“ALGORITMA C4.

5 DALAM MENENTUKAN SPESIFIKSI MOBIL

AMERIKA DI TAHUN 1993”

Disusun Oleh :
1. Aras Maulana 11170612
2. Diki Fabrianto 11170463
3. Syarif hidayah 11170614
4. Taufik Nur Iskandar 11170422

SEKOLAH TINGGI INFORMASI DAN KOMUNIKASI

NUSA MANDIRI KRAMAT 18
PROGRAM STUDI SISTEM INFORMASI
2019
 KATA PENGANTAR

Puji syukur kehadirat Tuhan Yang Maha Esa yang telah memberikan taufik dan
hidayahnya, sehingga kami mampu menyelesaikan makalah ini dengan judul “Data
Mining“. Namun penyusun menyadari bahwa dalam penyusunan makalah ini masih jauh
dari kesempurnaan. Tidak lupa juga untuk kami ucapkan terima kasih kepada dosen
pembimbing kami “” yang telah memberi kami tugas ini.
Dalam penyusunan makalah ini tidak lepas dari berbagai pihak. Dari itu penyusun
menyampaikan rasa terimakasih kepada semua pihak yang telah membantu sehinnga
makalah ini dapat diselesaikan tepat pada waktunya. Semoga makalah ini bermanfaat bagi
penulis pada khususnya dan bagi pembaca pada umumnya.

Jakarta, 19 Mei 2019

Penyusun

i
 DAFTAR ISI
HALAMAN JUDUL
KATA PENGANTAR ............................................................................................................ i
DAFTAR ISI .......................................................................................................................... i
DAFTAR GAMBAR ............................................................................................................ iv
BAB I PENDAHULUAN ..................................................................................................... 1
1.1 Latar Belakang ............................................................................................................. 1
1.2 Rumusan Masalah ........................................................................................................ 2
1.3 Tujuan Penelitian ......................................................................................................... 2
1.4 Manfaat Penelitian ....................................................................................................... 2
BAB II LANDASAN TEORI................................................................................................ 4
2.1 Tinjauan pustaka .......................................................................................................... 4
2.2.1 Pengertian Data mining ......................................................................................... 5
2.2.2 Proses Data Mining ............................................................................................... 5
2.2.3 Tahapan Proses KDD ........................................................................................... 7
2.2.4 Mode Data mining ................................................................................................. 9
2.3 Data Warehouse ........................................................................................................... 9
2.3.1 Pengertian data warehouse .................................................................................... 9
2.3.2 Arsitektur Data warehouse .................................................................................. 10
2.4 Algoritma C4.5 .......................................................................................................... 12
2.4.1 Langkah membangun pohon keputusan menggunakan C4.5 .............................. 13
BAB III METODE PENELITIAN ...................................................................................... 15
3.1 Metode Pengumpulan ................................................................................................ 15
3.1.1 Studi Pustaka ....................................................................................................... 15
3.2 Sumber Data .............................................................................................................. 16
3.2.1 Data Primer ......................................................................................................... 16
3.2.2 Data Sekunder ..................................................................................................... 16
3.3 Metode yang Diusulkan ............................................................................................. 16
BAB IV HASIL DAN PEMBAHASAN ............................................................................. 17
4.1 Pengumpulan Data ..................................................................................................... 17
4.2 Penyeleksian Data ...................................................................................................... 17
4.3 Hasil dan Pembahasan ............................................................................................... 19
BAB V KESIMPULAN DAN SARAN .............................................................................. 27
5.1 Kesimpulan ................................................................................................................ 27

ii
 5.2 Saran .......................................................................................................................... 27
DAFTAR PUSTAKA .......................................................................................................... 28

iii
 DAFTAR GAMBAR

Gambar 2.1 Tahapan Data Mining …………………………………………………………7

Gambar 2.2 Arsitektur Data Warehouse ………………………………………………….10

iv
 BAB I

PENDAHULUAN

1.1 Latar Belakang

Industri otomotif ialah merancang, mengembangkan, memproduksi, memasarkan,

dan menjual kendaraan bermotor dunia. Pada tahun 2007, lebih dari 73 juta kendaraan

bermotor, termasuk mobil dan kendaraan komersial diproduksi ke seluruh dunia.

Pada tahun 2007, sejumlah 71,9 juta mobil baru dijual ke seluruh dunia: 22,9 juta

ke Eropa, 21,4 juta di Asia-Pasifik, 19,4 juta ke Amerika Serikat dan Kanada, 4,4 juta

di Amerika Latin, 2,4 di Timur Tengah dan 1,4 juta di Afrika.[2] Pasaran di Amerika

Utara dan Nihon menjadi stagnan, sementara di Amerika Selatan dan Asia berkembang

pesat. Dari pemasar utama, Rusia, Brasil, India dan Republik Rakyat

Tiongkok menunjukkan pertumbuhan yang cepat.

Seiring dengan perkembangan jaman dan semakin meningkatnya kebutuhan alat

transportasi membawa peluang bagi perusahaan otomotif roda empat, yang sangat

dibutuhkan oleh banyak khalayak publik sebagai sarana transportasi sehari–hari yang lebih

efisien dan dinamis. Saat ini banyak sekali bermunculan merek mobil dengan berbagai

model, desain, dengan pilihan kualitas dan harga yang cukup bersaing. Bagi perusahaan yang

bergerak di bidang otomotif, kondisi ini merupakan suatu peluang untuk menguasai pangsa

pasar di bidang transportasi. Perusahaan otomotif yang ada di Amerika sangat banyak,

diantaranya Audi, BMW, Chevrolet, Ford, dan lain-lain

Data mining merupakan kegiatan proses pengolahan data dengan melakukan

perhitungan yang tepat untuk menghasilkan ilmu yang berguna. Dalam Penggunaan

algoritma C4.5, dapat digunakan untuk menentukan dan memprediksi suatu objek. Dengan

1
melakukan perhitungan data mining metode klasifikasi algoritma C4.5 kita dapat membuat

pohon keputusan yang akan membantu menentukan spesifkasi mobil berdasarkan

transmisinya

Berdasarkan permasalahan yang dibahas tersebut, maka penulis tertarik untuk

mengambil judul dengan tema “ALGORITMA C4.5 DALAM MENENTUKAN

SPESIFIKSI MOBIL AMERIKA DI TAHUN 1993”

1.2 Rumusan Masalah

Berdasarkan latar belakang yang sudah dibahas diawal, penulis dapat merumuskan

masalahnya yaitu bagaimana mengimplementasikan data mining algoritma C4.5 dalam

menentukan spesifikasi mobil di Amerika.

1.3 Tujuan Penelitian

Berdasarkan rumusan masalah yang telah dituliskan diatas, maka tujuan dari

penelitian ini adalah untuk mengimplementasikan data mining dengan metode klasifikasi

algoritma C4.5 untuk menentukan spesifikasi mobil di Amerika. Hasil dari pengujian

penelitian ini akan berguna untuk mengklasifikasikan spesifikasi mobil.

1.4 Manfaat Penelitian

Beberapa manfaat penelitian yaitu diantaranya :

1. Bagi Masyarakat Umum

Membantu untuk menentukan spesifikasi mobil yang ingin dibelinya

2. Bagi Penulis

2
Sebagai salah satu syarat agar dapat menyelesaikan tugas akhir mata pelajaran

Data Warehouse pada jurusan Sistem Informasi

3
 BAB II

LANDASAN TEORI

Penelitian tugas akhir yang dituliskan ini dibuat dengan terlebih dahulu melakukan

studi keperpustakaan yang bersumber dari beberapa jurnal dan beberapa penelitian

yang telah adadenganmendukung dan mengangkat topikyang serupa. Beberapareferensi

yang diambil sebagai landasan teori diantaranya yaitu jurnal dan buku yang mengenai

algoritma dan metode yang sesuai dengan topik

2.1 Tinjauan pustaka

Beberapa jurnal dan artikel yang terkaitdengan metode data mining

teknik klasifikasidengan algoritma yang sama dengan topik penelitian ini yaitu:

1. Penerapan Algoritma C4.5 Untuk Penentuan Jurusan Mahasiswa (Liliana Swastina

, 2013)

2. Penerapan Algoritma C4.5 Pada Program Klasifikasi Mahasiswa Dropout (Anik

Andriani , 2012)

3. Implementasi Data Mining dengan Algoritma C4.5 untuk Memprediksi Tingkat

Kelulusan Mahasiswa (David Hartanto Kamagi, Seng Hansun , 2014)

4. Perbandingan Performansi Algoritma C4.5 Dan Cart Dalam Klasifiksi Data Nilai

Mahasiswa Prodi Teknik Komputer Politeknik Negeri Padang (Indri Rahmayuni ,

2014)

5. Analisa Dan Penerapan Metode C4.5 Untuk Prediksi Loyalitas Pelanggan (Teguh

Budi Santoso , 2016)

4
2.2 Data mining
2.2.1 Pengertian Data mining

Data Mining adalah proses yang menggunakan teknik statistik, matematika, kecerdasan

buatan, machine learning untuk mengekstraksi dan mengidentifikasi informasi yang bermanfaat

dan pengetahuan yang terkait dari berbagai database besar (Turban dkk. 2005). Terdapat beberapa

istilah lain yang memiliki makna sama dengan data mining, yaitu Knowledge discovery in

databases (KDD), ekstraksi pengetahuan (knowledge extraction), Analisa data/pola (data/pattern

analysis), kecerdasan bisnis (business intelligence) dan data archaeology dan data

dredging(Larose, 2005)

Terdapat beberapa istilah lain yang memiliki makna sama dengan data mining,

yaitu Knowledge discovery in databases (KDD), ekstraksi pengetahuan (knowledge extraction),

Analisa data/pola (data/pattern analysis), kecerdasan bisnis (business intelligence) dan data

archaeology dan data dredging (Larose, 2005)

2.2.2 Proses Data Mining

Proses yang umumnya dilakukan oleh data mining antara lain: deskripsi, prediksi,

estimasi, klasifikasi, clustering dan asosiasi. Secara rinci proses data mining dijelaskan

sebagai berikut (Larose, 2005):

a. Deskripsi

Deskripsi bertujuan untuk mengidentifikasi pola yang muncul secara berulang pada

suatu data dan mengubah pola tersebut menjadi aturan dan kriteria yang dapat mudah

dimengerti oleh para ahli pada domain aplikasinya. Aturan yang dihasilkan harus mudah

dimengerti agar dapat dengan efektif meningkatkan tingkat pengetahuan (knowledge) pada

sistem. Tugas deskriptif merupakan tugas data mining yang sering dibutuhkan pada teknik

postprocessing untuk melakukan validasi dan menjelaskan hasil dari proses data mining.

5
Postprocessing merupakan proses yang digunakan untuk memastikan hanya hasil yang valid

dan berguna yang dapat digunakan oleh pihak yang berkepentingan.

b. Prediksi

Prediksi memiliki kemiripan dengan klasifikasi, akan tetapi data diklasifikasikan

berdasarkan perilaku atau nilai yang diperkirakan pada masa yang akan datang. Contoh dari

tugas prediksi misalnya untuk memprediksikan adanya pengurangan jumlah pelanggan

dalam waktu dekat dan prediksi harga saham dalam tigabulan yang akan datang.

c. Estimasi

Estimasi hampir sama dengan prediksi, kecuali variabel target estimasi lebih ke arah

numerik dari pada ke arah kategori. Model dibangun menggunakan record lengkap yang

menyediakan nilai dari variabel target sebagai nilai prediksi Selanjutnya, pada peninjauan

berikutnya estimasi nilai dari variabel target dibuat berdasarkan nilai variabel prediksi.

Sebagai contoh, akan dilakukan estimasi tekanan darah sistolik pada pasien rumah sakit

berdasarkan umur pasien, jenis kelamin, berat badan, dan level sodium darah. Hubungan

antara tekanan darah sistolik dan nilai variabel prediksi dalam proses pembelajaran akan

menghasilkan model estimasi.

d. Klasifikasi

Klasifikasi merupakan proses menemukan sebuah model atau fungsi yang

mendeskripsikan dan membedakan data ke dalam kelas-kelas. Klasifikasi melibatkan proses

pemeriksaan karakteristik dari objek dan memasukkan objek ke dalam salah satu kelas yang

sudah didefinisikan sebelumnya.

e. Clustering

6
 Clustering merupakan pengelompokan data tanpa berdasarkan kelas data tertentu ke

dalam kelas objek yang sama. Sebuah kluster adalah kumpulan record yang memiliki

kemiripan suatu dengan yang lainnya dan memiliki ketidakmiripan dengan record dalam

kluster lain. Tujuannya adalah untuk menghasilkan pengelompokan objek yang mirip satu

sama lain dalam kelompok-kelompok. Semakin besar kemiripan objek dalam suatu cluster

dan semakin besar perbedaan tiap cluster maka kualitas analisis cluster semakin baik.

f. Asosiasi

Tugas asosiasi dalam data mining adalah menemukan atribut yang muncul dalam

suatu waktu. Dalam dunia bisnis lebih umum disebut analisis keranjang belanja (market

basket analisys). Tugas asosiasi berusaha untuk mengungkap aturan untuk mengukur

hubungan antara dua atau lebih atribut.

2.2.3 Tahapan Proses KDD

Tahapan yang dilakukan pada proses data mining diawali dari seleksi data dari data

sumber ke data target, tahap preprocessing untuk memperbaiki kualitas data, transformasi,

data mining serta tahap interpretasi dan evaluasi yang menghasilkan output berupa

pengetahuan baru yang diharapkan memberikan kontribusi yang lebih baik. Secara detail

dijelaskan sebagai berikut (Fayyad, 1996):

7
 Gambar 2.1 Tahapan data mining

1. Data selection

Pemilihan (seleksi) data dari sekumpulan data operasional perlu dilakukan sebelum

tahap penggalian informasi dalam KDD dimulai. Data hasil seleksi yang digunakan untuk

proses data mining, disimpan dalam suatu berkas, terpisah dari basis data operasional.

2. Pre-processing / cleaning

Sebelum proses data mining dapat dilaksanakan, perlu dilakukan proses cleaning

pada data yang menjadi fokus KDD. Proses cleaning mencakup antara lain membuang

duplikasi data, memeriksa data yang inkonsisten, dan memperbaiki kesalahan pada data.

3. Transformation

Coding adalah proses transformasi pada data yang telah dipilih, sehingga data

tersebut sesuai untuk proses data mining. Proses coding dalam KDD merupakan proses

kreatif dan sangat tergantung pada jenis atau pola informasi yang akan dicari dalam basis

data.

8
4. Data mining

Data mining adalah proses mencari pola atau informasi menarik dalam data terpilih

dengan menggunakan teknik atau metode tertentu. Teknik, metode, atau algoritma dalam

data mining sangat bervariasi. Pemilihan metode atau algoritma yang tepat sangat

bergantung pada tujuan dan proses KDD secara keseluruhan.

5. Interpretation / evalution

Pola informasi yang dihasilkan dari proses data mining perlu ditampilkan dalam

bentuk yang mudah dimengerti oleh pihak yang berkepentingan. Tahap ini merupakan

bagian dari proses KDD yang disebut interpretation. Tahap ini mencakup pemeriksaan

apakah pola atau informasi yang ditemukan bertentangan dengan fakta atau hipotesis yang

ada sebelumnya.

2.2.4 Mode Data mining

A. Prediction Methods Menggunakan beberapa variabel untuk memprediksi sesuatu

atau suatu nilai yang akan datang.

B. Description Methods Mendapatkan pola penafsiran (human interpretable patterns)

untuk menjelaskandata.

2.3 Data Warehouse

2.3.1 Pengertian data warehouse

Data Warehouse Adalah Sekumpulan Informasi Yang Disimpan Dalam Basis Data

Yang Digunakan Untuk Mendukung Pengambilan Keputusan Dalam Sebuah Organisasi.

Data Dikumpulkan Dari Berbagai Aplikasi Yang Telah Ada. Data Yang Telah Dikumpulkan

9
Tersebut Kemudian Divalidasi Dan Direstrukturisasi Lagi, Untuk Selanjutnya Disimpan

Dalam Data Warehouse. Pengumpulan Data Ini Memungkinkan Para Pengambil Keputusan

Untuk Pergi Hanya Ke Satu Tempat Untuk Mengakses Seluruh Data Yang Ada Tentang

Organisasinya ( Wayne, S. Freeze. 2000 )

2.3.2 Arsitektur Data warehouse

Dasar dari suatu data warehouse adalah suatu data yang besar yang mengandung

informasi bisnis. Data-data yang ada di dalam data warehouse bisa berasal dari banyak

sumber, misalkan dari database operasional atau transaksional dan sumber dari luar misalkan

dari web, penyedia jasa informasi, dari perusahaan lain, dan lain sebagainya. Data warehouse

mengandung beberapa elemen penting antara lain [Mallach, 2000,h.473]:

1. Sumber data yang digunakan oleh data warehouse, database transaksional dan

sumber data eksternal.

2. Proses ETL (Extraction, Transformation, Loading) dari sumber data ke database data

warehouse.

3. Membuat suatu ringkasan atau summary terhadap data warehouse misalkan dengan

menggunakan fungsi agregat.

4. Metadata.

Metadata mengacu data tentang data. Metadata menguraikan struktur dan

beberapa arti tentang data, dengan demikian mendukung penggunaan efektif atau

tidak efektif dari data.

5. Database data warehouse.

Database ini berisi data yang detail dan ringkasan data dari data yang ada di

dalam data warehouse. Karena data warehouse tidak digunakan dalam proses

transaksi individu, maka databasenya tidak perlu diorganisasikan untuk akses

10
 transaksi dan untuk pengambilan data, melainkan dioptimisasikan untuk pola akses

yang berbeda di dalam analisis.

6. Query Tools

yaitu dengan OLAP (Online Analytical Processing ) dan data mining. Tool

untuk query ini meliputi antarmuka pengguna akhir dalam mengajukan pertanyaan

kepada database, dimana proses ini disebut sebagai On-line Analytical Processing

(OLAP). Tool ini juga terdiri dari tool otomatis yang menemukan pola-pola di dalam

data, yang sering disebut sebagai data mining. Data warehouse harus memiliki salah

satu dari kedua tipe ini atau malah kedua-duanya.

7. User.Pengguna yang memanfaatkan data warehouse tersebut

Gambar 2.2 Arsitektur data warehouse

11
 2.4 Algoritma C4.5

Algoritma C4.5 adalah algoritma yang termasuk dalam data mining tipe klasifikasi

data dengan menggunakan teknik pohon keputusan sebagai alat untuk pengambilan

keputusan. Pohon keputusan merupakan teknik yang terkenal dan disukai karena memiliki

kelebihan-kelebihan khusus. Kelebihan tersebut seperti contoh dapat melakukan pengolahan

data yang berbentuk numerik (kontinyu) dan diskret, dapat menjadi solusi jika terdapat nilai

atribut yang hilang, aturan-turan yang dihasilkan oleh pohon keputusan dapat di

interpretasikan dan merupakan 14 algoritma tercepat di antara algoritma-algoritma di data

mining yang menggunakan memori utama di komputer. Algoritma C4.5 membangun pohon

keputusan dari data-data pelatihan yang telah di buat, yang berupa kasus-kasus atau record

dalam basis data. Setiap atributatribut yang terdapat pada pohon keputusan dapat berisi data-

data yang berupa diskret atau kontinyu (numerik). C4.5 juga dapat menyelesaikan

permasalahan yang permasalahan tersebut tidak memiliki unsur nilai untuk sebuah atau lebih

atribut. Namun, atribut kelas tersebut hanya dapat bertipe diskret dan tidak boleh kosong.

Terdapat tiga prinsip kerja dari algoritma C4.5 yaitu sebagai berikut :

1. Pembuatan zPohon Keputusan Obyek dari algoritma yang mengahasilkan sebuah

pohon keputusan adalah membangun struktur-struktur data pohon (dinamakan pohon

keputusan) yang akan digunakan untuk melakukan prediksi kelas dari sebuah

permsalahan atau record-record baru yang belum memiliki kelas. Algoritma ini

memilih pemecahan permsalahan yang terbaik dengan melakukan penghitungan dan

melakukan perbandingan gain ratio, dan node-node akan terbentuk pada level

berikutnya, dilakukan terus-menerus hingga membentuk daun-daun.

12
 2. Pemangkasan Pohon Keputusan dan melakukan Evaluasi (Opsional) Dikarenakan

pohon keputusan yang terbentuk dapat berukuran besar dan sulit untuk dibaca,

Algoritma C4.5 dapat melakukan penyederhanaan pohon dengan melakukan

pemangkasan-pemangkasandengan berdasarkan nilai tingkat kepercayaan

(confidence level). Selain untuk melakukan pengurangan ukuran pohon,

pemangkasan berfungsi juga untuk mengurangi kesalahan prediksi pada record baru.

3. Pembuatan Aturan-Aturan dari Pohon Keputusan (Opsional) Aturan-aturan yang

terdapat pada pohon keputusan yang berbentuk if-then merupakan aturan yang

diturunkan dari pohon keputusan dengan melakukan penelusuran dari akar hingga ke

daun. Setiap node yang terbentuk dan persyaratandari pencabangannya akan

diberikan pada if, sedangkan untuk nilai pada daun pohon keputusan akan dituliskan

dengan then. 15 Setelah semua aturan-aturan telah dibuat, maka akan dilakukan

penyederhanaan aturan (digabung atau diperumum)

2.4.1 Langkah membangun pohon keputusan menggunakan C4.5

Adapun langkah-langkah dalam membangun dan membentuk pohon keputusan

dengan mengunakan data mining algoritma C4.5 adalah[6]:

1. Pohon dimulai dengan sebuah simpul yang mereperesentasikan sampel data

pelatihan yaitu dengan membuat simpul akar.

2. Jika semua sampel berada dalam kelas yang sama, maka simpul ini menjadi daun

dan dilabeli menjadi kelas. Jika tidak, gain ratio akan digunakan untuk memilih

atribut split, yaitu atribut yang terbaik dalam memisahkan data sampel menjadi kelas-

kelas individu.

3. Cabang akan dibuat untuk setiap nilai pada atribut dan data sampel akan dipartisi

lagi.

13
4. Algoritma ini menggunakan proses rekursif untuk membentuk pohon keputusan pada

setiap data partisi. Jika sebuah atribut sduah digunakan disebuah simpul, maka atribut

ini tidak akan digunakan lagi di simpul anakanaknya.

5. Proses ini berhenti jika dicapai kondisi seperti berikut : a. Semua sampel pada simpul

berada di dalam satu kelas. b. Tidak ada atribut lainnya yang dapat digunakan untuk

mempartisi sampel lebih lanjut. Dalam hal ini akan diterapkan suara terbanyak. Ini

berarti mengubah sebuah simpul menjadi daun dan melabelinya dnegan kelas pada

suara terbanyak.

14
 BAB III

METODE PENELITIAN

Metode penelitian terdiri atas dua kata yaitu metode dan penelitian. Metode berasal

dari kata Yunani yaitu methodos yang berarti cara atau jalan untuk mencapai sasaran atau

tujuan dalam suatu permasalahan, kata yang mengikutinya adalah penelitian yang berarti

suatu cara untuk mencapai sesuatu dengan metode tertentu, dengan cara hati-hati, sistematik

dan sempurna terhadap permasalahan yang sedang dihadapi.

Metode penelitian menurut Supriati (2012:5) adalah sebagai berikut : “Metode

penelitian adalah tatacara bagaimana suatu penelitian dilaksanakan.” Menurut Sugiyono

(2009:2) menyatakan bahwa: “Metode penelitian pada dasarnya merupakan cara ilmiah

untuk mendapatkan data dengan tujuan dan kegunaan tertentu.”

Penelitian kuantitatif adalah suatu proses menemukan pengetahuan yang

menggunakan data berupa angka sebagai alat menganalisa keterangan mengenai apa yang

ingin diketahui.(Kasiram (2008:149) Metodologi Penelitian Kualitatif dan Kuantitatif).

3.1 Metode Pengumpulan

Data Di dalam sebuah kegiatan penelitian dibutuhkan pengumpulan data-data dan

metode pengumpulan data yang memiliki perananan penting untuk memberikan keakuratan

dan kualitas dari data yang akan digunakan didalam proses penelitian. Terdapat metode –

metode yang dapat digunakan untuk mendukung peneletian adalah:

3.1.1 Studi Pustaka

Metode yang dapat digunakan oleh peneliti didalam mencari sebuah informasi yang

terkait dengan tema penelitian dan metode dari jurnal peneitian yang memiliki kemiripan

tema dengan melakukan studi keperpustakaan dan mencari jurnal penelitian pada media

15
digital yang berhubungan dengan algoritma data mining. Dapat juga pada buku-buku yang

berhubungan langsung pada algoritma yang digunakan oleh peneliti.

3.2 Sumber Data

Sumber-sumber data penelitian yang digunakan pada penelitian dapat yang diperoleh dan

dikelompokan menjadi 2, yaitu:

3.2.1 Data Primer

Data primer merupakan data yang didapatkan dengan melakuakn sebuah pengamatan

secara langsung terkait dengan penelitian seperti melakukan survey dan wawancara, dimana

hasil dari kegiatan survey dan wawancara tersebut dapat digunakan untuk bahan penelitian

didalam penerapan Classification Rules yang berguna untuk memprediksi calon mahasiswa

yang dapat dilihat pada pembuatan pohon keputusan.

3.2.2 Data Sekunder

Data sekunder meruapakan data yang didapatkan dalam bentuk sebuah informasi

seperti pada jurnal, literatur, buku dan juga media digital; seperti internet yang berkaitan

langsung dengan metode dan tema penelitian yang disusun oleh penulis.

3.3 Metode yang Diusulkan

Metode yang diusulkan dalam penelitian ini yaitu menggunakan metode data mining

algoritma C.45 dalam spesifikasi mobil dengan menggunakan pohon keputusan pada data

manufakur mobil di Amerika Serikat

16
 BAB IV

HASIL DAN PEMBAHASAN

4.1 Pengumpulan Data

Dalam tugas akhir ini sumber data yang digunakan berasal dari data spesifikasi mobil yang keluar

di amerika. Kemudian data yang didapat akan diolah dengan menggunakan metode proses C 4.5

untuk mendapatkan pohon keputusan

4.2 Penyeleksian Data

Dalam proses data mining proses pertama yang dilakukan ialah peyeleksian data dari

spesifikasi mobil yang keluar. Dari data yang diperoleh terdapat 25 atribut. Kemudian

atribut yang dipakai dalam proses data mining diambil 5 atribut dari 25 atribut. Variabel

yang digunakan dalam poses data mining menggunakan atribut dari Type, Air Bags,

Cylinders, Passangers dan Manual.

No. Type AirBags Cyls Passengers Manual

1 Small 0 4 5 Yes
2 Midsize 2 6 5 Yes
3 Compact 1 6 5 Yes
4 Midsize 2 6 6 Yes
5 Midsize 1 4 4 Yes
6 Midsize 1 4 6 No
7 Large 1 6 6 No
8 Large 1 6 6 No
9 Midsize 1 6 5 No
10 Large 1 8 6 No
11 Midsize 2 8 5 No
12 Compact 0 4 5 Yes
13 Compact 1 4 5 Yes
14 Sporty 2 6 4 Yes
15 Midsize 0 4 6 No
16 Van 0 6 7 No
17 Van 0 6 8 No
18 Large 1 8 6 No

17
 19 Sporty 1 8 2 Yes
20 Large 2 6 6 No
21 Compact 2 4 6 No
22 Large 1 6 6 No
23 Small 0 4 5 Yes
24 Small 1 4 5 Yes
25 Compact 1 4 6 Yes
26 Van 1 6 7 No
27 Midsize 1 4 6 No
28 Sporty 1 6 4 Yes
29 Small 0 4 5 Yes
30 Large 2 6 6 No
31 Small 0 4 4 Yes
32 Small 0 4 5 Yes
33 Compact 0 4 5 Yes
34 Sporty 1 4 4 Yes
35 Sporty 1 4 4 Yes

Rumus Perhitungan Gain

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

18
Keterangan:

S : himpunan kasus

A : fitur

n : jumlah partisi S

pi : proporsi dari Si terhadap S

4.3 Hasil dan Pembahasan

No. Type AirBags Cyls Passengers Manual

1 Small 0 4 5 Yes
2 Midsize 2 6 5 Yes
3 Compact 1 6 5 Yes
4 Midsize 2 6 6 Yes
5 Midsize 1 4 4 Yes
6 Midsize 1 4 6 No
7 Large 1 6 6 No
8 Large 1 6 6 No
9 Midsize 1 6 5 No
10 Large 1 8 6 No
11 Midsize 2 8 5 No
12 Compact 0 4 5 Yes
13 Compact 1 4 5 Yes
14 Sporty 2 6 4 Yes
15 Midsize 0 4 6 No
16 Van 0 6 7 No
17 Van 0 6 8 No
18 Large 1 8 6 No
19 Sporty 1 8 2 Yes
20 Large 2 6 6 No
21 Compact 2 4 6 No
22 Large 1 6 6 No
23 Small 0 4 5 Yes
24 Small 1 4 5 Yes

19
25 Compact 1 4 6 Yes
26 Van 1 6 7 No
27 Midsize 1 4 6 No
28 Sporty 1 6 4 Yes
29 Small 0 4 5 Yes
30 Large 2 6 6 No
31 Small 0 4 4 Yes
32 Small 0 4 5 Yes
33 Compact 0 4 5 Yes
34 Sporty 1 4 4 Yes
35 Sporty 1 4 4 Yes

Keseluruhan
Total 35
Ya 19
Tidak 16
Ya 0,542857 -0,88136 0,47845
Tidak 0,457143 -1,12928 0,516244
0,994694

Type
Small MidSize
Total 6 Total 8
Ya 6 Ya 3
Tidak 0 Tidak 5
Ya 1 0 0 Ya 0,375 -1,41504 0,530639
Tidak 0 0 0 Tidak 0,625 -0,67807 0,423795
0 0,954434

Compact Large
Total 6 Total 7
Ya 5 Ya 1
Tidak 1 Tidak 6
Ya 0,833333 -0,26303 0,219195 Ya 0,142857 -2,80735 0,401051
Tidak 0,166667 -2,58496 0,430827 Tidak 0,857143 -0,22239 0,190622
0,650022 0,591673

20
Sporty Van
Total 5 Total 3
Ya 5 Ya 0
Tidak 0 Tidak 3
Ya 1 0 0 Ya 0 0 0
Tidak 0 0 0 Tidak 1 0 0
0 0

Gain JML*entrp
Small 0,171429 0
Mid Size 0,228571 0,21815634
Compact 0,171429 0,65002242
Large 0,2 0,11833456
Sporty 0,142857 0
Van 0,085714 0
Total Entropi 0,994694
0,98651332
0,00818047

Air Bags
0 1
Total 10 Total 18
Ya 8 Ya 9
Tidak 2 Tidak 9
Ya 0,8 -0,32193 0,257542 Ya 0,5 -1 0,5
Tidak 0,2 -2,32193 0,464386 Tidak 0,5 -1 0,5
0,721928 1

2 Gain JML*entrp
Total 7 0 0,285714 0,206265
Ya 3 1 0,514286 0,514286
Tidak 4 2 0,2 0,197046
Ya 0,428571 -1,22239 0,523882 Total Entropi 0,994694
Tidak 0,571429 -0,80735 0,461346 0,917597
0,985228 0,077097

21
Cylinders
4 6
Total 17 Total 14
Ya 13 Ya 5
Tidak 4 Tidak 9
Ya 0,764706 -0,38702 0,295959 Ya 0,357143 -1,48543 0,53051
Tidak 0,235294 -2,08746 0,491168 Tidak 0,642857 -0,63743 0,409776
0,787127 0,940286

8
Total 4 Gain JML*entropi
Ya 1 4 0,485714 0,382318628
Tidak 3 6 0,4 0,376114383
Ya 0,25 -2 0,5 8 0,114286 0,0927175
Tidak 0,75 -0,41504 0,311278 Total Entropi 0,994694
0,811278 0,851150511
0,143543284

Passangers
2 4
Total 1 Total 6
Ya 1 Ya 6
Tidak 0 Tidak 0
Ya 1 0 0 Ya 1 0 0
Tidak 0 0 0 Tidak 0 0 0
0 0

5 6
Total 12 Total 13
Ya 10 Ya 2
Tidak 2 Tidak 11
- -
Ya 0,833333 0,26303 0,219195 Ya 0,153846 2,700439718 0,415452
-
Tidak 0,166667 2,58496 0,430827 Tidak 0,846154 -0,2410081 0,20393
0,650022 0,619382

22
 7 8
Total 2 Total 1
Ya 0 Ya 0
Tidak 2 Tidak 1
Ya 0 0 0 Ya 0 0 0
Tidak 1 0 0 Tidak 1 0 0
0 0

Gain JML*entrp
2 0,028571 0
4 0,171429 0
5 0,342857 0,22286483
6 0,371429 0,23005624
7 0,057143 0
8 0,028571 0
Total Entropi 0,994694
0,45292107
0,54177272

 Perhitungan langkah ke-2

No. Type AirBags Cyls Passengers Manual

1 Small 0 4 5 Yes
2 Midsize 2 6 5 Yes
3 Compact 1 6 5 Yes
4 Midsize 1 6 5 No
5 Midsize 2 8 5 No
6 Compact 0 4 5 Yes
7 Compact 1 4 5 Yes
8 Small 0 4 5 Yes
9 Small 1 4 5 Yes
10 Small 0 4 5 Yes
11 Small 0 4 5 Yes
12 Compact 0 4 5 Yes

23
Keseluruhan
Total 12
Ya 10
Tidak 2
-
Ya 0,833333 0,26303 0,219195
-
Tidak 0,166667 2,58496 0,430827
0,650022

Type
Small MidSize
Total 5 Total 3
Ya 5 Ya 1
Tidak 0 Tidak 2
Ya 1 0 0 Ya 0,333333 -1,58496 0,528321
Tidak 0 0 0 Tidak 0,666667 -0,58496 0,389975
0 0,918296

Compact
Total 4 Gain JML*entrp
Ya 4 Small 0,416667 0
Tidak 0 Mid Size 0,25 0,229573959
Ya 1 0 0 Compact 0,333333 0
Tidak 0 0 0 Total Entropi 0,650022
0 0,229573959
0,420448463

Air Bags
0 1
Total 6 Total 4
Ya 6 Ya 3
Tidak 0 Tidak 1
Ya 1 0 0 Ya 0,75 -0,41504 0,311278
Tidak 0 0 0 Tidak 0,25 -2 0,5
0 0,811278

24
 2 Gain JML*entrp
Total 2 0 0,5 0
Ya 1 1 0,333333 0,270426041
Tidak 1 2 0,166667 0,166666667
Ya 0,5 -1 0,5 Total Entropi 0,650022
Tidak 0,5 -1 0,5 0,437092708
1 0,212929713

Cylinders
4 6
Total 8 Total 3
Ya 8 Ya 2
Tidak 0 Tidak 1
Ya 1 0 0 Ya 0,666667 -0,58496 0,389975
Tidak 0 0 0 Tidak 0,333333 -1,58496 0,528321
0 0,918296

8
Total 1 Gain JML*entropi
Ya 1 4 0,666667 0
Tidak 0 6 0,085714 0,078711071
Ya 1 0 0 8 0,028571 0
Tidak 0 0 0 Total Entropi 0,650022
0 0,078711071
0,57131135

No. Type AirBags Cyls Passengers Manual

1 Midsize 2 6 5 Yes
2 Compact 1 6 5 Yes
3 Midsize 1 6 5 No

Keseluruhan
Total 3
Ya 2
Tidak 1
-
Ya 0,666667 0,58496 0,389975
-
Tidak 0,333333 1,58496 0,528321

25
 0,918296

Type
MidSize Compact
Total 2 Total 1
Ya 1 Ya 1
Tidak 1 Tidak 0
Ya 0,5 -1 0,5 Ya 1 0 0
Tidak 0,5 -1 0,5 Tidak 0 0 0
1 0
Gain JML*entrp
Mid Size 0,666667 0,666667
Compact 0,083333 0
Total Ent 0,918296
0
0,918296

Airbags
1 2
Total 2 Total 1
Ya 1 Ya 1
Tidak 1 Tidak 0
Ya 0,5 -1 0,5 Ya 1 0 0
Tidak 0,5 -1 0,5 Tidak 0 0 0
1 0

Gain JML*entrp
1 0,666667 0,666667
2 0,333333 0
Total
Ent 0,918296
0,666667
0,251629

26
 BAB V

KESIMPULAN DAN SARAN

5.1 Kesimpulan

Berdasarkan hasil perhitungan algoritma C4.5 diambil kesimpulan sebagai berikut:

1. factor dominan spefikasi mobil yang telah ada yaitu berdasarkan manual ya atau

tidak nya mobil

2. Algoritma C4.5 merupakan metode algoritma yang cocok untuk diterapkan dalam

menentukan spesifikasi Mobil Hasil tersebut dapat digunakan oleh masyarakat

dalam menentukan spesifikasi mobil

5.2 Saran

1. Jumlah dataset yang digunakan untuk penelitian selanjutnya hendaknya ditambah

dan diperbanyak agar menghasilkan data yang lebih akurat.

2. Jumlah attribute yang digunakan pada penelitian ini masih terlihat 5 atribut. Untuk

pengembangan perlu dilihat faktor lain seperti mennentukan harga mobil pada data

manufaktur mobil di amerika

27
 DAFTAR PUSTAKA

 Turban, E, 2005, Decision Support Systems and Intelligent Systems Edisi Bahasa

Indonesia Jilid 1. Andi: Yogyakarta.

 ayyad, Usama. 1996. Advances in Knowledge Discovery and Data Mining. MIT
Press.

 Larose, D.T. (2005). Discovering Knowledge in Data: An Introduction to Data

mining. Wiley Interscience. Ney Jersey.

 triisant. (2015, juni) documen.tips. [Online].

https://dokumen.tips/documents/algoritma-c45.html

 Industri otomotif
https://id.wikipedia.org/wiki/Industri_otomotif#Referensi

28