TUGAS BESAR DATA ANALITIK

STUDI KASUS PENJUALAN MOBIL BEKAS

KELOMPOK 3

Kelas:
TI-41-03

Anggota:
Setiawan (1201163385)
Faqih Ilyasa (1201171438)
Saffania Zahra Aina Halinda (1201174280)
Genta Yusuf Madhani (1201174352)

S1 TEKNIK INDUSTRI

FAKULTAS REKAYASA INDUSTRI

UNIVERSITAS TELKOM

BANDUNG

2020
 KATA PENGANTAR

Puji syukur kami panjatkan kepada Allah SWT karena telah memberikan kesehatan serta
kesempatan untuk dapat menyelesaikan tugas besar mata kuliah Data Analitik studi kasus
penjualan mobil bekas dengan baik dan maksimal. Penyusunan laporan tugas besar ini ditujukan
sebagai hasil kegiatan proses pembelajaran mata kuliah Data Analitik selama semester genap tahun
ajaran 2020/2021. Laporan tugas besar ini meneliti mengenai keberhasilan penjualan mobil bekas
berdasarkan variabel yang telah ditentukan pada showroom dealer mobil menggunakan ilmu data
analitik dengan metode decision tree. Dalam penulisan laporan ini, kami menyadari banyak
mendapatkan bantuan dari berbagai macam pihak. Maka dari itu, kami mengucapkan terimakasih
kepada:

1. Allah SWT yang telah memberikan kesempatan dan kesehatan dalam melaksanakan tugas
besar ini dan menyelesaikannya dengan baik.
2. Rekan kelompok yang telah mengerjakan bagiannya masing-masing dengan baik.
3. Bapak Hilman Dwi Anggara sebagai dosen mata kuliah Data Analitik yang telah mengajari
kami dengan sangat baik.

Kami menyadari bahwa masih terdapat kesalahan dalam pembuatan laporan tugas beasr ini. Kami
memohon maaf atas kesalahan dan kekurangan yang terdapat pada laporan tugas besar ini, dan
kami mengharapkan kritik dan saran yang membangun demi laporan tugas besar yang lebih baik.
Terimakasih.

Bandung, 05 Januari 2021

Kelompok 3

i
 DAFTAR ISI

KATA PENGANTAR ..................................................................................................................... i

DAFTAR ISI................................................................................................................................... ii

DAFTAR GAMBAR ..................................................................................................................... iii

DAFTAR TABEL .......................................................................................................................... iv

BAB I PENDAHULUAN ............................................................................................................... 1

1.1 Deskripsi Masalah ............................................................................................................ 1
1.2 Rumusan Masalah ............................................................................................................ 1
1.3 Target Data Analitik ......................................................................................................... 2

BAB II ANALISIS DAN PERANCANGAN DATASET ............................................................. 3

2.1 Analisis Desain Proses Data Analitik............................................................................... 3
2.2 Data Preprocessing .......................................................................................................... 4

BAB III IMPLEMENTASI............................................................................................................. 6

3.1 Hasil Pengamatan ............................................................................................................. 6
3.2 Model Evaluasi ............................................................................................................... 12

BAB 4 KESIMPULAN DAN SARAN ........................................................................................ 13

4.1 Kesimpulan..................................................................................................................... 13
4.2 Saran ............................................................................................................................... 13

DAFTAR PUSTAKA ................................................................................................................... 14

PEMBAGIAN TUGAS ................................................................................................................ 15

LAMPIRAN .................................................................................................................................. 16

ii
 DAFTAR GAMBAR
Gambar III. 1: Struktur Kodingan Import Library .......................................................................... 6
Gambar III. 2: Struktur Kodingan Input Data Penjualan Mobil ..................................................... 6
Gambar III. 3: Struktur Kodingan Penentuan Variabel X .............................................................. 7
Gambar III. 4: Struktur Kodingan Penentuan Variabel Y .............................................................. 7
Gambar III. 5: Struktur Kodingan Splitting Dataset ....................................................................... 8
Gambar III. 6: Struktur Kodingan Model Fitting............................................................................ 8
Gambar III. 7: Struktur Kodingan Prediksi..................................................................................... 9
Gambar III. 8: Struktur Kodingan Evaluasi Model ........................................................................ 9
Gambar III. 9: Struktur Kodingan Visualisasi Model (1) ............................................................. 10
Gambar III. 10: Struktur Kodingan Visualisasi Model (2) ........................................................... 10
Gambar III. 11: Hasil Visualisasi Model ...................................................................................... 11
Gambar III. 12: Model Evaluasi ................................................................................................... 12

iii
 DAFTAR TABEL
Tabel II. 1: Data Historis Pembelian Mobil Bekas ......................................................................... 3
Tabel II. 2: Data Preprocessing ....................................................................................................... 4
Tabel IV. 1: Kombinasi Keberhasilan Pembelian......................................................................... 13

iv
 BAB I PENDAHULUAN

1.1 Deskripsi Masalah

Dalam proses jual beli kendaraan bermotor terutama mobil, terdapat beberapa konsumen yang
memilih untuk membeli mobil bekas. Karena nilai pasar mobil bekas dan mobil baru cukup
berbeda dengan nominal yang cukup besar. Selain untuk penggunaan sehari-hari, pembeli mobil
bekas juga pada umumnya mencari kendaraan untuk sebagai koleksi. Walaupun begitu, penjualan
mobil bekas tidak selalu berhasil menemukan pasarnya. Dalam pembelian mobil bekas, terdapat
beberapa variabel yang menjadi pertimbangan diantaranya:

1. Biaya perawatan mobil

2. Kapasitas penumpang
3. Ukuran Bagasi
4. Tingkat keamanan mobil

Dikarenakan terdapat kegagalan yang terjadi dalam proses jual beli mobil bekas, suatu dealership
mobil mencatat data penjualan mobil bekas yang berhasil dan tidak. Data tersebut disebut dengan
istilah dataset yang selanjutnya akan dianalisis penyebab kegagalan penjualan mobil bekas pada
showroom dealership mobil tersebut dilihat dari variabel-variabelnya. Konsumen cenderung
mencari biaya perawatan mobil yang lebih murah dan kapasitas penumpang yang lebih banyak.
Ukuran bagasi mempengaruhi keputusan jual mobil tersebut, dikarenakan semakin besar bagasi
semakin tinggi kesempatan untuk konsumen membeli mobil tersebut. Tingkat keamanan mobil
juga menjadi salah satu pertimbangan konsumen dalam membeli mobil, dikarenakan untuk rasa
kenyamanan konsumen dalam membeli mobil tersebut, karena mobil bekas kondisinya terdapat
kekurangan dibandingkan dengan mobil kondisi baru.

1.2 Rumusan Masalah

Dari deskripsi masalah di atas, dapat disimpulkan bahwa rumusan masalah tersebut merupakan:

1. Bagaimana cara untuk memodelkan prediksi penjualan mobil bekas dengan menggunakan
decision tree?

1
2. Apakah model prediksi dengan menggunakan decision tree tersebut dapat diaplikasikan oleh
dealership mobil untuk mengetahui variabel keputusan yang menyebabkan keberhasilan
penjualan mobil bekas?

1.3 Target Data Analitik

Dari rumusan masalah tersebut, dapat disimpulkan bahwa target data analitiknya merupakan:

1. Dapat memodelkan prediksi penjualan mobil bekas dengan menggunakan decision tree.
2. Mengetahui penerapan model tersebut terhadap pengaplikasian secara nyata dalam penjualan
mobil bekas.

2
 BAB II ANALISIS DAN PERANCANGAN DATASET

2.1 Analisis Desain Proses Data Analitik

Metode yang digunakan untuk penyelesaian permasalahan ini ialah decision tree yang selanjutnya
dilakukan klasifikasi, klasifikasi yang dilakukan bertujuan untuk mendapatkan informasi
mengenai data yang dimiliki dari historis yang telah dicatat oleh dealership mobil tersebut. Data
historisnya dapat dilihat di bawah ini:

Tabel II. 1: Data Historis Pembelian Mobil Bekas

Dari data historis tersebut, dapat diketahui bahwa variabel yang telah disebutkan sebelumnya
menjadi sebuah kriteria dalam pembentukan decision tree pembelian mobil bekas pada
showroom yang dimiliki dealer tersebut. Data historis tersebut memiliki informasi untuk setiap
kriterianya diantaranya:

1. Biaya perawatan dengan skala rendah, sedang, dan tinggi.

2. Kapasitas penumpang dengan skala 2, 4, dan lebih.

3
 3. Ukuran bagasi dengan skala kecil, sedang, dan besar.
4. Keamanan dengan skala rendah, sedang, dan tinggi.
5. Status terjual dengan skala gagal dan berhasil.

Dengan melakukan analisis dari data historis tersebut, dapat disimpulkan bahwa variabel
dependent dari data tersebut merupakan status terjual mobil bekas, dan untuk variabel
independent dari data tersebut merupakan variabel keputusan berupa biaya perawatan, kapasitas,
ukuran bagasi, dan keamanan.

2.2 Data Preprocessing

Data preprocessing merupakan proses konversi data mentah menjadi format data yang dapat
digunakan untuk analisis menggunakan konsep data analitik yang telah dipelajari. Data tersebut
diolah agar sesuai dengan tujuan analisis menggunakan decision tree.

Tabel II. 2: Data Preprocessing

BiayaPerawatan Kapasitas UkuranBagasi Keamanan StatusTerjual

0 0 2 2 Gagal
0 0 2 0 Gagal
0 0 2 1 Gagal
0 1 2 2 Berhasil
2 0 2 2 Gagal
2 0 2 0 Gagal
2 0 2 1 Gagal
2 0 1 2 Gagal
2 0 1 0 Gagal
1 0 2 2 Gagal
1 0 2 0 Gagal
1 0 2 1 Gagal
1 0 1 2 Gagal
1 0 1 0 Gagal

4
Tabel di atas merupakan gambaran hasil konversi dari dataset yang dimiliki, dapat dilihat bahwa
variabel independent skalanya dirubah menjadi angka. Untuk biaya perubahan skala biaya
perawatan merupakan:

a. Angka 0 menggambarkan biaya perawatan tinggi

b. Angka 2 menggambarkan biaya perawatwan rendah
c. Angka 1 menggambarkan biaya perawatan sedang

Untuk kapasitas penumpang, perubahan skalanya merupakan:

a. Angka 0 menggambarkan kapasitas penumpang 2.

b. Angka 1 menggambarkan kapasitas penumpang 4.
c. Angka 2 menggambarkan kapasitas penumpang lebih.

Untuk ukuran bagasi, perubahan skalanya merupakan:

a. Angka 0 menggambarkan ukuran bagasi kecil.

b. Angka 1 menggambarkan ukuran bagasi sedang.
c. Angka 2 menggambarkan ukuran bagasi besar.

Untuk keamanan, perubahan skalanya merupakan:

a. Angka 0 menggambarkan keamanan rendah.

b. Angka 1 menggambarkan keamanan sedang.
c. Angka 2 menggambarkan keamanan tinggi.

5
 BAB III IMPLEMENTASI

3.1 Hasil Pengamatan

Dalam pengimplementasian data analitik menggunakan google colab research sebelum
mendapatkan hasil berupa decision tree pembelian mobil bekas, terdapat beberapa langkah yang
dilakukan diantaranya:

a. Import Library

Tahapan pertama merupakan import library, tahapan ini dilakukan untuk memanggil library
code yang akan digunakan. Pada studi kasus ini menggunakan numpy dan pandas dan
sklearn.tree untuk decision tree. Struktur kodingan yang digunakan pada tahapan ini dapat
dilihat pada gambar berikut.

Gambar III. 1: Struktur Kodingan Import Library

b. Input Data Penjualan Mobil

Setelah library code dipilih, selanjutnya merupakan tahapan memasukkan dataset yang
digunakan. Dataset tersebut merupakan hasil pencatatan yang telah dilakukan oleh dealership
mobil pada penjualan mobil bekas showroomnya. Untuk struktur kodingan beserta hasilnya
dengan penampilan sebanyak 5 baris dataset yang digunakan pada tahapan ini dapat dilihat
pada gambar berikut.

Gambar III. 2: Struktur Kodingan Input Data Penjualan Mobil

6
c. Data Preprocessing dan Penentuan Variabel X dan Y

Data preprocessing telah dilakukan secara manual dengan merubah informasi variabel
keputusan pembelian mobil bekas oleh konsumen menjadi angka yang telah dijelaskan pada
2.2. Untuk struktur kodingan penentuan variabel X beserta hasilnya dapat dilihat pada gambar
berikut.

Gambar III. 3: Struktur Kodingan Penentuan Variabel X

Struktur kodingan di atas mendefinisikan variabel keputusan pembelian mobil bekas oleh
konsumen sebagai variabel X, dan yang ditampilkan hanya 5 baris dataset saja. Untuk struktur
kodingan penentuan variabel Y berupa hasilnya dapat dilihat pada gambar berikut.

Gambar III. 4: Struktur Kodingan Penentuan Variabel Y

Struktur kodingan di atas mendefinisikan status terjual sebagai variabel Y, dan yang
ditampilkan hanya 5 baris dataset saja.

d. Splitting Dataset

Tahapan ini merupakan proses pemisahan data menjadi training set dan test set. Hal ini
dilakukan untuk mengklasifikasikan dataset yang untuk dicapai yang disebut sebagai test set,
dan dataset yang digunakan untuk menyelesaikan permasalahan yang disebut sebagai training
set. Untuk struktur kodingan tahapan ini beserta hasilnya dapat dilihat pada gambar berikut.

7
 Gambar III. 5: Struktur Kodingan Splitting Dataset

e. Model Fitting

Tahapan ini merupakan proses verifikasi model pemisahan menggunakan entropy yang
dilakukan sebelumnya apakah telah sesuai dengan data yang dimiliki beserta tujuan yang ingin
dicapai. Struktur kodingan beserta hasilnya pada tahapan ini dapat dilihat pada gambar
berikut.

Gambar III. 6: Struktur Kodingan Model Fitting

f. Prediction

Tahapan ini merupakan proses dimana untuk memprediksi label nilai data yang akan diuji
berdasarkan model yang telah dibuat sebelumnya. Untuk struktur kodingan beserta hasil pada
tahapan ini dapat dilihat pada gambar berikut.

8
 Gambar III. 7: Struktur Kodingan Prediksi

Dari gambar tersebut, dapat diketahui hasil prediksi pada baris pertama dengan kombinasi
variabel biaya perawatan skala 1 atau sedang, kapasitas penumpang skala 1 atau 4 penumpang,
ukuran bagasi skala 1 atau sedang, dan tingkat keamanan skala 2 atau tinggi akan
menyebabkan keberhasilan penjualan mobil bekas oleh dealership mobil pada showroom
tersebut. Untuk prediksi baris berikutnya mengikuti pengartian yang telah dijelaskan.

g. Model Evaluation

Tahapan ini merupakan proses dimana model yang telah dibuat sebelumnya dilakukan proses
evaluasi untuk mengetahui tingkat akurasi dari hasil analisis metode menggunakan decision
tree dengan persentase. Untuk struktur kodingan beserta hasilnya pada tahapan ini dapat
dilihat pada gambar berikut.

Gambar III. 8: Struktur Kodingan Evaluasi Model

Dari gambar tersebut, dapat dilihat bahwa tingkat akurasi dari model yang dibuat untuk
menyelesaikan permasalahan menggunakan decision tree adalah sebesar 81%.

h. Model Visualization

Tahapan ini merupakan tahapan akhir dalam proses penyelesaian masalah menggunakan
decision tree dengan memvisualisasikan hasil analisis dengan kriteria entropy. Dalam proses

9
visualisasi model, diharuskan import beberapa library code agar dapat dilakukan. Untuk
struktur kodingan import library code visualisasi model dapat dilihat pada gambar berikut.

Gambar III. 9: Struktur Kodingan Visualisasi Model (1)

Setelah melakukan import library code tersebut, selanjutnya merupakan proses tahapan
visualisasi hasil penerapan model dataset sebelumnya dengan kriteria entropy. Untuk struktur
kodingan visualisasi penerapan model dataset dapat dilihat pada gambar berikut.

Gambar III. 10: Struktur Kodingan Visualisasi Model (2)

Struktur kodingan tersebut menghasilkan bagan dengan prediksi variabel prioritas pembeli
dalam memilih mobil bekas dari yang terpenting hingga yang tidak terlalu penting. Untuk
bagan tersebut dapat dilihat pada gambar berikut.

10
 Gambar III. 11: Hasil Visualisasi Model

Dari gambar tersebut, dapat dilihat bahwa variabel yang paling penting dalam melakukan
pembelian mobil bekas ialah dari fitur keamanannya. Apabila fitur keamanan kurang dari 0.5,
maka pembelian tidak akan terjadi. Namun apabila fitur keamanan memiliki skala lebih dari 0.5
maka pembelian mungkin saja dapat terjadi. Setelah dilihat dari fitur keamanan, dilihat kembali

11
dari kapasitas penumpangnya, apabila kapasitas penumpang memiliki skala kurang dari 0.5, maka
pembelian tidak akan terjadi. Namun apabila kapasitas penumpang memiliki skala lebih dari 0.5,
maka pembelian mungkin saja dapat terjadi. Dari kapasitas penumpang, selanjutnya merupakan
pemilihan ukuran bagasi. Apabila ukuran bagasi memiliki skala lebih dari 0.5, maka pembelian
pasti terjadi. Namun apabila ukuran bagasi memiliki skala kurang dari 0.5, pembelian dapat terjadi
apabila biaya perawatan memiliki skala lebih dari 1.5.

3.2 Model Evaluasi

Model dataset penjualan mobil bekas dievaluasi menggunakan pyplot dengan metrik akurasi.
Model evaluasi dilakukan untuk mengetahui tingkat akurasi dari model yang telah dirumuskan
sebelumnya. Struktur kodingan yang digunakan dalam proses model evaluasi ini dapat dilihat pada
gambar berikut.

Gambar III. 12: Model Evaluasi

Akurasi dari decision tree yang akan dibuat dilihat dari model yang sebelumnya telah dirumuskan
sebesar 81%. Dilihat dari nilai akurasinya, model yang sebelumnya telah dirumuskan dengan hasil
decision tree dapat dikatakan cukup baik, sehingga dealership mobil bekas dapat menerapkan hasil
analisis pada penjualan mobil bekas di showroom nya.

12
 BAB 4 KESIMPULAN DAN SARAN

4.1 Kesimpulan
Dealership mobil yang menjual mobil bekas pada showroom nya mendapati kegagalan dalam
penjualan kepada konsumen. Konsumen membeli mobil bekas selain digunakan untuk kegiatan
sehari-hari, namun juga menjadi koleksi pribadi. Dealership mobil telah mencatat beberapa
variabel yang menyebabkan keberhasilan dan kegagalan dalam penjualan mobil bekas, diantaranya
merupakan biaya perawatan mobil, kapasitas penumpang, ukuran bagasi, dan tingkat keamanan
mobil. Dari pencatatan kegagalan dan keberhasilan penjualan mobil bekas tersebut berdasarkan
variabelnya, dealership mobil ingin mengetahui prediksi keberhasilan penjualan mobil bekas
berdasarkan variabel tersebut menggunakan decision tree.

Setelah dilakukan analisis menggunakan decision tree, didapatkan hasil kombinasi dengan akurasi
sebesar 81% dalam penjualan mobil yang dapat berhasil dengan melihat skala variabel pemilihan
konsumen dalam membeli mobil bekas. Terdapat 2 kombinasi yang menjadikan keberhasilan
dalam pembelian mobil bekas, kombinasi tersebut disajikan pada tabel berikut.

Tabel IV. 1: Kombinasi Keberhasilan Pembelian

Kapasitas Ukuran Biaya

Skala Keamanan Status
Penumpang Bagasi Perawatan
Kombinasi 1
≥ 0.5 √ √ √
Berhasil
≥ 1.5 √
Kombinasi 2
≥ 0.5 √ √ X
Berhasil
≥ 1.5 √

4.2 Saran
Adapun untuk saran yang diberikan oleh penulis kepada dealership mobil merupakan penerapan
kombinasi tersebut sebelum membeli mobil bekas dan dijual kembali, agar keberhasilan penjualan
mobil bekas di showroom tersebut mencapai 81%. Untuk saran kepada penelitian selanjutnya dapat
mengambil lebih banyak data penjualan agar model evaluasi akurasinya dapat meningkat,
sehingga efektifitas penjualan mobil bisa mendekati optimal.

13
 DAFTAR PUSTAKA
Aurachman, R. (2020, November 17). 09 01 Upload Data Set untuk Membuat Decision Tree.
Retrieved from Youtube: https://www.youtube.com/watch?v=dHYAzh6wxzg

Aurachman, R. (2020, November 17). 09 02 Menentukan X dan y untuk Model Decision Tree.
Retrieved from Youtube: https://www.youtube.com/watch?v=JOLr6E7jQfM

Aurachman, R. (2020, November 17). 09 03 Membuat Training dan Test Set untuk Model
Decision Tree. Retrieved from Youtube:
https://www.youtube.com/watch?v=bkGyqaEg3nY

Aurachman, R. (2020, November 17). 09 04 Membuat Model Decision Tree. Retrieved from
Youtube: https://www.youtube.com/watch?v=ffjpB53FfEs

Aurachman, R. (2020, November 17). 09 05 Training Model Decision Tree. Retrieved from
Youtube: https://www.youtube.com/watch?v=hrWqJk1EboQ

Aurachman, R. (2020, November 17). 09 06 Melakukan PRediction Menggunakan Model

Decision Tree. Retrieved from Youtube:
https://www.youtube.com/watch?v=bg_P2jplMLw

Aurachman, R. (2020, November 17). 09 07 Evaluasi Hasil Prediksi Model Decision Tree.
Retrieved from Youtube: https://www.youtube.com/watch?v=3d2BypMv2JU

Aurachman, R. (2020, November 18). 09 08 Visualisasi Model Decision Tree. Retrieved from
Youtube: https://www.youtube.com/watch?v=Zdpj6-3VmtI

14
 PEMBAGIAN TUGAS
Tugas ini diselesaikan dengan pembagian tugas berupa:

Nama Tugas
Setiawan Pembuatan struktur kodingan
Faqih Ilyasa Pembuatan powerpoint
Saffania Zahra Aina Halinda
Pembuatan laporan tugas besar
Genta Yusuf Madhani

15
LAMPIRAN

16
17
Biaya_Perawatan Kapasitas Ukuran_Bagasi Keamanan Status_Terjual
Tinggi 2 Besar Tinggi Gagal
Tinggi 2 Besar Rendah Gagal
Tinggi 2 Besar Sedang Gagal
Tinggi 2 Sedang Tinggi Gagal
Tinggi 2 Sedang Rendah Gagal
Tinggi 2 Sedang Sedang Gagal
Tinggi 2 Kecil Tinggi Gagal
Tinggi 2 Kecil Rendah Gagal
Tinggi 2 Kecil Sedang Gagal
Tinggi 4 Besar Tinggi Berhasil
Tinggi 4 Besar Rendah Gagal
Tinggi 4 Besar Sedang Berhasil
Tinggi 4 Sedang Tinggi Berhasil
Tinggi 4 Sedang Rendah Gagal
Tinggi 4 Sedang Sedang Gagal
Tinggi 4 Kecil Tinggi Berhasil
Tinggi 4 Kecil Rendah Gagal
Tinggi 4 Kecil Sedang Gagal
Tinggi Lebih Besar Tinggi Berhasil
Tinggi Lebih Besar Rendah Gagal
Tinggi Lebih Besar Sedang Berhasil
Tinggi Lebih Sedang Tinggi Berhasil
Tinggi Lebih Sedang Rendah Gagal

18
 Tinggi Lebih Sedang Sedang Gagal
Tinggi Lebih Kecil Tinggi Gagal
Tinggi Lebih Kecil Rendah Gagal
Tinggi Lebih Kecil Sedang Gagal
Tinggi 2 Besar Rendah Gagal
Tinggi 2 Kecil Rendah Gagal
Tinggi 4 Sedang Tinggi Berhasil
Tinggi Lebih Besar Sedang Berhasil
Tinggi 2 Kecil Rendah Gagal
Tinggi 4 Besar Sedang Berhasil
Tinggi Lebih Sedang Sedang Berhasil
Tinggi Lebih Sedang Tinggi Gagal
Tinggi 2 Besar Sedang Gagal
Tinggi 4 Besar Tinggi Gagal
Rendah 2 Besar Tinggi Gagal
Rendah 2 Besar Rendah Gagal
Rendah 2 Besar Sedang Gagal
Rendah 2 Sedang Tinggi Gagal
Rendah 2 Sedang Rendah Gagal
Rendah 2 Sedang Sedang Gagal
Rendah 2 Kecil Tinggi Gagal
Rendah 2 Kecil Rendah Gagal
Rendah 2 Kecil Sedang Gagal
Rendah 4 Besar Tinggi Berhasil
Rendah 4 Besar Rendah Gagal
Rendah 4 Besar Sedang Berhasil
Rendah 4 Sedang Tinggi Berhasil
Rendah 4 Sedang Rendah Gagal
Rendah 4 Sedang Sedang Berhasil
Rendah 4 Kecil Tinggi Berhasil
Rendah 4 Kecil Rendah Gagal
Rendah 4 Kecil Sedang Berhasil
Rendah Lebih Besar Tinggi Berhasil
Rendah Lebih Besar Rendah Gagal
Rendah Lebih Besar Sedang Berhasil
Rendah Lebih Sedang Tinggi Berhasil
Rendah Lebih Sedang Rendah Gagal
Rendah Lebih Sedang Sedang Berhasil
Rendah Lebih Kecil Tinggi Gagal
Rendah Lebih Kecil Rendah Gagal
Rendah Lebih Kecil Sedang Gagal

19
Rendah 2 Besar Rendah Gagal
Rendah 4 Besar Tinggi Berhasil
Rendah Lebih Sedang Tinggi Berhasil
Rendah 2 Sedang Sedang Gagal
Rendah 4 Kecil Tinggi Berhasil
Rendah Lebih Besar Rendah Gagal
Rendah 2 Sedang Rendah Gagal
Rendah 4 Besar Sedang Berhasil
Rendah Lebih Kecil Tinggi Berhasil
Sedang 2 Besar Tinggi Gagal
Sedang 2 Besar Rendah Gagal
Sedang 2 Besar Sedang Gagal
Sedang 2 Sedang Tinggi Gagal
Sedang 2 Sedang Rendah Gagal
Sedang 2 Sedang Sedang Gagal
Sedang 2 Kecil Tinggi Gagal
Sedang 2 Kecil Rendah Gagal
Sedang 2 Kecil Sedang Gagal
Sedang 4 Besar Tinggi Berhasil
Sedang 4 Besar Rendah Gagal
Sedang 4 Besar Sedang Berhasil
Sedang 4 Sedang Tinggi Berhasil
Sedang 4 Sedang Rendah Gagal
Sedang 4 Sedang Sedang Gagal
Sedang 4 Kecil Tinggi Berhasil
Sedang 4 Kecil Rendah Gagal
Sedang 4 Kecil Sedang Gagal
Sedang Lebih Besar Tinggi Berhasil
Sedang Lebih Besar Rendah Gagal
Sedang Lebih Besar Sedang Berhasil
Sedang Lebih Sedang Tinggi Berhasil
Sedang Lebih Sedang Rendah Gagal
Sedang Lebih Sedang Sedang Gagal
Sedang Lebih Kecil Tinggi Gagal
Sedang Lebih Kecil Rendah Gagal
Sedang Lebih Kecil Sedang Gagal
Sedang 2 Besar Rendah Gagal
Sedang 4 Sedang Tinggi Berhasil
Sedang Lebih Kecil Rendah Gagal
Sedang 2 Besar Sedang Gagal
Sedang 4 Sedang Tinggi Berhasil

20
Sedang Lebih Besar Rendah Gagal
Sedang 2 Sedang Rendah Gagal
Sedang 4 Besar Tinggi Berhasil
Sedang Lebih Sedang Rendah Gagal

21