Abstrak –Perkembangan usaha di bidang penjualan mobil bekas sangat pesat sehingga banyak konsumen
memandang dari pengaruh product quality terhadap brand loyality melalui kepuasan konsumen sebagai variabel
mediasi. Kepuasan konsumen mempengaruhi terhadap signifan brand loyality dan sebagai variabel mediasi dari
product quality terhadap brand quality. Peneliti mencoba membuat perbandingan antara metode decission tree
dan support vector machine untuk membandingkan akurasi yang lebih baik, hasil dari penelitian ini perbandingan
dari Decission Tree dan Support Vector Machine dari data Training decission tree sebesar 2,5 % dan Support
Vector Machine sebesar 9,1 % , untuk data testing dari Decission Tree sebesar 6,2 % dan Support Vector Machine
sebesar 2,2 %. Bisa disimpulkan bahwa pada metode Decission Tree akurasinya lebih baik daripada metode
Support Vector Machine.
Kata Kunci— Perbandingan Metode Decission tree dan Support Vector Machine, Mobil, Soft Computing
mobil bekas yang dapat membantu konsumen dalam mempresentasikan aturan-aturan. Aturan dapat
membeli kendaraan. Namun terkadang manusia dengan mudah dipahami dengan Bahasa alami.
sering lupa, apalagi kalau kriteria tersebut sangat Proses pada Decision Tree adalah mengubah data
banyak sperti harga mobil, aksesoris mobil, kapasitas (tabel) menjadi model pohon, mengubah model
penumpang dan tahun produksi sehingga konsumen pohon menjadi rule, dan menyederhanakan rule, .[7].
sering mengalami kesalahan dalam pemilihan
kendaraan bekas yang akan dipinangnya . [5].
harus dilakukan adalah menentukan atribut Algoritma Support Vector Machine adalah
mana yang akan dijadikan simpul akar dan Algoritma supervised yang berupa klasifikasi dengan
atribut mana yang akan dijadikan simpul cara membagi data menjadi dua buah kelas
selanjutnya. Pemijlihan atribut yang baik menggunakan garis hyperlane. Pada permasalahan
memungkinkan untuk mendapatkan Decision yang kompleks atau permasalahan dengan parameter
Tree yang paling kecil ukuranya. Atau atribut yang banyak, metode ini juga sangat baik untuk
yang bisa memisahkan obyek menurut digunakan, ( Octaviani, et al., 2014 ).[9]
kelasnya. Atribut yang dipilih adalah atribut
yang menghasilkan simpul yang paling bersih.
Ukuran piurity dinyatakan dengan tingkat
impurity, dan untuk menghitungnya dapat
dilakukan dengan menggunakan konsep
Entropy, Entropy menyatakan suatu
kesimpulan objek. Jika diberikan sekumpulan
objek dengan label/output Y yang terdiri dari
objek berlabel 1, 2 sampai n, Entropy dari
objek dengan n kelas ini dapat dihitung dengan Gambar 2 Grafik SVM Mencari Hyperlane Terbaik
persamaan 1.
Pada gambar 2 posisinya berada ditengah-
𝐸𝑛𝑡𝑟𝑜𝑝𝑦(𝑦) = −𝑝1𝑙𝑜𝑔2𝑝1 − 𝑝2𝑙𝑜𝑔2𝑝2 − tengah antara dua kelas, maksudnya jarak nantara
𝑝𝑛𝑙𝑜𝑔𝑛𝑝𝑛, ............................................................... (1) hyperlane dengan objek-objek data berada dengan
kelas yang berdekatan (terluar) yang diberi tanda
1. Setelah menghitung Entropy, hitung bulat kosong dan positif. Dalam SVM objek data
information Gain. terluar yang paling dekat dengan hyperlane disebut
2. Information gain adalah kriteria yang paling Support Vector. Objek yang disebut sebagai support
popular untuk pemilihan atribut. Information vector paling sulit diklasifikasikan dikarenakan posisi
gain dapat dihitung dari output data atau yang hampir tumpang tindih (overlap) dengan kelas
variabel dependent Y yang dikelompokan lain. Mengingat sifatnya yang kritis, support vector
berdasarkan atribut A, dinotasikan dengan gain inilah yang diperhitungkan untuk menemukan
(y,A). information gain, gain (y,A), dari atribut hyperlane yang paling optimal oleh SVM.
A relative terhadap output data y adalah :
dimana nilai (A) adalah semua nilai atribut A, f(X) = wTx+b, (3) ................................................ (2)
dan adalah subset dari y dimana nilai c.
Algoritma C4.5 sendiri merupakan Dimana w adalah n-dimensi bobot vector
pengembangan dari algoritma ID3, dimana dan b adalah pengali skala nilai bias. Persamaan ini
pengembangan dilakukan dalam hal : bisa menemukan maksimum margin untuk memisahkan
mengatasi missing data, bisa mengatasi data kelas dari kelas positif dari kelas negatif. Fungsi
kontinyu, purning. Secara umum lagkah- keputsan ditujukan dalam persamaan. Pemilihan
langkah algoritma C4.5 untuk membangun parameter pada Support Vector Machine untuk
pohon keputusan adalah sebagai berikut : mendaptatkan kinerja yang tinggi, bebrapa parameter
a. Pilih atribut sebagai akar. dari algoritma Support Vector Machine harus
b. Buat cabang untuk tiap-tiap nilai diperbaiki, termasuk :
c. Bagi kasus dalam cabang. A. Pemilihan fungsi karnel.
d. Ulangi proses untuk setiap cabang sampai B. Kinerja SVM tergantung pada pemilihan fungsi
semua kasus pada cabang memiliki kelas yang karnel, besaran parameter dan penentuan karnel C.
sama. fungsi karnel yang berbeda memperoleh tingkat
e. Menentukan rule untuk mengetahui aturan- keberhasilan yang berbeda untuk jenis data aplikasi.
aturannya. Ketika nilai penentuan parameter C yang dipilih
terlalu besar atau terlalu kecil, generalisasi SVM
2.2 Metode Support Vector Machine semakin berkurang. Jika parameter karnel dan
Support Vector Machine adalah usaha untuk penentuan karnel yang tepat dipilih, kinerja SVM
mencari hyperlane terbaik yang berfungsi sebagai akan optimal.
pemisah dua buah kelas pada input space. Input data C. Parameter karnel (s);
berupa linear dan non linear. Jika input data berupa D. Parameter regularasi (C,v, ε) untuk tradeoff antara
linear maka pemisah hyperlane dapat diberikan kompleksitas model dan akurasi mode.
dalam persamaan, [8].
2.3 Perancangan Sistem
169
Seminar Nasional Inovasi Teknologi e-ISSN: 2549-7952
UN PGRI Kediri, 24Juli 2021 p-ISSN: 2580-3336
170
Seminar Nasional Inovasi Teknologi e-ISSN: 2549-7952
UN PGRI Kediri, 24Juli 2021 p-ISSN: 2580-3336
c) Sequence Diagram
171
Seminar Nasional Inovasi Teknologi e-ISSN: 2549-7952
UN PGRI Kediri, 24Juli 2021 p-ISSN: 2580-3336
SVM 2,2 %
4. SIMPULAN
172
Seminar Nasional Inovasi Teknologi e-ISSN: 2549-7952
UN PGRI Kediri, 24Juli 2021 p-ISSN: 2580-3336
DAFTAR PUSTAKA
173