BAB II

LANDASAN TEORI

2.1 SISTEM

Sistem merupakan suatu kesatuan dimana terdiri dari elemen atau komponen
yang dihubungkan secara bersamaan supaya dapat memudahkan transfer materi, energi
atau informasi. Sistem dikenal sebagai kesatuan bagian yang memiliki keterhubungan
antara satu dengan lainnya dan mempunyai itemitem penggerak. semisal sistem
pemerintahan singapura dan sitem ekskresi di manusia serta sistem komputer. Terdapat
beberapa teori yang mendefinisikan Sistem yang dikemukakan oleh para ahli,
diantaranya adalah : a. Menurut Pamudji Sistem adalah suatu keseluruhan dan kebutuhan
yang kompleks atau tersusun rapi dimana suatu pepaduan atau himpunan hal-hal atau
bagian-bagian yang membentuk suatu keseluruhan yang utuh atau kompleks. b. Menurut
Salisbury Sitem adalah komponen-kmponen atau sekelompok bagian yang saling bekerja
sama sebagian suatu kesatuan fungsi. c. Menurut Lidwig Von Bertallanffy Sistem adalah
sekumpulan unsur-unsur yang berada dalam keadaan yang berinteraksi. Jadi system
merupakan sekelompok bagian yang saling berhubungan dan kerjasama agar dapat
memudahkan tugas-tugas dan dapat mencapai suatu kesatuan yang bermanfaat

2.2 Sistem Penentu keputusan

Konsep Sistem Pendukung Keputusan atau Decision Support System

pertama kali diungkapkan pada awal tahun 1970-an oleh Michael S. Scott
Morton dengan istilah Management Decision System. Definisi dari Sistem
Pendukung Keputusan adalah suatu sistem berbasis komputer yang ditujukan
untuk membantu pengambilan keputusan dalam memanfaatkan data dan
model tertentu untuk memecahkan berbagai persoalan yang tidak terstruktur
(Decission Support, 2019: 5).

Sistem Pendukung Keputusan mengacu pada suatu sistem yang

memanfaatkan dukungan komputer dalam proses pengambilan keputusan.
Hal ini dikemukakan oleh beberapa ahli, diantaranya Little Man dan Watson
memberi definisi bahwa Sistem Pendukung Keputusan merupakan suatu
sistem yang interaktif, yang membantu pengambil keputusan melalui
penggunaan data dan model-model keputusan untuk memecahkan masalah-
masalah yang sifatnya semi terstruktur dan tidak terstruktur (Belajar
Informatika, 2014: 6).
 Dari berbagai definisi diatas dapat dikatakan bahwa Sistem
Pendukung Keputusan adalah suatu sistem informasi spesifik yang ditujukan
untuk membantu manajemen dalam mengambil keputusan yang berkaitan
dengan persoalan yang bersifat semi terstruktur (hukum sebab-akibat dari
adanya suatu variabel belum pasti/bukan suatu rutinitas). Sistem ini mampu
menghasilkan berbagai alternatif yang secara interaktif dapat digunakan oleh
pemakai (Belajar Informatika, 2014: 6).

Sistem pendukung keputusan adalah sistem berbasis komputer

interaktif yang membantu pengguna dalam penilaian dan pemilihan. Sistem
tidak hanya menyediakan penyimpanan dan pengambilan data tapi juga
meningkatkan akses informasi tradisional dengan dukungan untuk pembuatan
model pengambilan keputusan dan penalaran berbasis model (Ilmu Biner,
2018: 2).

2.3 Decision tree

Decision Tree atau pohon keputusan adalah pemetaan mengenai

alternatif-alternatif pemecahan masalah yang dapat diambil dari masalah

tersebut. Pohon tersebut juga memperlihatkan faktor-faktor

kemungkinan/probabilitas yang akan mempengaruhi alternatif-alternatif

keputusan tersebut, disertai dengan estimasi hasil akhir yang akan didapat bila

kita mengambil alternatif keputusan tersebut.

Pohon keputusan adalah salah satu metode klasifikasi yang paling

populer karena mudah untuk diinterpretasi oleh manusia dan

Pohon keputusan adalah model prediksi menggunakan struktur pohon atau

struktur berhirarki.

Konsep dari pohon keputusan adalah mengubah data menjadi pohon

keputusan dan aturan-aturan keputusan. Manfaat utama dari penggunaan pohon

keputusan adalah kemampuannya untuk mem-break down proses pengambilan

keputusan yang kompleks menjadi lebih simpel sehingga pengambil keputusan

akan lebih menginterpretasikan solusi dari permasalahan. Pohon keputusan juga

berguna untuk mengeksplorasi data, menemukan hubungan tersembunyi antara

sejumlah calon variabel input dengan sebuah variabel target. Pohon keputusan

memadukan antara eksplorasi data dan pemodelan, sehingga sangat bagus

sebagai langkah awal dalam proses pemodelan bahkan ketika dijadikan sebagai

model akhir dari beberapa teknik lain (Decission Support, 2019: 5).

Dalam pohon keputusan sangat berhubungan dengan Algoritma C4.5,

karena dasar Algoritma C4.5 adalah pohon keputusan. Algoritma data mining

C4.5 merupakan salah satu algoritma yang digunakan untuk melakukan

klasifikasi atau segmentasi atau pengelompokan yang bersifat prediktif.

Cabang-cabang pohon keputusan merupakan pertanyaan klasifikasi dan

daun-daunnya merupakan kelas-kelas atau segmen-segmennya.

Gambar 2. 3 Contoh Pohon Keputusan

Algoritma C4.5 merupakan salah satu algoritma machine learning.

Dengan algoritma ini, mesin (komputer) akan diberikan sekelompok data

untuk dipelajari yang disebut learning dataset. Kemudian hasil dari

pembelajaran selanjutnya akan digunakan untuk mengolah data-data yang baru

yang disebut test dataset. Karena Algoritma C4.5 digunakan untuk melakukan

klasifikasi, jadi hasil dari pengolahan test dataset berupa pengelompokkan data

ke dalam kelas-kelasnya (Ilmu Biner, 2014: 1).

 Rumus menghitung entropy pada Algoritma C4.5
k
Entropi ( S )=∑ − p j log 2 p j (2.1)
j=t

Keterangan :

1. S adalah himpunan (dataset) kasus.

2. k adalah banyaknya partisi S.

3. Pj adalah probabilitaas yang didapat dari Sum (Ya) atau

Sum (Tidak) dibagi total kasus.

Setelah mendapatkan entropy dari keseluruhan kasus,

lakukan analisis pada setiap atribut dan nilai-nilainya dan hitung entropinya.

Langkah berikutnya yaitu dengan menghitung Gain,

rumus daripada Gain adalah sebagai berikut:

k
|S i| (2.2)
Gain ( A )=Entropi ( S )−∑ × Entropi ( S)
i=1 |S|

Keterangan :

1. S adalah himpunan (dataset) kasus.

2. k adalah banyaknya partisi S.

3. Pj adalah probabilitaas yang didapat dari Sum (Ya) atau

Sum (Tidak) dibagi total kasus.

Berikut ini akan saya berikan contoh pergitungan decision tree

menggunakan algoritma C4.5 Secara sederhana. Untuk menentukan bermain

tenis atau tidak, kriteria yang diperlukan meliputi:

  a. Cuaca

b. Angin

  c. Kelembaban
  d. Temperatur udara

Salah satu atribut merupakan data solusi per item data yang disebut target atribut

-> misalnya atribut “play” degan nilai “main” atau “tidak main”

Atribut memiliki nilai-nilai yang dinamakan “instance”

Misalkan atribut “Cuaca” memiliki instance -> cerah, berawan, dan hujan.

Maka akan terbentuk tabel seperti berikut:

Tabel 2.1 Output

Berdasakan tabel diatas akan dibuat tabel keputusan untuk menentukan

main tenis atau tidak dengan melihat keadaan Outlook (cuaca), Temperatur,
Humidity (kelembaban), dan windy (keadaan angin).
Algoritma secara umum:
a. Pilih atribut sebagai akar
b. Buat cabang untuk tiap2 nilai
c. Bagi kasus dalam cabang
d. Ulangi proses utk setiap cabang sampai semua kasus pada cabang memiliki
kelas yang sama
e. Memilih atribut berdasarkan nilai “gain” tertinggi dari atribut-atribut yang ada.
 Perhitungan Gain

n
Gain ( S , A )=Entropy ( S )−∑ ¿ Entropy(Si) (2.3)
i=1

Keterangan:
   - S : himpunan
   - A : atribut
   - n  : jumlah partisi atribut A
   - | Si | : jumlah kasus pada partisi ke-i
   - | S |  : jumlah kasus dalam S

Maka dari perhitungan diatas akan terbentuk rumus tabel sebagai berikut:

Tabel 2.2 Perhitungan Gain

Dari hasil perhitungan gain diatas, maka akan membentuk diagram seperti berikut
 Gambar 2.1 Pohon Keputusan

Hasil perhitungan (Langkah 3)

Didapat Gain tertinggi -> Windy -> 1

Maka “Windy” menjadi node cabang dari atribut humidity yg bernilai “High” dan
outlook yg bernilai “Rainy”
Berdasarkan atribut “Windy” terdpt 2 nilai 
True
False
Karena “True” sdh terklasifikasi pasti bernilai “No” dan “False” pasti bernilai
“Yes”, maka tidak perlu dilakukan perhitungan lagi
 Gambar 2.2 Pohon Keputusan

2.2.6 Confusion Matrix

Confusion matrix adalah tool yang digunakan untuk evaluasi

model klasifikasi untuk memperkirakan objek yang benar atau salah. Sebuah

matrix dari prediksi yang akan dibandingkan dengan kelas yang asli dari inputan

atau dengan kata lain berisi informasi nilai actual dan prediksi pada klasifikasi

(Decission Support, 2019: 5).

Tabel 2. 3 Confusion Matrix 2 kelas

Classification Predicted class

Class = Yes Class = No
Class=Yes a (true positive-TP) b (false negative-FN)
Class=No c (false positive-FP) d (true negative-TN)

Maksud dari yes adalah perintah itu akan dieksekusi sedangkan jika no

maka tidak akan dieksekusi berdasarkan rumus yang telah ditentukan.

2.4 Penelitian Sebelumnya

 Sebelum itu sebagai bahan pertimbangan penelitian ini, penenliti akan

memaparkan beberapa penelitian terdahulu yang digunakan sebagai pembanding

dalam penelitian ini.

1. Penelitian sebelumnya dilakukan oleh Pradega Shella yang telah melakukan

penelitian “sistem pendukung keputusan dengan menggunakan decission tree

dalam pemberian beasiswa di sekolah menengah pertama (Studi Kasus di SMP N

2 Rembang) pada tahun 2015”. Pada penelitian ini disimpulkan bahwa dari

pertanyaan pertanyaan dapat menentukan keputusan tentang siapa yang akan

mendapatkan beasiswa.

2. Penelitian kedua dilakukan oleh Fitro Rizky Muwardah yang telah melakukan

penelitian “penentuan penerimaan siswa baru menggunakan decision tree (di

MAN Purbalingga) pada tahun 2015”. Pada penelitian ini disimpulkan bahwa

dari beberapa factor seperti nilai dan asal sekolah dapat menilai siswa tersebut

atau tidak secara subjektif.

3. Penelitian ketiga dilakukan oleh yudi pratama yang telah melakukan penelitian

“Penentuan Daya Listrik Rumah Tangga Menggunakan Metode Decision Tree di

PT Perusahaan Listrik negara pada tahun 2015. Pada penelitian ini disimpulkan

bahwa dari beberapa factor banyak kebutuhan perabotan gaji, dapat menentukan

daya listrik yang dibutuhkan dirumah tersebut”

4. Penelitian keempat dilakukan oleh Carissa Limantara yang telah melakukan

penelitian “Klasifikasi Kepribadian Menggunakan Algoritma Decision Tree

Berdasarkan Ten Item Personality Inventory.” pada tahun 2012. Pada penelitian

ini penulis meneliti untuk mengklasifikasikan kepriadian sesorang menggunakan

aloritma Decission tree dan menggunakan dasar Ten Item Personality yaitu

menggunakan penilaian namun disini penilaian belum diklasifikasikan secara

subyektif hanya menggunakan variable A, B, C saja.