Anda di halaman 1dari 13

BAB II

STUDI LITERATUR

Bab II berisikan mengenai teori-teori yang ada dalam penelitian Tugas Akhir ini.

2.1 KUALITAS
Sub bab ini menjelaskan tentang definisi kualitas, dimensi kualitas, faktor yang
mempengaruhi kualitas.

2.1.1 Definisi Kualitas


Kualitas merupakan sebuah kata yang bagi penyedia jasa merupakan sesuatu
yang harus dikerjakan dengan baik dan benar. Menurut Gasperz (2002) kualitas adalah
totalitas dari fitur-fitur dan karakteristik yang dimiliki oleh produk yang sanggup untuk
memuaskan kebutuhan konsumen. Definisi kualitas menurut Kotler (1997) adalah
seluruh ciri serta sifat dari suatu produk atau pelayanan yang diberikan dapat
memberikan kualitas bila produk atau pelayanan yang diberikan dapat memenuhi atau
melebihi harapan konsumen.

2.1.2 Dimensi Kualitas


Menurut Garvin (1987) sebagai seorang ahli pengendalian kualitas, terdapat 8
(delapan) dimensi kualitas penilaian tentang baik atau buruknya kualitas suatu produk
dapat ditentukan yakni:
1. Performance (Kinerja)
Performance atau Kinerja merupakan dimensi kualitas yang berkaitan dengan
karakteristik utama suatu  produk. Contohnya sebuah Televisi dengan kinerja utama
yang kualitas gambarnya yang dapat dilihat dan kualitas suara yang dapat didengar
dengan jelas dan baik.
2. Features (Fitur)
Features atau Fitur merupakan karakteristik pendukung atau pelengkap dari
karakteristik utama suatu produk. Misalnya pada produk kendaraan beroda empat
(mobil) yang memiliki fitur-fitur pendukung seperti DVD/CD Player, Sensor atau
Kamera Mundur serta Remote Control Mobil.
II-1
Bab II Studi Literatur II-2

3. Reliability (Kehandalan)
Reliability atau Kehandalan adalah dimensi kualitas yang berhubungan dengan
kemungkinan sebuah produk dapat bekerja secara memuaskan pada waktu dan kondisi
tertentu.
4. Conformance (Kesesuaian)
Conformance adalah kesesuaian kinerja dan kualitas produk dengan standar
yang diinginkan. Pada dasarnya, setiap produk memiliki standar ataupun spesifikasi
yang telah ditentukan.
5. Durability (Ketahanan)
Durability ini berkaitan dengan ketahanan suatu produk hingga saatnya harus
diganti. Durability ini biasanya diukur dengan umur atau waktu daya tahan suatu
produk.
6. Serviceability
Serviceability adalah kemudahan layanan atau perbaikan jika dibutuhkan. Hal
ini sering dikaitkan dengan layanan purna jual yang disediakan oleh produsen seperti
ketersediaan suku cadang dan kemudahan perbaikan jika terjadi  kerusakan serta
tersedianya pusat pelayanan perbaikan (Service Center) yang mudah dicapai oleh
konsumen.
7. Aesthetics (Estetika/keindahan)
Aesthetics adalah dimensi kualitas yang berkaitan dengan tampilan, bunyi, rasa
maupun bau suatu produk. Contohnya seperti bentuk tampilan sebuah ponsel yang ingin
dibeli serta suara merdu musik yang dihasilkan oleh ponsel tersebut.
8. Perceived Quality (Kesan Kualitas)
Perceived Quality adalah kesan kualitas suatu produk yang dirasakan oleh
konsumen. Dimensi kualitas ini berkaitan dengan persepsi konsumen terhadap kualitas
sebuah produk ataupun merek seperti ponsel iPhone, mobil toyota, kamera canon,
printer Epson yang menurut kebanyakan konsumen merupakan produk yang berkualitas.

2.1.3 Faktor yang Mempengaruhi Kualitas


Yamit (2005) mengidentifikasikan lima pendekatan perspektif kualitas yang
digunakan oleh para praktisi bisnis, yaitu:
Bab II Studi Literatur II-3

1. Transcendental Approach
Kualitas dalam pendekatan ini adalah sesuatu yang dapat dirasakan, tetapi sulit
didefinisikan dan dioperasionalkan maupun diukur. Perspektif ini umumnya diterapkan
dalam karya seni seperti musik, seni tari, seni drama dan seni rupa. Untuk produk dan
jasa pelayanan, perusahaan dapat mempromosikan dengan menggunakan pernyataan-
pernyataan seperti kelembutan dan kehalusan kulit (sabun mandi), kecantikan wajah
(kosmetik), dan tempat berbelanja yang nyaman (mall). Definisi seperti ini sangat sulit
untuk dijadikan sebagai dasar perencanaan dalam manajemen kualitas.
Contoh: Contoh promosi i-pod. Pada promosi tersebut dikatakan bahwa kualitas
suaranya sangat istimewa sehingga nyaman didengar.
2. Product-based Approach
Kualitas dalam pendekatan ini adalah suatu karakteristik atau atribut yang dapat
diukur. Perbedaan kualitas mencerminkan adanya perbedaan atribut yang dimiliki
produk secara objektif, tetapi pendekatan ini dapat menjelaskan perbedaan dalam selera
dan preferensi individual.
Contoh: produsen motor terkemuka dunia seperti Harley Davidson yang memproduksi
motor dengan desain yang gagah, eksklusif, dan terkesan mewah. Hal tersebut
menunjukkan suatu kualitas dengan atribut yang berbeda apabila dibandingkan dengan
produk motor buatan Jepang pada umumnya. Hal tersebut juga menjadi penentu selera
konsumen. Konsumen yang menyukai motor mewah dan besar (moge) tentunya akan
memilih Harley Davidson, karena tampilan dan citra yang ditampilkan oleh produk
tersebut.
3. User-based Approach
Kualitas dalam pendekatan ini didasarkan pada pemikiran bahwa kualitas
tergantung pada orang yang memandangnya, dan produk yang paling memuaskan
preferensi seseorang atau cocok dengan selera (fitnes for used) merupakan produk yang
berkualitas paling tinggi. Pandangan yang subjektif ini mengakibatkan konsumen yang
berbeda memiliki kebutuhan dan keinginan yang berbeda pula, sehingga kualitas bagi
seseorang adalah kepuasan maksimum yang dapat dirasakannya.
Contoh: Orang Jepang akan merasa nyaman menggunakan smartphone buatan lokal
daripada menggunakan buatan luar negeri. Kualitas dianggap bagus tergantung dari
selera mereka.
4. Manufacturing-based Approach
Bab II Studi Literatur II-4

Kualitas dalam pendekatan ini adalah bersifat supply-based atau dari sudut
pandang produsen yang mendefinisikan kualitas sebagai sesuatu yang sesuai dengan
persyaratannya (conformance quality) dan prosedur. Pendekatan ini berfokus pada
kesesuaian spesifikasi yang ditetapkan perusahaan secara internal. Oleh karena itu, yang
menentukan kualitas adalah standar-standar yang ditetapkan perusahaan.
Contoh :
Bagi pihak industri sepatu bandung, jenis-jenis maupun merk sepatu branded
merupakan jenis produk yang sangat digemari anak muda khususnya dibandung
walaupun dengan label KW atau tidak original karena dari segi tampilan dan bentuk
sangat mirip dengan produk original dan harga yang jauh lebih murah. Namun
kebanyakan dari pihak industri dari pembuat sepatu tidak original ini kurang
memperhatikan kelayakan dari produk yang diproduksinya seperti jahitan yang kurang
rapi maupun kekuatan dan kenyamanan. Tampilan dan packaging adalah standar yang
ditetapkan sebagai salah satu kelayakan suatu produk. Oleh karena itu ketika para
pengrajin sepatu KW ini menjadi pilihan karena kemiripannya dengan produk original,
maka mereka akan terus memproduksi produk yang terbilang ilegal ini karena
pengawasan yang cenderung memberi kelongggaran dari pemerintah serta keuntungan
yang didapat semakin tinggi tiap tahunnya karena permintaan yang semakin tinggi.
5. Value-based Approach
Kualitas dalam pendekatan ini adalah memandang kualitas dari segi nilai dan
harga. Kualitas didefinisikan sebagai affordable excellence. Oleh karena itu kualitas
dalam pandangan ini bersifat relatif, sehingga produk yang memiliki kualitas paling
tinggi belum tentu produk yang paling bernilai. Produk yang paling bernilai adalah
produk yang paling tepat dibeli.
Contoh: Bagi pengendara motor dengan pendapatan rata-rata, bensin premium lebih
berharga daripada pertamax, karena sama-sama dapat menjalankan fungsi motor namun
dapat didapatkan dengan harga yang lebih murah.

2.2 PRODUK CACAT DAN PRODUK RUSAK


Sub bab ini menjelaskan tentang pengertian dari produk cacat dan produk rusak.

2.2.1 Produk cacat


Bab II Studi Literatur II-5

Pengertian produk cacat menurut Mulyadi (2005) adalah produk yang tidak
memenuhi standar mutu yang telah ditentukan, tetapi dengan mengeluarkan biaya
pengerjaan kembali untuk memperbaikinya, produk tersebut secara ekonomis dapat
disempurnakan lagi menjadi produk jadi yang baik. Sedangkan pengertian produk cacat
menurut Bustami dan Nurlela (2007) adalah produk yang dihasilkan dalam proses
produksi, dimana produk yang dihasilkan tersebut tidak sesuai dengan standar mutu
yang ditetapkan.
Adapun pandangan mengenai produk cacat menurut PT. Percetakan Gramedia Cikarang
produk cacat adalah produk yang tidak memenuhi standar mutu yang telah ditetapkan
dan tidak dapat diteruskan ke tahap proses selanjutnya, melainkan harus dihancurkan
atau didaur ulang kembali.

2.2.2 Produk Rusak


Pengertian produk rusak menurut Mulyadi (2005) adalah produk yang tidak
memenuhi standar mutu yang telah ditetapkan, secara ekonomis tidak dapat diperbaiki
menjadi produk yang baik.
Sedangkan menurut Bustami dan Nurlela (2007) produk rusak adalah produk yang
dihasilkan dalam proses produksi, dimana produk yang dihasilkan tersebut tidak sesuai
dengan standar mutu yang ditetapkan tetapi secara ekonomis produk tersebut dapat
diperbaiki dengan mengeluarkan biaya tertentu.

2.3 DATA MINING


Menurut Larose (2005), data mining adalah proses mengekstraksi dan
mengidentifikasi informasi yang bermanfaaat, menemukan hubungan, pattern dan
kecenderungan dengan memeriksa sekumpulan data dari basis data yang besar. Data
mining merupakan tahapan inti (core) dalam proses KDD (Knowledge Discovery in
Database). Tahapan tersebut meliputi pemahaman ruang lingkup, menciptakan data
target dan data selection, preprocessing data, dan menentukan teknik data mining.
Teknik tersebut berupa summarization, classification, regretion, association, dan
clustering (Artaty, 2014).
Data mining merupakan proses yang diulang dan memerlukan interaksi manusia
dalam prosesnya untuk menemukan pola atau model baru yang dapat digeneralisasi
untuk masa yang akan datang dan bermanfaat jika digunakan untuk melakukan suatu
Bab II Studi Literatur II-6

tindakan (Zulifan dkk, 2013). Data mining berisi pencarian pola yang diinginkan dalam
database besar untuk membantu dalam pengambilan keputusan diwaktu yang akan
datang. Pola-pola ini dikenali oleh perangkat tertentu yang dapat memberikan suatu
analisa data yang kemudian dapat dipelajari dengan teliti dan bermanfaat. Dan salah
satu teknik dari bagian data mining adalah klasifikasi, yaitu menentukan sebuah record
data baru ke salah satu dari beberapa kategori atau kelas yang yang telah didefinisikan
sebelumnya.

2.4 DECISION TREE


Sebuah pohon keputusan adalah sebuah struktur yang dapat digunakan untuk
membagi kumpulan data yang besar menjadi himpunan-himpunan record yang lebih
kecil dengan menerapkan serangkaian aturan keputusan. Dengan masing-masing
rangkaian pembagian, anggota himpunan hasil menjadi mirip satu dengan yang lain
(Berry & Linoff, 2004).
Data dalam pohon keputusan biasanya dinyatakan dalam bentuk tabel dengan
atribut dan record. Atribut menyatakan suatu parameter yang dibuat sebagai kriteria
dalam pembentukan pohon. Misalkan untuk menentukan main tenis, kriteria yang
diperhatikan adalah cuaca, angin dan temperatur. Salah satu atribut merupakan atribut
yang menyatakan data solusi per-item data yang disebut dengan target atribut. Atribut
memiliki nilai-nilai yang dinamakan dengan instance. Misalkan atribut cuaca
mempunyai instance berupa cerah, berawan dan hujan (Basuki & Syarif, 2003).
Decision tree adalah metode untuk melakukan pendekatan fungsi sasaran
bernilai diskrit, dimana fungsi yang dipelajari direpresentasikan oleh pohon keputusan.
Pohon belajar juga dapat kembali direpresentasikan sebagai set aturan “if-then” untuk
meningkatkan keterbacaan manusia. Metode pembelajaran ini adalah yang paling
populer dari algoritma-algoritma interferensi induktif dan telah berhasil diterapkan di
berbagai jenis masalah untuk mempelajari dan mendiagnosa sebuah kasus (Mitchell,
1997)

2.4.1 Representasi Decision Tree


Decision tree mengklasifikasikan sebuah kejadian dengan mengelompokkan dan
menyortir dalam pohon dari akar ke beberapa simpul daun, yang membantu
mengklasifikasikan kejadian. Setiap simpul dalam pohon menspesifikkan uji dari
Bab II Studi Literatur II-7

sebuah atribut kejadian, dan setiap cabang dari simpul tersebut sesuai dan berkaitan
dengan salah satu kemungkinan sebuah nilai atribut. Kejadian diklasifikasikan dengan
memulai pada simpul akar pohon, menguji atribut yang ditentukan oleh simpul tersebut,
kemudian pindah ke cabang pohon yang sesuai dengan nilai dari atribut dalam kejadian
yang diberikan (Mitchell, 1997).

Gambar 2.1
Gambar 2.1 mengilustrasikan pohon keputusan. Pohon keputusan ini
mengkalsifikasikan hari sabtu pagi berdasarkan cuaca yang cocok untuk bermain
olahraga tenis. Sebagai contoh, kejadian
(Outlook = Sunny, Temperature = Hot, Humidity = High, Wind = Strong)
akan disortir pada cabang yang paling kiri dari pohon keputusan dan akan
diklasifikasikan sebagai kejadian yang bersifat negatif (yang menyatakan bahwa
PlayTennis = No) (Mitchell, 1997).

2.4.2 Manfaat Decision Tree


Manfaat yang terjadi dengan melakukan penerapan Metode Decision Tree
adalah (Zulfian dkk, 2013):
1. Break down proses pengambilan keputusan yang kompleks menjadi lebih
sederhana
2. Dapat menemukan hubungan tersembunyi antara sejumlah calon variabel input
dengan sebuah variabel target
3. Eksplorasi data
Bab II Studi Literatur II-8

4. Dapat memadukan antara eksplorasi data dan pemodelan sehingga sangat baik
sebagai langkah awal dalam proses pemodelan.
2.4.3 Kelebihan Metode Decision Tree
Kelebihan dari Metode Decision Tree diantaranya adalah sebagai berikut (Putri,
2008):
1. Daerah pengambilan keputusan yang sebelumnya kompleks dan sangat global
dapat diubah menjadi lebih spesifik
2. Eliminasi perhitungan-perhitungan yang tidak diperlukan karena ketika
menggunakan metode pohon keputusan maka sampel diuji hanya berdasarkan
kriteria atau kelas tertentu
3. Fleksibel untuk memilih fitur dari internal node yang berbeda, fitur yang terpilih
akan membedakan suatu kriteria dibandingkan kriteria yang lain dalam node
yang sama.
2.4.4 Kekurangan Metode Decision Tree

Kekurangan dari Metode Decision Tree diantaranya adalah sebagai berikut


(Putri, 2008):

1. Terjadi overlap terutama ketika kelas-kelas dan kriteria yang digunakan


jumlahnya sangat banyak. Hal tersebut dapat menyebabkan meningkatnya waktu
pengambilan keputusan
2. Pengakumulasian jumlah eror dari setiap tingkat dalam sebuah pohon keputusan
yang besar
3. Hasil kualitas keputusan yang didapat dari metode pohon keputusan sangat
bergantung pada desain pohon tersebut.
2.4.5 Dasar Algoritma Decision Tree
Kebanyakan algoritma (Mithcell, 1997) yang telah diciptakan untuk
mempelajari pohon keputusan adalah variasi-variasi dari algoritma inti yang bekerja
secara menyeluruh melalui ruang kemungkinan pohon keputusan. Pendekatan ini
dicontohkan dengan Algoritma ID3 (Quinlan, 1986) dan Algoritma C4.5 (Quinlan,
1993) sebagai algoritma penerus. Pembahasan berikut akan merepresentasikan
algoritma dasar untuk pohon keputusan yang berkaitan seputar Algoritma ID3.
Algoritma ID3 mempelajari pohon keputusan dengan membangun pohon
keputusan dari atas sampai bawah, dimulai dengan pemilihan atribut awal yang akan
Bab II Studi Literatur II-9

menjadi akar dari pohon keputusan. Penentuan atribut awal sebagai akar dari pohon
keputusan adalah dengan menguji setiap atribut kejadian menggunakan uji statistik.
Atribut terbaik akan dipilih dan digunakan sebagai uji pada simpul akar dari pohon
keputusan. Turunan dari simpul akar kemudian dibuat untuk setiap nilai yang mungkin
dari atribut ini, dan contoh percobaan diurutkan ke simpul turunan yang tepat. Seluruh
proses kemudian diulangi menggunakan contoh percobaan yang terkait dengan setiap
turunan simpul untuk memilih atribut terbaik untuk menguji pada titik pohon tertentu.
Tahapan tersebut merupakan tahapan pencarian menyeluruh untuk pohon keputusan
yang dapat diterima, dimana algoritmanya tidak akan menarik kembali untuk
mempertimbangkan ulang pilihan sebelumnya.

2.5 ALGORITMA C4.5


Algoritma C4.5 merupakan pengembangan dari Algoritma ID3 (Larose, 2005).
Salah satu algoritma untuk membentuk pohon keputusan adalah C4.5 (Kusrini dkk,
2009). Cara kerja algoritma ID3 adalah membuat pohon dengan percabangan awal
berupa atribut yang memiliki nilai paling signifikan. Pengembangan algoritma ID3
menjadi C4.5 terlihat dari beberapa perbedaan dimana algoritma C4.5 mampu
menangani atribut dengan tipe data diskrit atau kontinu, mampu menangani atribut
dengan data kosong serta bisa melakukan pemangkasan cabang. Secara umum langkah
untuk membangun algoritma C4.5 yaitu:
1. Memilih atribut yang menjadi root,
2. Membuat cabang untuk setiap nilai,
3. Membagi kasus dalam cabang,
4. Mengulangi proses untuk setiap cabang sampai semua kasus dalam cabang
memiliki kelas yang sama.
Untuk menghitung information gain tanpa missing value digunakan rumus
seperti tertera pada persamaan berikut:

n
|Si|
Gain(S, A) = Entropy(S) - ∑ * Entropy(Si)
i=1 |S|

Dimana :

S : himpunan kasus

A : atribut
Bab II Studi Literatur II-10

n : jumlah partisi atribut A

|Si| : jumlah kasus pada partisi ke-i

|S| : jumlah kasus dalam S

Sementara itu, untuk menghitung nilai Entopy dapat dilihat pada persamaan
berikut:

n
Entropy(S) = ∑ − pi∗log 2 pi
i=1

Dimana:

S : himpunan kasus

A : fitur

n : jumlah partisi S

pi : proporsi dari Si terhadap S

Contoh kasus untuk lebih menjelaskan langkah-langkah pengerjaan Algoritma


C4.5 adalah sebagai berikut:

Tabel 2.1 Keputusan Bermain Tenis

No Outlook Temperature Humidity Windy Play


1 Sunny Hot High FALSE No
2 Sunny Hot High TRUE No
3 Cloudy Hot High FALSE Yes
4 Rainy Mild High FALSE Yes
5 Rainy Cool Normal FALSE Yes
6 Rainy Cool Normal TRUE Yes
7 Cloudy Cool Normal TRUE Yes
8 Sunny Mild High FALSE No
9 Sunny Cool Normal FALSE Yes
10 Rainy Mild Normal FALSE Yes
11 Sunny Mild Normal TRUE Yes
12 Cloudy Mild High TRUE Yes
13 Cloudy Hot Normal FALSE Yes
14 Rainy Mild High TRUE No

Dari data diatas kemudian dilakukan perhitungan untuk jumlah keputusan Play
yang bernilai Yes dan No, nilai entropy setiap atribut, dan perhitungan nilai Gain setiap
atribut.

Tabel 3.2 Perhitungan Node 1


Bab II Studi Literatur II-11

Node Atribut Instance Jumlah Kasus (S) Tidak (S1) Ya(S2) Entropy Gain
1 Total 14 4 10 0.86312057
Outlook 0.258521037
Cloudy 4 0 4 0
Rainy 5 1 4 0.721928095
Sunny 5 3 2 0.970950594
Temperature 0.183850925
Cool 4 0 4 0
Hot 4 2 2 1
Mild 6 2 4 0.918295834
Humidity 0.370506501
High 7 4 3 0.985228136
Normal 7 0 7 0
Windy 0.005977711
FALSE 8 2 6 0.811278124
TRUE 6 2 4 0.918295834

Dengan contoh perhitungan:


−4 4 −10 10
Entropy(Total) = ( 14
∗log2
14
+( )) (
14
∗log 2
14 ( ))
= 0.86312057
4 5 5
Gain(Total,Outlook) = 0.86312057 - (( ) (
14
∗0 +
14
∗0.723 + )(
14
∗0.97 ))
= 0.23
Pada Tabel 3.2 dapat diketahui bahwa nilai Gain tertinggi diraih oleh atribut
Humidity dengan Instance bernilai High dan Normal. Nilai atribut Normal sudah
mengklasifikasikan kasus menjadi satu yang berarti keputusan bernilai Yes. Selanjutnya
dilakukan perhitungan untuk nilai atribut High. Hasil perhitungan node 1 dapat
digambarkan dengan Gambar 2.2

1
Humidity

High Normal

1.1
Yes
?

Gambar 2.2 Decision Tree Perhitungan Node 1


Berdasarkan data yang tersisa, maka hal selanjutnya adalah dengan melakukan
perhitungan jumlah kasus untuk keputusan Yes dan No, Entropy dari setiap kasus
berdasarkan atribut yang tersisa seperti Outlook, Windy, dan Temperature yang akan
menjadi node akhir untuk nilai atribut High, dan melakukan perhitungan Gain untuk
setiap atribut. Perhitungan node 1.1 dapat dilihat pada Tabel 3.3
Bab II Studi Literatur II-12

Tabel 3.3 Perhitungan Node 1.1


Node Atribut Instance Jumlah Kasus (S) Tidak (S1) Ya(S2) Entropy Gain
1.1 Humidity-High 7 4 3 0.985228136
Outlook 0.69951385
Cloudy 2 0 2 0
Rainy 2 1 1 1
Sunny 3 3 0 0
Temperature 0.020244207
Cool 0 0 0 0
Hot 3 2 1 0.918295834
Mild 4 2 2 1
Windy 0.020244207
FALSE 4 2 2 1
TRUE 3 2 1 0.918295834

Berdasarkan hasil perhitungan node 1.1 diketahui bahwa nilai Gain terbesar
diraih oleh atribut Outlook sehingga node cabang berikutnya adalah atribut Outlook.
Berdasarkan Tabel 3.3 dapat diketahui bahwa nilai atribut Cloudy sudah
mengklasifikasikan kasus menjadi satu yaitu keputusan Yes dan atribut Sunny sudah
mengklasifikasikan kasus menjadi satu dengan keputusan No dan tidak perlu dilakukan
perhitungan lebih lanjut untuk kedua atribut tersebut. Perhitungan lebih lanjut dilakukan
untuk atribut Rainy. Hasil perhitungan node 1.1 dapat digambarkan dengan Gambar 2.3

1
Humidity

High Normal

1.1
Yes
Outlook

Cloudy Sunny
Rainy

1.1.2
Yes No
?

Gambar 2.3 Decision Tree Perhitungan Node 1

Berdasarkan data yang tersisa, maka selanjutnya dilakukan perhitungan jumlah


kasus untuk keputusan Yes dan No, Entropy setiap kasus dan kasus dibagi berdasarkan
atribut Temperature dan Windy yang dapat menjadi node cabang dari nilai atribut Rainy,
dan melakukan perhitungan Gain setiap atribut. Perhitungan node 1.1.2 dapat dilihat
pada Tabel 3.4
Tabel 3.4 Perhitungan Node 1.1.2
Bab II Studi Literatur II-13

Node Atribut Instance Jumlah Kasus (S) Tidak (S1) Ya(S2) Entropy Gain
1.1.2 Humidity-High dan Outlook-Rainy 2 1 1 1
Temperature 0
Cool 0 0 0 0
Hot 0 0 0 0
Mild 2 1 1 1
Windy 1
FALSE 1 0 1 0
TRUE 1 1 0 0

Berdasarkan hasil perhitungan node 1.1.2 diketahui bahwa nilai Gain terbesar
diraih oleh atribut Windy dan atribut ini akan menjadi node cabang dari nilai atribut
Rainy. Atribut Windy memiliki instance False dan True. Nilai instance False
mengklasifikasikan kasus menjadi keputusan Yes dan nilai instance True
mengklasifikasikan kasus menjadi keputusan No sehingga pohon keputusan telah
berakhir. Pohon keputusan hasil perhitungan node 1.1.2 dapat dilihat pada Gambar 2.4

1
Humidity

High Normal

1.1
Yes
Outlook

Cloudy Sunny
Rainy

1.1.2
Yes No
Windy

False True

Yes No

Gambar 2.4 Decision Tree Perhitungan Node 1.1.2