1. Pengertian Metode Learning 2. Macam-macam Metode Learning 3. Contoh penggunaan Metode Learning
4.1
Pengertian Metode Learning Metode ini berbeda dengan metode-metode yang sebelum-sebelumnya. Di mana
metode yang sebelum-sebelumnya dalam menyelesaikan suatu masalah harus mendefinisikan aturan-aturan yang perlu dipakai. Padahal terkadang pada masalah tertentu kita tidak atau kesulitan dalam mendefinisikan aturan secara benar dan lengkap. Metode Learning merupakan metode pembelajaran dari data-data yang sudah ada dan bisa secara otomatis menemukan aturan yang diharapkan dapat berlaku umum untuk data-data yang belum pernah diketahui. Secara garis besar setiap program computer dapat meningkatkan performansinya melalui experience. Terdapat contoh data penerimaan pegawai: Diketahui: Pelamar = 11 Orang
Parameter/Atribut= 3 Item (IPK, Psikolog, Wawancara) Hasil IPK Hasil Psikolog = 3 Item (Bagus, Cukup, Kurang) = 3 Item (Tinggi, Sedang, Rendah)
Hasil Wawancara = 2 Item (Baik, Buruk) Kelas Berikut table data pegawai: Universitas Islam Majapahit Mojokerto 1 = 2 Kelas (Ya dan Tidak)
IPK Bagus Bagus Bagus Bagus Cukup Cukup Cukup Cukup Kurang Kurang Kurang
Psikolog Tinggi Sedang Sedang Rendah Tinggi Sedang Sedang Rendah Tinggi Sedang Rendah
Wawancara Baik Baik Buruk Buruk Baik Baik Buruk Buruk Baik Buruk Baik
Semestinya jika data dikatakan lengkap dengan sudah diketahui jumlah parameter beserta hasilnya, maka hasil kombinasinya dapat diperoleh dari: 3 ( Hasil IPK) * 3 ( Hasil Psikolog) * 2 ( Hasil Wawancara) = 18 Kombinasi
4.2
4.2.1
Decision Tree Learning Merupakan metode yang berusaha menemukan fungsi-fungi pendekatan yang
bernilai diskrit dan tahan terhadap noisy data serta mampu mempelajari ekspresi-ekspresi disjunctive (OR). Pada bahasan ini akan mempelajari salah satu jenis DTL yang sangat terkenal yakni Iterative Dychotomizer version 3 atau dikenal dengan ID3. ID3 membangun sebuah DTL secara Top-Down, maksudnya atribut mana yang pertama kali harus dicek dan diletakkan pada root. Maka dengan adanya hal ini digunakan suatu ukuran statistic yakni Information Gain untuk mengukur efektivitas suatu Universitas Islam Majapahit Mojokerto 2
atribut dalam mengklasifisikan kumpulan sampel data. Tetapi sebelum menghitung Information Gain, harus memahami ukuran Entropy untuk mengukur heterogenitas dari kumpulan sampel data. Entropy (S) dimana c pi : = Parameter/Atribut = Sampel Data untuk Kelas i
maka p1 p2
= -(8/11) = 0.8454
Untuk sampel data yang dikelompokkan dalam 2 kelas,maka entropy-nya adalah 1. Jika lebih dari 2 kelas, maka dapat diperoleh dengan menggunakan rumus: c Berikut ini graik fungsi entropy untuk kumpulan data dengan 2 kelas. 1
0.5 p1
Setelah
mengetahui
nilai
entropy-nya,
maka
dapat
diukur
efektivitas
suatu
parameter/atribut (Information Gain). Adapun rumusnya sebagai berikut: ( di mana: A V Values(A) |Sv| |S| Entropy(Sv) = parameter/atribut = menyatakan suatu nilai yang mungkin untuk atribut A = himpunan nilai-nilai yang mungkin untuk atribut A = jumlah sampel untuk nilai v = jumlah seluruh sampel data = entropy untuk sampel-sampel yang memiliki nilai v ) ( )
( )
( )
Menghitung Information Gain untuk IPK Lihat pada table 4.1. Dimisalkan: Atribut Ya dikatakan sampel positif (+) Atribut Tidak dikatakan sampel negative (-)
Diketahui: Values(IPK) = Bagus, Cukup, Kurang; maka: S SBagus SCukup SKurang = [8+,3-]; |S| = 11 = [3+, 1-]; |SBagus| = 4 = [3+, 1-]; |SCukup| = 4 = [2+, 1-]; |SKurang| = 3
Dihitung Information Gain IPK: Entropy(S) = -(8/11) = 0.8454 Entropy(SBagus) = -(3/4) = 0.8113 Entropy(SCukup) = -(3/4) (3/4) -(1/4) (1/4) (3/4) -(1/4) (1/4) (8/11) -(3/11) (3/11)
(2/3) -(1/3)
(1/3)
( ) ( )
( ( )
) ( )