DECISION TREE ALGORITMA C 4.

Salah satu algoritma induksi pohon keputusan yaitu ID3 (Iterative Dichotomiser 3). ID3
dikembangkan oleh J. Ross Quinlan. Dalam prosedur algoritma ID3, input berupa sampel
training, label training dan atribut. Algoritma C4.5 merupakan pengembangan dari ID3.

B. LANGKAH- LANGKAH ALGORITMA C 4.5

Berikut adalah langkah langkah dalam menlajankan metode Decision Tree

Algoritma C4.5 :
1. Pilih atribut sebagai akar
2. Buat cabang untuk tiap-tiap nilai
3. Bagi kasus di dalam cabang
4. Ulangi Proses untuk setiap cabang sampai semua kasus pada cabang memiliki kelas yang
sama
5. Untuk memilih atribut akar, didasarkan pada nilai GAIN tertinggi dari atribut-atribut yang
ada.
6. Untuk mendapatkan nilai GAIN, harus ditentukan terlebih dahulu nilai ENTROPY

Rumus Entropy :

Keterangan :

S = Himpunan Kasus

n = Jumlah Partisi S

pi = Proporsi dari Si terhadap S

Rumus Gain :

Keterangan :

S = Himpunan Kasus

A = Atribut

n = Jumlah Partisi Atribut A

| Si | = Jumlah Kasus pada partisi ke-i

|S| = Jumlah Kasus dalam S

C. CONTOH DATA OLAHAN DECISSION TREE

Tabel Keputusan Bermain Tenis

Solusi :

Hitung Jumlah Kasus

Hitung Jumlah Keputusan “Yes”

Hitung Jumlah Keputusan “No”

Hitung :

Entropy (Total),

Entropy (Outlook),

Entropy (Temperature),

Entropy (Humidity), dan

Entropy (Windy)
node Jumlah No Yes Entrophy Gain

1 Total 14 4 10

Outlook

Sunny 5 3 2

Cloudy 4 0 4

Rainy 5 1 4

Temperature

Hot 4 2 2

Mild 6 2 4

Cool 4 0 4

Humidity

High 7 4 3

Normal 7 0 7

Windy

FALSE 8 2 6

TRUE 6 2 4
Hitung :

Gain (Total, Outlook)

Gain (Total, Temperature)

Gain (Total, Humidity)

Gain (Total, Windy)

node Jumlah No Yes Entrophy Gain

1 Total 14 4 10 0,863120569

Outlook

Sunny 5 3 2 0,970950594
0,258521037
Cloudy 4 0 4 0

Rainy 5 1 4 0,721928095

Temperature

Hot 4 2 2 1
0,183850925
Mild 6 2 4 0,918295834

Cool 4 0 4 0

Humidity

High 7 4 3 0,985228136 0,370506501

Normal 7 0 7 0
Windy

FALSE 8 2 6 0,811278124 0,005977711

TRUE 6 2 4 0,918295834