dapat memperkirakan kelas dari
suatu objek yang kelasnya tidak diketahui (Pang-Ning Tan, 2004).
Di dalam klasifikasi diberikan sejumlah record yang dinamakan training set, yang terdiri dari
beberapa atribut, atribut dapat berupa kontinyu ataupun kategoris, salah satu atribut
menunjukkan kelas untuk record.
Model dalam Klasifikasi (Bertalya, 2009) :
1. Pemodelan Deskriptif
FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas
Jurusan/Program Studi
Kode Mata Kuliah
Nama Mata Kuliah
: Teknologi Industri
: Teknik Industri
: 52224603
: Analisis Keputusan dan Data Mining
Pertemuan ke
:5
Modul ke
:5
Jumlah Halaman : 35
Mulai berlaku
: 2014
Sebagai alat penggambaran yang bersifat menjelaskan untuk membedakan objek2 dari
kelas yang berbeda.
2. Pemodelan Prediktif
Pemodelan prediktif digunakan untuk memprediksi label kelas untuk record yang belum
diketahui.
Klasifikasi dapat diaplikasikan dalam beberapa bidang antara lain kesehatan,
perbankan, ritel, dll. Masing-masing memiliki atribut yang sesuai dengan kasus masingmasing. Misalnya dalam ritel, kasus yang biasanya digunakan adalah pemberian
diskon/bonus.
Preprocessing Data
Tahap awal yang dilakukan sebelum proses klasifikasi adalah melakukan preprocessing data,
terdapat beberapa langkah preprocessing data, yaitu :
1. Data Cleaning
Data cleaning merupakan suatu pemrosesan terhadap data untuk menghilangkan noise dan
penanganan terhadap missing value pada suatu record.
2. Transformasi Data
Pada data dapat dilakukan generalisasi menjadi data dengan level yang lebih tinggi.
Misalnya dengan melakukan diskretisasi terhadap atribut degan nilai kontinyu.
Pembelajaran
terhadap
data
hasil
generalisasi
dapat
mengurangi
kompleksitas
pembelajaran yang harus dilakukan karena ukuran data yang harus diproses lebih kecil.
b.
Klasifikasi
FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas
Jurusan/Program Studi
Kode Mata Kuliah
Nama Mata Kuliah
: Teknologi Industri
: Teknik Industri
: 52224603
: Analisis Keputusan dan Data Mining
Pertemuan ke
:5
Modul ke
:5
Jumlah Halaman : 35
Mulai berlaku
: 2014
Pada tahap ini, data uji (test set) digunakan untuk mengetahui tingkat akurasi dari model
yang dihasilkan. Jika tingkat akurasi yang diperoleh sesuai dengan nilai yang ditentukan,
maka model tersebut dapat digunakan untuk mengklasifikasikan record pada data yang
baru.
Proses Klasifikasi
FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas
Jurusan/Program Studi
Kode Mata Kuliah
Nama Mata Kuliah
: Teknologi Industri
: Teknik Industri
: 52224603
: Analisis Keputusan dan Data Mining
Pertemuan ke
:5
Modul ke
:5
Jumlah Halaman : 35
Mulai berlaku
: 2014
Setiap recorddiasumsikan sudah mempunyai kelas yang dikenal seperti ditentukan oleh
label kelas atribut,
2.
3.
Penggunaan model menguraikan pengklasifikasian masa yang akan datang atau obyek yang
belum diketahui, yaitu taksiran keakuratan dari model yang terdiri dari:
1.
Label yang telah diketahui dari contoh tes dibandingkan dengan hasil klasifikasi dari
model,
2.
Nilai keakuratan adalah prosentase dari kumpulan contoh tes yang diklasifikasikan
secara tepat oleh model,
3.
FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas
Jurusan/Program Studi
Kode Mata Kuliah
Nama Mata Kuliah
4.
: Teknologi Industri
: Teknik Industri
: 52224603
: Analisis Keputusan dan Data Mining
Pertemuan ke
:5
Modul ke
:5
Jumlah Halaman : 35
Mulai berlaku
: 2014
Jika akurasi diterima, model dapat digunakan untuk mengklasifikasikan data recordyang
label kelasnya belum diketahui.
Untuk mengevaluasi performansi sebuah model yang dibangun oleh algoritma klasifikasi,
dapat dilakukan dengan menghitung jumlah dari test record yang diprediksi secara benar
(akurasi) dan salah (error rate) oleh model tersebut. Akurasi dan error rate didefinisikan
sebagai berikut.
Algoritma klasifikasi adalah dapatmenemukan model yang mempunyai akurasi yang tinggi
atau error rate yang rendah ketika model diterapkan pada test set.
Algoritma Klasifikasi
Didalam Klasifikasi sebagaimana telah dijelaskan, ada beberapa algoritma klasifikasi yang
digunakan, anataralain: pohon keputusan (decision tree), rule based, neural network, support
vector machine, naive bayes, dan nearest neighbour.
Decision Tree
Salah satu metode teknik klasifikasidata mining yang umum digunakan adalah decision tree.
Decision tree adalah struktur flowchart yang menyerupai tree (pohon), dimana setiap simpul
internal menandakan suatu tes pada atribut, setiap cabang merepresentasikan hasil tes, dan
simpul daun merepresentasikan kelas atau distribusi kelas. Alur pada decision tree di telusuri
dari simpul akar ke simpul daun yang memegang prediksi kelas untuk contoh tersebut.
Decision tree mudah untuk dikonversi ke aturan klasifikasi. Teknik pohon keputusan lebih
mudah digunakan, karena beberapa alasan:
1.
Dibandingkan dengan classifier JST atau bayesian, sebuah pohon keputusan mudah
diinterpretasi/ ditangani oleh manusia.
FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas
Jurusan/Program Studi
Kode Mata Kuliah
Nama Mata Kuliah
2.
: Teknologi Industri
: Teknik Industri
: 52224603
: Analisis Keputusan dan Data Mining
Pertemuan ke
:5
Modul ke
:5
Jumlah Halaman : 35
Mulai berlaku
: 2014
Sementara training JST dapat menghabiskan banyak waktu dan ribuan iterasi, pohon
keputusan efisien dan sesuai untuk himpunan data besar.
3.
Algoritma dengan pohon keputusan tidak memerlukan informasi tambahan selain yang
terkandung dalam training data (yaitu, pengetahuan domain dari distribusi-distribusi
pada data atau kelas-kelas).
4.
FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas
Jurusan/Program Studi
Kode Mata Kuliah
Nama Mata Kuliah
: Teknologi Industri
: Teknik Industri
: 52224603
: Analisis Keputusan dan Data Mining
Pertemuan ke
:5
Modul ke
:5
Jumlah Halaman : 35
Mulai berlaku
: 2014
FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas
Jurusan/Program Studi
Kode Mata Kuliah
Nama Mata Kuliah
: Teknologi Industri
: Teknik Industri
: 52224603
: Analisis Keputusan dan Data Mining
Pertemuan ke
:5
Modul ke
:5
Jumlah Halaman : 35
Mulai berlaku
: 2014
b) Entropi
Entropy (S) adalah jumlah bit yang diperkirakan dibutuhkan untuk dapat mengekstrak
suatu kelas (+ atau -) dari sejumlah data acak pada ruang sample S.
Entropy bisa dikatakan sebagai kebutuhan bit untuk menyatakan suatu kelas. Semakin
kecil nilai Entropy maka semakin baik untuk digunakan dalam mengekstraksi suatu kelas.
FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas
Jurusan/Program Studi
Kode Mata Kuliah
Nama Mata Kuliah
: Teknologi Industri
: Teknik Industri
: 52224603
: Analisis Keputusan dan Data Mining
Pertemuan ke
:5
Modul ke
:5
Jumlah Halaman : 35
Mulai berlaku
: 2014
Entropi adalah suatu parameter untuk mengukur heterogenitas dari suatu data. Panjang
kode untuk menyatakan informasi secara optimal adalah p2log bits untuk messages yang
mempunyai probabilitas p.
Untuk menghitung information gain,terlebih dahulu kita harus memahami suatu ukuran
lain yang disebut Entropy. Entropy biasa digunakan sebagai sautu parameter untuk
mengukur heterogenitas (keberagaman) dari suatu kumpulan sampel data. Jika kumpulan
sampel data semakin heterogen, maka semakin besar nilai entropy. Secara matematis, nilai
entropy masing-masing instance dirumuskan sebagai berikut:
Keterangan :
S
P(+)
= jumlah yang bersolusi positif (mendukung) pada data sample untuk kriteria tertentu.
P(-)
= jumlah yang bersolusi negatif (tidak mendukung) pada data sample untuk kriteria
tertentu.
Sedangkan untuk nilai entropy masing-masing atribut dirumuskan dengan:
Dengan kata lain, Gain (A) adalah reduksi yang diharapkan dalam entropy yang disebabkan
oleh pengetahuan nilai pada atribut A. Algoritma menghitung information gain pada setiap
FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas
Jurusan/Program Studi
Kode Mata Kuliah
Nama Mata Kuliah
: Teknologi Industri
: Teknik Industri
: 52224603
: Analisis Keputusan dan Data Mining
Pertemuan ke
:5
Modul ke
:5
Jumlah Halaman : 35
Mulai berlaku
: 2014
atribut. Atribut dengan nilai gain terbesar dipilih sebagai tes atribut (simpul akar). Simpul A
dibuat dan dilabelkan dengan atribut, cabang dibuat untuk setiap nilai atribut.
Klasifikasi pada umumnya digunakan untuk kasus-kasus pada kelas-kelas keputusan yang
bernilai diskrit dengan keputusan seperti diterima = ya atau tidak. Namun jika kita
menemukan kasus yang mempunyai nilai keputusan kontinyu cara untuk menyelesaikannya
adalah dengan mengubah nilai-nilai kontinyu menjadi nilai-nilai diskrit dengan cara
mempartisi nilai kontinyu ke dalam interval-interval bernilai diskrit.
Tabel 1. Contoh Data penerimaan karyawan dengan atribut IPK bernilai kontinyu
Untuk menyelesaikannya kita misal atribut IPK kita ubah menjadi 3 nilai diskrit dengan
membentuk interval bagus=[3,00-4,00], cukup=[2,75-3,00] lalu kembali dengan
melanjutkan langkah-langkah selanjutnya.
FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas
Jurusan/Program Studi
Kode Mata Kuliah
Nama Mata Kuliah
: Teknologi Industri
: Teknik Industri
: 52224603
: Analisis Keputusan dan Data Mining
Pertemuan ke
:5
Modul ke
:5
Jumlah Halaman : 35
Mulai berlaku
: 2014
Nave Bayes
Teorema Bayes dikemukakan oleh seorang pendeta presbyterian Inggris pada tahun 1763
yang bernama Thomas Bayes. Teorema Bayes digunakan untuk menghitung probabilitas
terjadinya suatu peristiwa berdasarkan pengaruh yang didapat dari hasil observasi.
Probabilitas Bayesian adalah suatu interpretasi dari kalkulus yang memuat konsep
probabilitas sebagai derajat dimana suatu pernyataan dipercaya benar. Teori Bayesian juga
dapat digunakan sebagai alat pengambilan keputusan untuk memperbaharui tingkat
kepercayaan dari suatu informasi.
Teori probabilitas Bayesian merupakan satu dari cabang teori statistik matematik yang
memungkinkan kita untuk membuat satu model ketidakpastian dari suatu kejadian yang
terjadi dengan menggabungkan pengetahuan umum dengan fakta dari hasil pengamatan.
Teori Bayesian menurut Grainner (1998), mempunyai beberapa kelebihan, yaitu:
1. Mudah untuk dipahami.
2. Hanya memerlukan pengkodean yang sederhana.
3. Lebih cepat dalam penghitungan.
FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas
Jurusan/Program Studi
Kode Mata Kuliah
Nama Mata Kuliah
: Teknologi Industri
: Teknik Industri
: 52224603
: Analisis Keputusan dan Data Mining
Pertemuan ke
:5
Modul ke
:5
Jumlah Halaman : 35
Mulai berlaku
: 2014
Naive bayesian klasifikasi adalah suatu klasifikasi berpeluang sederhana berdasarkan aplikasi
teorema Bayes dengan asumsi antar variabel penjelas saling bebas (independen). Dalam hal
ini, diasumsikan bahwa kehadiran atau ketiadaan dari suatu kejadian tertentu dari suatu
kelompok tidak berhubungan dengan kehadiran atau ketiadaan dari kejadian lainnya.
Naive Bayesian dapat digunakan untuk berbagai macam keperluan antara lain untuk
klasifikasi dokumen, deteksi spam atau filtering spam, dan masalah klasifikasi lainnya.
Keuntungan Naive Bayes :
1.
2.
Kokoh untuk titik noise yang diisolasi, misalkan titik yang dirata ratakan ketika
Hanya memerlukan sejumlah kecil data pelatihan untuk mengestimasi parameter (rata
Menangani nilai yang hilang dengan mengabaikan instansi selama perhitungan estimasi
peluang
5.
6.
Tidak berlaku jika probabilitas kondisionalnya adalah nol, apabila nol maka probabilitas
FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas
Jurusan/Program Studi
Kode Mata Kuliah
Nama Mata Kuliah
: Teknologi Industri
: Teknik Industri
: 52224603
: Analisis Keputusan dan Data Mining
Pertemuan ke
:5
Modul ke
:5
Jumlah Halaman : 35
Mulai berlaku
: 2014
FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas
Jurusan/Program Studi
Kode Mata Kuliah
Nama Mata Kuliah
: Teknologi Industri
: Teknik Industri
: 52224603
: Analisis Keputusan dan Data Mining
Pertemuan ke
:5
Modul ke
:5
Jumlah Halaman : 35
Mulai berlaku
: 2014
Terpilih atribut HARGA sebagai node awal karena memiliki information gain terbesar
b. Menyusun Tree Awal
Node berikutnya dapat dipilih pada bagian yang mempunyai nilai + dan -, pada contoh di atas
hanya harga = sedang yang mempunyai nilai + dan , maka semuanya pasti mempunyai
internal node. Untuk menyusun internal node lakukan satu-persatu.
FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas
Jurusan/Program Studi
Kode Mata Kuliah
Nama Mata Kuliah
: Teknologi Industri
: Teknik Industri
: 52224603
: Analisis Keputusan dan Data Mining
Pertemuan ke
:5
Modul ke
:5
Jumlah Halaman : 35
Mulai berlaku
: 2014
FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas
Jurusan/Program Studi
Kode Mata Kuliah
Nama Mata Kuliah
: Teknologi Industri
: Teknik Industri
: 52224603
: Analisis Keputusan dan Data Mining
Pertemuan ke
:5
Modul ke
:5
Jumlah Halaman : 35
Mulai berlaku
: 2014
FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas
Jurusan/Program Studi
Kode Mata Kuliah
Nama Mata Kuliah
: Teknologi Industri
: Teknik Industri
: 52224603
: Analisis Keputusan dan Data Mining
Pertemuan ke
:5
Modul ke
:5
Jumlah Halaman : 35
Mulai berlaku
: 2014
FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas
Jurusan/Program Studi
Kode Mata Kuliah
Nama Mata Kuliah
: Teknologi Industri
: Teknik Industri
: 52224603
: Analisis Keputusan dan Data Mining
Pertemuan ke
:5
Modul ke
:5
Jumlah Halaman : 35
Mulai berlaku
: 2014
Keterangan:
Warna kuning menunjukkan ketidaksesuaian dengan Tingkat Error = 3/18 *100% = 16.67%
FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas
Jurusan/Program Studi
Kode Mata Kuliah
Nama Mata Kuliah
: Teknologi Industri
: Teknik Industri
: 52224603
: Analisis Keputusan dan Data Mining
Pertemuan ke
:5
Modul ke
:5
Jumlah Halaman : 35
Mulai berlaku
: 2014
FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas
Jurusan/Program Studi
Kode Mata Kuliah
Nama Mata Kuliah
: Teknologi Industri
: Teknik Industri
: 52224603
: Analisis Keputusan dan Data Mining
Pertemuan ke
:5
Modul ke
:5
Jumlah Halaman : 35
Mulai berlaku
: 2014
Langkah - langkah Decision Tree dan Nave Bayes dengan Rapid Miner :
1. Buka software rapid miner, klik New Process
2. Pilih File-Import Data-Import Excel Sheet
FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas
Jurusan/Program Studi
Kode Mata Kuliah
Nama Mata Kuliah
: Teknologi Industri
: Teknik Industri
: 52224603
: Analisis Keputusan dan Data Mining
Pertemuan ke
:5
Modul ke
:5
Jumlah Halaman : 35
Mulai berlaku
: 2014
FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas
Jurusan/Program Studi
Kode Mata Kuliah
Nama Mata Kuliah
: Teknologi Industri
: Teknik Industri
: 52224603
: Analisis Keputusan dan Data Mining
Pertemuan ke
:5
Modul ke
:5
Jumlah Halaman : 35
Mulai berlaku
: 2014
5. Klik Next
FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas
Jurusan/Program Studi
Kode Mata Kuliah
Nama Mata Kuliah
: Teknologi Industri
: Teknik Industri
: 52224603
: Analisis Keputusan dan Data Mining
Pertemuan ke
:5
Modul ke
:5
Jumlah Halaman : 35
Mulai berlaku
: 2014
6. Pilihlah atribut dan tipe data yang sesuai, kemudian klik Next.
7. Simpan data di folder yang Anda inginkan kemudian ketik nama file sesuai keinginan
Anda pada kolom Name, kemudian klik Finish
FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas
Jurusan/Program Studi
Kode Mata Kuliah
Nama Mata Kuliah
: Teknologi Industri
: Teknik Industri
: 52224603
: Analisis Keputusan dan Data Mining
Pertemuan ke
:5
Modul ke
:5
Jumlah Halaman : 35
Mulai berlaku
: 2014
FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas
Jurusan/Program Studi
Kode Mata Kuliah
Nama Mata Kuliah
: Teknologi Industri
: Teknik Industri
: 52224603
: Analisis Keputusan dan Data Mining
Pertemuan ke
:5
Modul ke
:5
Jumlah Halaman : 35
Mulai berlaku
: 2014
FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas
Jurusan/Program Studi
Kode Mata Kuliah
Nama Mata Kuliah
: Teknologi Industri
: Teknik Industri
: 52224603
: Analisis Keputusan dan Data Mining
Pertemuan ke
:5
Modul ke
:5
Jumlah Halaman : 35
Mulai berlaku
: 2014
FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas
Jurusan/Program Studi
Kode Mata Kuliah
Nama Mata Kuliah
: Teknologi Industri
: Teknik Industri
: 52224603
: Analisis Keputusan dan Data Mining
Pertemuan ke
:5
Modul ke
:5
Jumlah Halaman : 35
Mulai berlaku
: 2014
13. Klik 2 kali kotak X-Validation, maka akan muncul tampilan seperti di bawah ini :
FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas
Jurusan/Program Studi
Kode Mata Kuliah
Nama Mata Kuliah
: Teknologi Industri
: Teknik Industri
: 52224603
: Analisis Keputusan dan Data Mining
Pertemuan ke
:5
Modul ke
:5
Jumlah Halaman : 35
Mulai berlaku
: 2014
15. Kemudian drag algoritma yang akan digunakan (Decision Tree / Nave Bayes)
misalkanDecision Tree ke dalam kotak Training
FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas
Jurusan/Program Studi
Kode Mata Kuliah
Nama Mata Kuliah
: Teknologi Industri
: Teknik Industri
: 52224603
: Analisis Keputusan dan Data Mining
Pertemuan ke
:5
Modul ke
:5
Jumlah Halaman : 35
Mulai berlaku
: 2014
FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas
Jurusan/Program Studi
Kode Mata Kuliah
Nama Mata Kuliah
: Teknologi Industri
: Teknik Industri
: 52224603
: Analisis Keputusan dan Data Mining
Pertemuan ke
:5
Modul ke
:5
Jumlah Halaman : 35
Mulai berlaku
: 2014
FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas
Jurusan/Program Studi
Kode Mata Kuliah
Nama Mata Kuliah
: Teknologi Industri
: Teknik Industri
: 52224603
: Analisis Keputusan dan Data Mining
20. Hubungkan :
Pertemuan ke
:5
Modul ke
:5
Jumlah Halaman : 35
Mulai berlaku
: 2014
FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas
Jurusan/Program Studi
Kode Mata Kuliah
Nama Mata Kuliah
: Teknologi Industri
: Teknik Industri
: 52224603
: Analisis Keputusan dan Data Mining
Pertemuan ke
:5
Modul ke
:5
Jumlah Halaman : 35
Mulai berlaku
: 2014
21. Klik kotak Decision Tree maka akan muncul tampilan di bawah ini, kemudian klik
criterion dan pilih information_gain
FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas
Jurusan/Program Studi
Kode Mata Kuliah
Nama Mata Kuliah
: Teknologi Industri
: Teknik Industri
: 52224603
: Analisis Keputusan dan Data Mining
Pertemuan ke
:5
Modul ke
:5
Jumlah Halaman : 35
Mulai berlaku
: 2014
23. Hubungkan :
FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas
Jurusan/Program Studi
Kode Mata Kuliah
Nama Mata Kuliah
: Teknologi Industri
: Teknik Industri
: 52224603
: Analisis Keputusan dan Data Mining
Pertemuan ke
:5
Modul ke
:5
Jumlah Halaman : 35
Mulai berlaku
: 2014
FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas
Jurusan/Program Studi
Kode Mata Kuliah
Nama Mata Kuliah
: Teknologi Industri
: Teknik Industri
: 52224603
: Analisis Keputusan dan Data Mining
Pertemuan ke
:5
Modul ke
:5
Jumlah Halaman : 35
Mulai berlaku
: 2014
26. Untuk melihat tingkat akurasi maka klik Performance Vector, maka akan muncul output
sebagai berikut :