NAMA : T.

ZAKIA MAULANI
LIA ZAHARA
M. ARFAN MAULANA
KELAS : TI 3.3
STUDY : PENGENALAN POLA

Perhitungan Manual

Tabel 1.1 Keputusan Hipertensi

Berat Badan Usia Jenis Kelamin Keturunan Gaya Hidup Hipertensi

Overweight Tua P Ya Tidak Sehat Ya

Overweight Tua P Ya Tidak Sehat Ya
Overweight Tua L Ya Tidak Sehat Ya
Avarage Tua L Tidak Sehat Tidak
Avarage Muda P Tidak Sehat Tidak
Avarage Muda P Tidak Tidak Sehat Ya
Underweight Muda P Ya Tidak Sehat Ya
Underweight Tua P Ya Sehat Tidak
Underweight Tua L Tidak Sehat Tidak
Overweight Tua P Tidak Tidak Sehat Ya

Perhitungan entropi total :

Entropi (total) = (-4/10 × log2 (4/10)) + (-6/10 × log2 (6/10))
= (-0,4 × log2 (0,4)) + (-0,6 × log2 (0,6))
= (-0,4 × (-1,321)) + (-0,6 × (-0.736))
= 0,528 + 0,441
= 0,969 bits
Perhitungan entropi dan gain atribut Berat Badan

Entropi atribut berat badan = Overweight

Entropi [0,1] = -0 log2 (0) + (-1 log2 (1))
= -0 ∞ + (-1 × (0))
= 0 bits.

Entropi atribut berat badan = Avarage

Entropi [2,1] = (-2/3 log2 (2/3)) + (-1/3 log2(1/3))
= (-0,666 log2 (0,666)) + (-0,333 log2 (0,333))
= (-0,666 × (-0,586)) + (-0,333 × (-1.586))
= 0,390 + 0,528
= 0,918 bits.

Entropi atribut berat badan = Underweight

Entropi [2,1] = (-2/3 log2 (2/3)) + (-1/3 log2(1/3))
= (-0,666 log2 (0,666)) + (-0,333 log2 (0,333))
= (-0,666 × (-0,586)) + (-0,333 × (-1.586))
= 0,390 + 0,528
= 0,918 bits.

Entropi total atribut berat badan

= entropi ([0,4]; [2,1]; [2,1])
= (((4/10) × 0) + ((3/10) × 0,918) + ((3/10) × 0,918)
= (((0,4) × 0) + ((0,3) × 0,918) + ((0,3) × 0,918)
= 0 + 0,275 + 0,275
= 0,55 bits.

Gain atribut berat badan = 0,969 - 0,55

= 0,419 bits.
Perhitungan entropi dan gain atribut Usia

Entropi atribut usia = Tua

Entropi [3,4] = (-3/7 log2 (3/7)) + (-4/7 log2 (4/7))
= (-0,428 log2 (0,428)) + (-0,571 log2 (0,571))
= (-0,428 × (-1.224)) + (-0,571 × (-0,808))
= 0,523 + 0,461
= 0.984 bits.

Entropi atribut usia = Muda

Entropi [1,2] = (-1/3 log2(1/3)) + (-2/3 log2 (2/3))
= (-0,333 log2 (0,333)) + (-0,666 log2 (0,666))
= (-0,333 × (-1.586)) + (-0,666 × (-0,586))
= 0,528 + 0,390
= 0,918 bits.

Entropi total atribut usia

= entropi ([3,4]; [1,2])
= (((7/10) × 0.984) + ((3/10) × 0,918)
= (((0,7) × 0,984) + ((0,3) × 0,918)
= 0,688 + 0,275
= 0,963 bits.

Gain atribut usia = 0,969 - 0,963

= 0,006 bits
Perhitungan entropi dan gain atribut Jenis Kelamin

Entropi atribut jenis kelamin =P

Entropi [2,5] = (-2/7 log2 (2/7)) + (-5/7 log2 (5/7))
= (-0,285 log2 (0,285)) + (-0.714 log2 (0.714))
= (-0.285 × (-1.810)) + (-0.714 × (-0.486))
= 0.515 + 0.347
= 0.862 bits

Entropi atribut jenis kelamin =L

Entropi [2,1] = (-2/3 log2 (2/3)) + (-1/3 log2(1/3))
= (-0,666 log2 (0,666)) + (-0,333 log2 (0,333))
= (-0,666 × (-0,586)) + (-0,333 × (-1.586))
= 0,390 + 0,528
= 0,918 bits.

Entropi total atribut jenis kelamin

= entropi ([2,5]; [2,1])
= (((7/10) × 0,862) + ((3/10) × 0,918)))
= (((0,7) × 0,862) + ((0,3) × 0.918)))
= 0,603 + 0.275
= 0,878 bits

Gain atribut jenis kelamin = 0.969 – 0.878

= 0.091 bits
Perhitungan entropi dan gain atribut Keturunan

Entropi atribut keturunan = Ya

Entropi [1,4] = (-1/5 log2 (1/5)) + (-4/5 log2 (4/5))
= (-0,2 log2 (0,2)) + (-0.8 log2 (0.8))
= (-0.2 × (-2.321)) + (-0.8 × (-0.321))
= 0.464 + 0.256
= 0.72 bits

Entropi atribut keturunan = Tidak

Entropi [3,2] = (-3/5 log2 (3/5)) + (-2/5 log2(2/5))
= (-0,6 log2 (0,6)) + (-0,4 log2 (0,4))
= (-0,6 × (-0,736)) + (-0,4 × (-1.321))
= 0,441 + 0,528
= 0,969 bits.

Entropi total atribut keturunan

= entropi ([1,4]; [3,2])
= (((5/10) × 0,72) + ((5/10) × 0,969)
= (((0,5) × 0,72) + ((0,5) × 0,969)
= 0.36 + 0.484
= 0,844 bits

Gain atribut keturunan = 0.969 - 0,844

= 0.125 bits
Perhitungan entropi dan gain atribut Gaya Hidup

Entropi atribut gaya hidup = Tidak Sehat

Entropi [0,1] = -0 log2 (0) + (-1 log2 (1))
= -0 ∞ + (-1 × (0))
= 0 bits.

Entropi atribut gaya hidup = Sehat

Entropi [1,0] = (-1 log2 (1)) + (-0) log2 (0)
= (-1 × (0)) + (-0) ∞
= 0 bits.

Entropi total atribut gaya hidup

= entropi ([0,6]; [4,0])
= (((6/10) × 0) + ((4/10) × 0)
= (((0.6 ) × 0) + ((0.4) × 0)
= 0+0
= 0 bits

Gain atribut gaya hidup = 0.969 - 0

= 0.969 bits
 Tabel 1.2 Perhitungan node 1

Tidak Ya
Node Jumlah kasus (S) Entropi Gain
Total (S1) (S2)
1 10 4 6 0,969
Berat Badan 0,419
Overweight 4 0 4 0
Avarage 3 2 1 0,918
Underweight 3 2 1 0,918
Usia 0,006
Tua 7 3 4 0,984
Muda 3 1 2 0,918
Jenis Kelamin 0,091
P 7 2 5 0,862
L 3 2 1 0,918
Keturunan 0,125
Ya 5 1 4 0,72
Tidak 5 3 2 0,969
Gaya Hidup 0,969
Tidak Sehat 6 0 6 0
Sehat 4 4 0 0

Berdasarkan hasil perhitungan yang tampak pada Tabel 1.2, untuk node 1 diketahui bahwa atribut
dengan gain tertinggi adalah gaya hidup, sehingga atribut ini akan menjadi node akar. Atribut gaya
hidup memiliki dua nilai yaitu tidak sehat dan sehat. Pada nilai tidak sehat telah mengklasifikasikannya
menjadi 1 yaitu keputusan ya sehingga tidak perlu dilakukan perhitungan lagi, sama halnya untuk
atribut gaya hidup bernilai sehat juga tidak perlu dilakukan perhitungan lagi karena telah
mengklasifikasikan menjadi 1 yaitu keputusan tidak. Hasil perhitungan pada node 1 dapat digambarkan
pohon keputusan seperti gambar 1.1 berikut ini.
Pohon Keputusan

1
Gaya
Hidup

Tidak Sehat Sehat

Ya Tidak

Gambar 1.1 Pohon keputusan hasil perhitungan node 1

 Menyiapkan data kasus hipertensi
dalam bentuk file .arff

@relation hypertens

@attribute beratbadan {overweight, avarage, underweight}

@attribute usia {tua, muda}

@attribute jeniskelamin {p, l}

@attribute keturunan {ya, tidak}

@attribute gayahidup {tidaksehat, sehat}

@attribute hipertensi {ya, tidak}

@data

overweight,tua,p,ya,tidaksehat,ya

overweight,tua,p,ya,tidaksehat,ya

overweight,tua,l,ya,tidaksehat,ya

avarage,tua,l,tidak,sehat,tidak

avarage,muda,p,tidak,sehat,tidak

avarage,muda,p,tidak,tidaksehat,ya

underweight,muda,p,ya,tidaksehat,ya

underweight,tua,p,ya,sehat,tidak

underweight,tua,l,tidak,sehat,tidak

overweight,tua,p,tidak,tidaksehat,ya
Langkah-Langkah Menggunakan
Apk. Weka

1. Cari aplikasi Weka pada computer, lalu klik icon. Lihat Gambar 1.2.

Gambar 1.2 Mengklik icon aplikasi Weka

2. Kemudian akan tampil halaman GUI pada Weka seperti pada Gambar 1.3.

Gambar 1.3 Tampilan Halaman GUI Weka

3. Setelah itu, klik Menu Explorer pada GUI Weka, sehingga akan muncul tampilan seperti
pada Gambar 1.4.

Gambar 1.4 Tampilan tab Preprocess

4. Kemudian, klik Open File untuk membuka data dan cari file hypertens.arff yang telah
dibuat sebelumnya. Lihat Gambar 1.5.

Gambar 1.5 Membuka file hypertens.arff

5. Kemudian, akan tampil grafik batang untuk setiap atribut yang ada. Lalu klik Visualize
All untuk menampilkan keseluruhan atribut dalam bentuk grafik batang. Lihat Gambar
1.6.

Gambar 1.6 Tampilan grafik batang untuk setiap atribut

6. Selanjutnya klik tab Classify yang berada disebelah tab Preprocss. Kemudian klik button
choose untuk memilih metode yang akan digunakan. Pilih trees lalu klik J48. Lihat
Gambar 1.7.

Gambar 1.7 Memilih metode J48 untuk menyelesaikan kasus

7. Lalu klik tombol Start sehingga akan muncul hasil seperti pada Gambar 1.8.

Gambar 1.8 Hasil ketika mengklik tombol start

8. Untuk melihat pohon keputusan dari kasus tersebut, klik kanan pada Result list, lalu klik
Visualize tree. Lihat Gambar 1.9.

Gambar 1.9 Melihat pohon keputusan dari kasus hypertens

9. Berikut ini adalah hasil pohon keputusan dari kasus hypertens. Lihat Gambar 1.10.

Gambar 1.10 Pohon keputusan dari kasus hypertens menggunakan Weka

Analisa

Dari gambar pohon keputusan di atas, dapat di analisa bahwa atribut yang
menjadi node akar adala atribut gaya hidup. Hal ini dikarenakan, atribut gaya hidup
memiliki gain tertinggi dibandingkan atribut lainnya. Atribut gaya hidup memiliki dua
nilai yaitu tidak sehat dan sehat. Tampak pada pohon keputusan, untuk nilai tidak sehat
terdapat keterangan ya (6.0) yang berarti bahwa untuk semua nilai tidak sehat pada
atribut gaya hidup diperoleh 6 keputusan ya dan 0 keputusan tidak. Oleh karena itu, jika
sudah memiliki satu keputusan, tidak lagi diperlukan penurunan pohon dari nilai atribut
tersebut. Sebab itu, nilai tidak sehat pada pohon penurunan berhenti seperti pada Gambar
1.10. Sedangkan untuk nilai sehat, tampak pada pohon keputusan terdapat keterangan
tidak (4.0) yang berarti bahwa untuk semua nilai sehat pada atribut gaya hidup diperoleh
4 keputusan tidak dan 0 keputusan ya. Oleh karena itu, jika sudah memiliki satu
keputusan, tidak lagi diperlukan penurunan pohon dari nilai atribut tersebut. Sebab itu,
nilai sehat pada pohon penurunan berhenti seperti pada Gambar 1.10.