Anda di halaman 1dari 15
NAMA KELAS STUDY : T. ZAKIA MAULANI LIA ZAHARA M. ARFAN MAULANA : TI 3.3
NAMA
KELAS
STUDY
: T. ZAKIA MAULANI
LIA ZAHARA
M. ARFAN MAULANA
: TI 3.3
: PENGENALAN POLA
Perhitungan Manual
MAULANA : TI 3.3 : PENGENALAN POLA Perhitungan Manual Tabel 1.1 Keputusan Hipertensi Berat Badan Usia

Tabel 1.1 Keputusan Hipertensi

Berat Badan Usia Jenis Kelamin Keturunan Gaya Hidup Hipertensi Overweight Tua P Ya Tidak Sehat
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 × log 2 (4/10)) + (-6/10 × log 2 (6/10))

= (-0,4 × log 2 (0,4)) + (-0,6 × log 2 (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 Entropi [0,1]

= Overweight

= -0

= -0 ∞ + (-1 × (0))

= 0 bits.

log 2 (0) + (-1 log 2 (1))

Entropi atribut berat badan Entropi [2,1]

Entropi atribut berat badan Entropi [2,1]

= Avarage = (-2/3 log 2 (2/3)) + (-1/3 log 2 (1/3))

= Avarage = (-2/3 log 2 (2/3)) + (-1/3 log 2 (1/3)) = (-0,666 log 2

= (-0,666 log 2 (0,666)) + (-0,333 log 2 (0,333))

= (-0,666 × (-0,586)) + (-0,333 × (-1.586))

= 0,390 + 0,528

= 0,918 bits.

= Underweight = (-2/3 log 2 (2/3)) + (-1/3 log 2 (1/3))

= (-0,666 log 2 (0,666)) + (-0,333 log 2 (0,333)) = (-0,666 × (-0,586)) +
=
(-0,666 log 2 (0,666)) + (-0,333 log 2 (0,333))
=
(-0,666 × (-0,586)) + (-0,333 × (-1.586))
=
0,390 + 0,528
=
0,918 bits.
+ (-0,333 × (-1.586)) = 0,390 + 0,528 = 0,918 bits. Entropi total atribut berat badan

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) + ((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 Entropi [3,4]

Entropi atribut usia Entropi [1,2]

Entropi total atribut usia

= Tua = (-3/7 log 2 (3/7)) + (-4/7 log 2 (4/7))

= (-0,428 log 2 (0,428)) + (-0,571 log 2 (0,571))

= (-0,428 × (-1.224)) + (-0,571 × (-0,808))

= 0,523 + 0,461

= 0.984 bits.

+ (-0,571 × (-0,808)) = 0,523 + 0,461 = 0.984 bits. = Muda = (-1/3 log

= Muda = (-1/3 log 2 (1/3)) + (-2/3 log 2 (2/3))

= (-0,333 log 2 (0,333)) + (-0,666 log 2 (0,666))

= (-0,333 × (-1.586)) + (-0,666 × (-0,586))

= 0,528 + 0,390

= 0,918 bits.

+ (-0,666 × (-0,586)) = 0,528 + 0,390 = 0,918 bits. = entropi ([3,4]; [1,2]) =

= 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
=
0,963 bits.
Gain atribut usia
=
0,969 - 0,963
=
0,006 bits

Perhitungan entropi dan gain atribut Jenis Kelamin

Entropi atribut jenis kelamin Entropi [2,5]

Entropi atribut jenis kelamin Entropi [2,1]

= P = (-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

+ (-0.714 × (-0.486)) = 0.515 + 0.347 = 0.862 bits = L = (-2/3 log

= L = (-2/3 log 2 (2/3)) + (-1/3 log 2 (1/3))

= (-0,666 log 2 (0,666)) + (-0,333 log 2 (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)
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)))
× 0,918))) = (((0,7) × 0,862) + ((0,3) × 0.918))) = 0,603 + 0.275 = 0,878

= 0,603 + 0.275

= 0,878 bits

Gain atribut jenis kelamin

= 0.969 0.878

= 0.091 bits

× 0,862) + ((0,3) × 0.918))) = 0,603 + 0.275 = 0,878 bits Gain atribut jenis

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

(-2.321)) + (-0.8 × (-0.321)) = 0.464 + 0.256 = 0.72 bits Entropi atribut keturunan =

Entropi atribut keturunan = Tidak

Entropi [3,2]

= (-3/5 log 2 (3/5)) + (-2/5 log 2 (2/5))

= (-0,6 log 2 (0,6)) + (-0,4 log 2 (0,4))

= (-0,6 × (-0,736)) + (-0,4 × (-1.321))

= 0,441 + 0,528

= 0,969 bits.

(-0,736)) + (-0,4 × (-1.321)) = 0,441 + 0,528 = 0,969 bits. Entropi total atribut keturunan

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 =
=
0.36 + 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 Entropi [0,1]

= Tidak Sehat

= -0

= -0 ∞ + (-1 × (0))

= 0 bits.

log 2 (0) + (-1 log 2 (1))

Entropi atribut gaya hidup Entropi [1,0]

= Sehat

= (-1 log 2 (1)) + (-0) log 2 (0)

= (-1 × (0)) + (-0)

= 0 bits.

+ (-0) log 2 (0) = (-1 × (0)) + (-0) ∞ = 0 bits. Entropi

Entropi total atribut gaya hidup

= entropi ([0,6]; [4,0])

= (((6/10) × 0) + ((4/10) × 0)

Gain atribut gaya hidup

= (((0.6 ) × 0) + ((0.4) × 0) = 0 + 0 = 0
=
(((0.6 ) × 0) + ((0.4) × 0)
=
0 + 0
=
0 bits
=
0.969 - 0
=
=

0.969 bits

Tabel 1.2 Perhitungan node 1

Tidak Ya Node Jumlah kasus (S) Entropi Gain (S1) (S2) Total 1 10 4 6
Tidak
Ya
Node
Jumlah kasus (S)
Entropi
Gain
(S1)
(S2)
Total
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

tampak pada Tabel 1.2, untuk node 1 diketahui bahwa atribut dengan gain tertinggi adalah gaya hidup,

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

1 yaitu keputusan tidak. Hasil perhitungan pada node 1 dapat digambarkan pohon keputusan seperti gambar 1.1

pohon keputusan seperti gambar 1.1 berikut ini.

Pohon Keputusan

1 Gaya Hidup
1
Gaya
Hidup

Tidak Sehat

Sehat

Tidak
Tidak

Ya

Gambar 1.1 Pohon keputusan hasil perhitungan node 1

Pohon Keputusan 1 Gaya Hidup Tidak Sehat S e h a t Tidak Ya Gambar 1.1
Pohon Keputusan 1 Gaya Hidup Tidak Sehat S e h a t Tidak Ya Gambar 1.1

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,sehat,tidak avarage,muda,p,tidak,tidaksehat,ya

avarage,muda,p,tidak,tidaksehat,ya

underweight,muda,p,ya,tidaksehat,ya

underweight,tua,p,ya,sehat,tidak

underweight,tua,p,ya,sehat,tidak underweight,tua,l,tidak,sehat,tidak

underweight,tua,l,tidak,sehat,tidak

overweight,tua,p,tidak,tidaksehat,ya

underweight,tua,p,ya,sehat,tidak underweight,tua,l,tidak,sehat,tidak overweight,tua,p,tidak,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.

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

Gambar 1.2 Mengklik icon aplikasi Weka

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

2.

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

akan tampil halaman GUI pada Weka seperti pada Gambar 1.3. Gambar 1.3 Tampilan Halaman GUI Weka
akan tampil halaman GUI pada Weka seperti pada Gambar 1.3. Gambar 1.3 Tampilan Halaman GUI Weka

Gambar 1.3 Tampilan Halaman GUI Weka

pada Gambar 1.3. Gambar 1.3 Tampilan Halaman GUI Weka Setelah itu, klik Menu Explorer pada GUI

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

3.

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

5.

yang telah dibuat sebelumnya. Lihat Gambar 1.5. 5. Gambar 1.5 Membuka file hypertens.arff Kemudian, akan tampil
yang telah dibuat sebelumnya. Lihat Gambar 1.5. 5. Gambar 1.5 Membuka file hypertens.arff Kemudian, akan tampil

Gambar 1.5 Membuka file hypertens.arff

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

keseluruhan atribut dalam bentuk grafik batang. Lihat Gambar 1.6. Gambar 1.6 Tampilan grafik batang untuk setiap

1.6.

keseluruhan atribut dalam bentuk grafik batang. Lihat Gambar 1.6. Gambar 1.6 Tampilan grafik batang untuk setiap

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.

akan digunakan. Pilih trees lalu klik J48. Lihat Gambar 1.7. Gambar 1.7 Memilih metode J48 untuk
akan digunakan. Pilih trees lalu klik J48. Lihat Gambar 1.7. Gambar 1.7 Memilih metode J48 untuk

Gambar 1.7 Memilih metode J48 untuk menyelesaikan kasus

7.

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

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

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.

pada Result list, lalu klik Visualize tree. Lihat Gambar 1.9. Gambar 1.9 Melihat pohon keputusan dari
pada Result list, lalu klik Visualize tree. Lihat Gambar 1.9. Gambar 1.9 Melihat pohon keputusan dari

Gambar 1.9 Melihat pohon keputusan dari kasus hypertens

pada Result list, lalu klik Visualize tree. Lihat Gambar 1.9. Gambar 1.9 Melihat pohon keputusan dari

9.

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

pohon keputusan dari kasus hypertens. Lihat Gambar 1.10. Gambar 1.10 Pohon keputusan dari kasus hypertens menggunakan
pohon keputusan dari kasus hypertens. Lihat Gambar 1.10. Gambar 1.10 Pohon keputusan dari kasus hypertens menggunakan

Gambar 1.10 Pohon keputusan dari kasus hypertens menggunakan Weka

Analisa Dari
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

untuk nilai sehat, tampak pada pohon keputusan terdapat keterangan

1.10.

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.

dari nilai atribut tersebut. Sebab itu, nilai sehat pada pohon penurunan berhenti seperti pada Gambar 1.10.

Sedangkan