baru berupan rule-rule atau aturan-aturan yang akan dijadikan pola keputusan. Algoritma ini dirasa cukup mudah pada implementasi sehingga apabila ada perubahan data di masa yang akan dating maka akan mudah juga untuk melakukan pembaruan pola keputusan yang baru.
3.2 Algoritma Sistem
Pada algoritma C4.5 terdiri dari beberapa tahapan yaitu:
1. Pilihan atribut sebagai akar. 2. Buat cabang untuk tiap-tiap nilai. 3. Bagi kasus dalam cabang.
4. Ulangi peroses untuk setiap cabang sampai semua kasus pada cabang memiliki kelas yang sama.
Sebelum melakukan proses sesuai dengan Algoritma C4.5, maka terlebih dahulu akan dilakukan penetuan data awal. Data awal yang digunakan adalah data nilai rata-rata rapor, nilai ujian nasional bahasa Inggrus dan nilai ujian seleksi penerimaan yang nantinya akan digunakan untuk pengambilan keputusan.
3.2.1 Penentuan Data Awal
Data yang digunakan adalah data nilai rata-rata rapor, nilai ujian nasional bahasa inggris dan nilai ujian seleksi pada 50 orang pertama calon siswa SMA Negri Unggulan Sukma Nias, yaitu sebagai berikut :
Tabel 3.1 Data Calon Siswa No Nama Calon Siswa Nilai Rata -rata Rapor
Nilai UN Bahasa Inggris
1 Alvajar Nofanolo Harefa 87 77 85
2 Anniversari Ritalenta 79 70 80
3 Charles Setiawan Zega 84 82 87
4 Elnatan Purnama Sangahao 77 87 90
5 Hepi Hardiyanti Waruwu 78 80 84
6 Iman Hati Gea 80 74 85
7 Indra David Karunia Mendrofa 85 83 81
8 Jonta Hendrik Pratama Zamago 79 74 80
9 Juli Kriswanto Jhonpra Volta 82 88 85
10 Kelvin Putra Jaya Zebua 88 89 83
11 Miwa Berkat Niamana Zebua 89 91 82
12 Oktalena Zai 91 90 88
13 Prischa Deyta Claudia Zalukhu 90 95 89
14 Purim Kharisman Hulu 95 75 92
15 Puspita Dewi Putri Faruwu 75 69 90
16 Rikmen Denta Anoita Gori 80 65 95
17 Risnah Harefa 85 80 82
18 Rivonius Berkat Jaya Noitolo 83 69 81
19 Wahyudinansyah Kurinci 83 65 65
20 Yakin Kasih Telaumbanua 79 70 80
21 Deana Kristiani Zebua 89 82 89
22 Dian Nova Betriana Mendrofa91 91 87 88
23 Didian Noveni Waruwu 90 90 88
24 Dikta Pretty Yitra Zebua 95 77 82
25 Dita Kasih Kristine Hulu 75 77 87
26 Edwin Syah Putra Laia 69 70 90
27 Elfa Yusriani Harefa 65 80 88
28 Eukardi Yanto Kristov Waruwu 80 85 82
29 Hadirat Zebua 76 80 70
30 Igor Adefrid Jantri Milleno 77 74 80
31 Iwan Krisman Lase 70 90 85
32 Mayang Julfriani Lase 78 70 80
33 Meiman Krisman Penyabar 87 77 87
34 Nince Junita Waruwu 80 78 90
35 Rahmat Kurniawan Hulu 85 80 84
36 Steven Jordan Zebua 83 85 81
37 Surya Kurniati Zebua 82 83 81
38 Welly Nolira Narwastuti Harefa 77 73 80
39 Yarniwati Hura 89 85 87
40 Yismael Nashara Enos Bella 91 83 90
No Nama Calon Siswa Nilai Rata -rata Rapor
41 Arisman Tarkus Deli 90 82 82
42 Bernad Teuku Ryan Waruwu 95 88 88
43 Carlin De Puteh Daeli 75 89 89
44 Cristoni Hasiholan Pardosi 80 91 91
45 Dermawan Gulo 85 90 90
46 Dika Theo Dice Gea 83 95 95
47 Elda Maria Krisanti 82 77 85
48 Eva Damayanti 75 70 69
49 Fakta Sastra Mendrofa 89 80 85
50 Fitri Juhana Sitompul 77 71 80
3.2.2 Transformasi Data
Dari data tersebut diatas, selanjutnya kita akan melakukan transformasi data. Hal ini dilakukan dengan tujuan untuk mempermudah proses pengalian data. Adapun transpormasi data tersebut dilakukan dengan acuan sebagai berikut:
Tabel 3.2 Transformasi Data Nilai Calon Siswa.
Nilai
Ujian Seleksi Ujian Nasional Bahasa Inggris
Rapor
<=80 >81 <75 >=75 <80 >=80
Kurang Cukup Kurang Cukup Kurang Cukup
Berdasarkan data pada tabel 3.2 di atas, maka data akan ditransfermasikan menjadi seperti berikut:
N
o Nama Calon Siswa
Nilai Rata -rata
1 Alvajar Nofanolo Harefa Cukup Cukup Cukup Lulus
2 Anniversari Ritalenta Cukup Kurang Kurang Gagal
3 Charles Setiawan Zega Cukup Cukup Cukup Lulus
4 Elnatan Purnama
Sangahao Kurang Cukup Cukup Lulus
5 Hepi Hardiyanti Waruwu Kurang Cukup Cukup Lulus
6 Iman Hati Gea Cukup Cukup Kurang Lulus
7 Indra David Karunia
Mendrofa Cukup Cukup Kurang Lulus
8 Jonta Hendrik Pratama
Zamago Cukup Cukup Kurang
Gaga l 9 Juli Kriswanto Jhonpra Volta Cukup Cukup Cukup Lulus
10 Kelvin Putra Jaya Zebua Cukup Cukup Cukup Lulus
11 Miwa Berkat Niamana
Zebua Cukup Cukup Cukup Lulus
12 Oktalena Zai Cukup Cukup Cukup Lulus
13
Prischa Deyta Claudia
Zalukhu Cukup Cukup Cukup Lulus
14 Purim Kharisman Hulu Cukup Cukup Cukup Lulus
15
Puspita Dewi Putri
Faruwu Kurang Kurang Cukup Lulus
16
Rikmen Denta Anoita
Gori Cukup Kurang Cukup Lulus
17 Risnah Harefa Cukup Cukup Kurang Lulus
18
Rivonius Berkat Jaya
Noitolo Cukup Cukup Kurang Lulus
19 Wahyudinansyah Kurinci Cukup Cukup Kurang Lulus
20 Yakin Kasih Telaumbanua Cukup Kurang Kurang
Gaga l
21 Deana Kristiani Zebua Cukup Cukup Kurang Lulus
22
Dian Nova Betriana
Mendrofa91 Cukup Cukup Kurang Lulus
23 Didian Noveni Waruwu Cukup Cukup Kurang Lulus
24 Dikta Pretty Yitra Zebua Cukup Cukup Cukup Lulus
25 Dita Kasih Kristine Hulu Kurang Cukup Cukup Lulus
26 Edwin Syah Putra Laia Kurang Cukup Cukup Lulus
27 Elfa Yusriani Harefa Kurang Cukup Kurang Lulus
28
Eukardi Yanto Kristov
Waruwu Cukup Cukup Kurang Lulus
29 Hadirat Zebua Kurang Cukup Kurang Lulus
30
Igor Adefrid Jantri
31 Iwan Krisman Lase Kurang Cukup Cukup
Gaga l
32 Mayang Julfriani Lase Cukup Cukup Kurang Lulus
33 Meiman Krisman Penyabar Cukup Cukup Cukup Gagal
34 Nince Junita Waruwu Cukup Cukup Cukup Lulus
35 Rahmat Kurniawan Hulu Cukup Cukup Cukup Lulus
36 Steven Jordan Zebua Cukup Cukup Kurang Lulus
37 Surya Kurniati Zebua Cukup Cukup Kurang Lulus
38 Welly Nolira Narwastuti Harefa Cukup Cukup Kurang Gagal
39 Yarniwati Hura Cukup Cukup Kurang Lulus
40
Yismael Nashara Enos
Bella Cukup Cukup Cukup Lulus
Tabel 3.3 Data Nilai Awal Setelah di Transformasi (Lanjutan)
No Nama Calon Siswa Nilai Rata -rata
Nilai UN Bahasa Inggris
Nilai Ujian
Seleksi Hasil
41 Arisman Tarkus Deli Cukup Cukup Cukup Lulus
42 Bernad Teuku Ryan Waruwu Cukup Cukup Cukup Lulus
43 Carlin De Puteh Daeli Kurang Cukup Cukup Lulus
44
Cristoni Hasiholan
Pardosi Cukup Cukup Cukup Lulus
45 Dermawan Gulo Cukup Cukup Cukup Lulus
46 Dika Theo Dice Gea Cukup Cukup Cukup Lulus
47 Elda Maria Krisanti Cukup Cukup Kurang Lulus
48 Eva Damayanti Kurang Kurang Kurang Gagal
49 Fakta Sastra Mendrofa Cukup Cukup Kurang Lulus
50 Fitri Juhana Sitompul Cukup Cukup Kurang
Gaga l
3.2.3 Algoritma C4.5
Berikut adalah tahapan-tahapan penyelesaian untuk membentuk sebuah pohon keputusan dari data nilai yang akan dijadikan acuan untuk memilih calon siswa baru yang akan diterima bersekolah di SMA Negri Unggulan Sukma Nias.
3.2.3.1 Pilih atribut akar
Untuk memilih atribut sebagai akar, berdasarkan pada nilai gain tertinggi dari atribut-atribut yang ada.
Dengan menggunakan 2 persamaan di atas maka didapatkan entropy dan gain yang digunakan sebagai akar dalam membuat pohon keputusan.
1. Entropy Total
Entropy Total ¿
(
−4250 ∗log2
(
42 50)
)
+(
−8 50∗log2
(
8
50
)
)
=0.63431Enteropy total adalah menghitung nilai lulus (42) dan tidak lulus (8) dimana 50 adalah jumlah kasus keseluruhan.
2. Entropy Atribut Nilai Rata-rata
Untuk atribut nilai rata-rata terdiri dari 2 nilai yaitu: kurang dan cukup dimana nilai entropy masing-masing adalah sebagai berikut:
Nilai Rata-rata=Cukup
Entropy (Cukup)l ¿
(
−33 Nilai Rata-rata = Kurang(Jumlah Kasus=11, Hasil Lulus=9, Hail Tidak Lulus=2) Entropy (Kurang)l ¿
(
−93. Entropy Atribut Nilai Ujian Bahasa Inggris
Untuk Atrubut Nilai Ujian Bahasa Inggris dari 2 nilai yaitu: Cukup dan Kurang dimana, nilai Entropy masing-masing adalah sebagai berikut:
Nilai Ujian Bahasa Inggris = Cukup
(Jumlah Kasus=44, Hasil Lulus=39, Hail Tidak Lulus=5) Entropy (Cukup) ¿
(
−39 Nilai Ujian Bahasa Inggris = Kurang(Jumlah Kasus=6, Hasil Lulus=3, Hail Tidak Lulus=3) Entropy (Kurang)l ¿
(
−34. Entropy Atribut Nilai Ujian Seleksi
Untuk Atribut Nilai Ujian Seleksi terdiri dari 2 nilai yaitu Cukup dan Kurang dimana nilai Entropy masing-masing adalah sebagai berikut:
Nilai Ujian Seleksi = Cukup
(Jumlah Kasus=27, Hasil Lulus=27, Hail Tidak Lulus=0) Entropy (Cukup) ¿
(
−27 Nilai Ujian Seleksi = Kurang5. Gain (Total, Nilai Rata-rata)
Gain untuk Nilai Rata-rata adalah:
=
Entropy(S)-Nilai Rata−ratai
¿
Dimana Jumlah Total = 50, Jumlah Kasus (Nilai Rata-rata Cukup = 39, Nilai Rata-rata Kurang = 11)
6. Gain (Total, Nilai Ujian Bahasa Inggris)
Gain untuk Nilai Ujian Bahasa Inggris adalah:
=
Entropy(S)-Nilai UjianBahasa Inggrisi
¿ ¿
|
Nilai UjianBahasa Inggrisi|
|Total| ∗Entropy¿
Dimana Jumlah Total = 50, Jumlah Kasus (Nilai Bahasa Inggris Cukup = 44, Nilai Bahasa Inggris Kurang = 6)
7. Gain (Total, Nilai Ujian Seleksi)
=
Entropy(S)-Nilai UjianSeleksii
¿ ¿
|
Nilai UjianSeleksii|
|Total| ∗Entropy¿
Dimana Jumlah Total = 50, Jumlah Kasus (Nilai Seleksi Cukup = 27, Nilai Seleksi Kurang = 23)
Setelah seluruh nilai Entropy dan Gain diperoleh, selanjutnya hasil dari penelitian tersebut dimasukan ke dalam Tabel 3.4.
Pada perhitungan pada Tabel 3.4, dapat diketahui bahwa atribut dengan Gain tertinggi adalah nilai Uian Seleksi dengan nilai 0,2055, sehingga atribut
Nilai Ujian Seleksi dapat menjadi Node Akar.
Tabel 3.4 Tabel Perhitungan Node 1
Node
Jumla h
Kasus Lulus
Tidak
Lulus Entropy Gain
1 TOTAL 50 42 8 0,634310
Nilai Rata - rata Rapor
0,000 7
Cukup 39 33 6 0,6194
Kuran
g 11 9 2 0,6840
Nilai Ujian Bahasa Inggris
0,064 8
Cukup 44 39 5 0,5108
Kuran
g 6 3 3 10,000
Nilai Ujian Seleksi
0,205 5
Cukup 27 27 0 0,0000
g
3.2.3.2 Cabang Untuk Setiap Nilai
Pada atribut Nilai Ujian Seleksi yang dijadikan akar terdapat 2 nilai yaitu “Cukup” dan “Kurang”. Dari nilai atribut tersebut, nilai “Cukup” mempunyai Hasil = “Lulus” sehingga tidak perlu dilakukan perhitungan kembali. Sedangkan nilai “Kurang” mempunyai Hasil = “Lulus” dan Hasil = “Tidak Lulus” sehingga untuk nilai atribut “Kurang” harus dilakukan perhitungan kembali. Gambar pohon keputusan sementara dapat dilihat pada gambar 3.1 sebagai berikut:
Kurang Cukup
Gambar 3.1 Pohon Keputusan Hasil Perhitungan Node 1
Dari gambar 3.1 di atas, diperhatikan bahwa yang dijadikan Node akar adalah Nilai Ujian Seleksi dimana Nilai Ujian Seleksi ini dibagi dalam 2 tipe yaitu “Cukup dan “Kurang”. Untuk nilai “Cukup” tidak perlu dilakukan perhitungan kembali dikarenakan hasil dari nilai tersebut adalah “Lulus”
Nilai Ujian Seleksi
sedangkan untuk nilai “Kurang” harus dilakukan perhitungan kembali dikarenakan hasilnya berniali “Lulus” dan “Tidak Lulus”.
3.2.3.3 Pembagian Kasus Pada Setiap Cabang
Selanjutnya adalah menyelesaikan untuk menghitung Node 1.1 sebagai akar, sama dengan cara yang diatas dengan menghitung nilai Entropy dari atribut yang tersisa yaitu Nilai Rata-rata Rapor dan Nilai Ujian Nasional Bahasa Inggris. Setelah dihitung Entropy, lalu kemudian dihitung Gain untuk tiap-tiap atribut.
1. Entropy Nilai Ujian Seleksi
Untuk atribut Nilai Ujian Seleksi akan dijadikan cabang, dimana jumlah kasus sebanyak 10 dengan Hasil Lulus = 2 dan Hasil Tidak Lulus = 8, sehingga Entropy adalah sebagai berikut:
Entropy (Nilai Ujian Seleksi) ¿
(
−1523 ∗log2
(
15 23)
)
+(
−8
23∗log2
(
823
)
)
=0.93212. Entropy Nilai Rata-rata Rapor
Untuk Atribut Nilai Rata-rata Rapor terdiri dari 2 bilai yaitu : Cukup dan Kurang dimana nilai Entropy masing-masing adalah sebagai berikut:
(Jumlah Kasus=19, Hasil Lulus=13, Hail Tidak Lulus=6)
Nilai Rata-rata Rapor = Kurang
(Jumlah Kasus=4, Hasil Lulus=2, Hail Tidak Lulus=2)
Entropy (2) ¿
(
−23. Entropy Ujian Nasional Bahasa Inggris
Untuk Atribut Nilai Rata-rata Rapor terdiri dari 2 bilai yaitu : Cukup dan Kurang dimana nilai Entropy masing-masing adalah sebagai berikut:
Nilai Nasional Bahasa Inggris = Cukup
(Jumlah Kasus=20, Hasil Lulus=15, Hail Tidak Lulus=5)
Entropy (1) ¿
(
−15Nilai Nasional Bahasa Inggris = Kurang
(Jumlah Kasus=3, Hasil Lulus=0, Hail Tidak Lulus=3)
4. Gain (Total, Nilai Rata-rata Rapor)
Gaian untuk Nilai Rata-rata Rapor adalah:
=Entropy(S)
Nilai Rata−rata Rapori
¿Total∨¿∗Entropy¿
Dimana Jumlah Total = 23, Jumlah Kasus (Nilai Rata-rata Rapor “Cukup” = 19 dan Niali Rata-rata “Kurang” = 4)
5. Gain (Total, Ujian Nasional Bahasa Ingggris)
Gaian untuk Nilai Rata-rata Rapor adalah:
=Entropy(S)
Nilai Bhs . Inggisi
Dimana Jumlah Total = 23, Jumlah Kasus (Ujian Nasional Bahasa Inggris“Cukup” = 20 dan Ujian Nasional Bahasa Inggris “Kurang” = 3)
Setelah seluruh nilai Entropy dan Gain diperolaeh, selanjutnya hasil dari perhitungan tersebut dimasukkan kedalam Tabel 3.5
Tabel 3.5 Perhitungan Entropy dan Gain pada Node 1.1
Node
Jumla h
Kasus Lulus
Tidak
Lulus Entropy Gain
1 TOTAL 23 15 8 0,9321
Nilai Rata - rata 0,0149
Cukup 39 33 6 0,8997
Kurang 11 9 2 1,0000
Nilai Ujian Bahasa
Inggris 0,2267
Cukup 20 15 5 0,8113
Kurang 3 0 3 0,0000
Ujian Nasional Bahasa Inggris “Cukup” maka Hasil = “Lulus” dan jika Nilai Ujian Seleksi “Kurang” dan Nilai Ujian Bahasa Inggris “Kurang” maka hasil = “Tidak Lulus”. Jika dilihat pada atribut selajutnya yaitu Nilai Rata-rata Rapor maka jika Nilai Rata-rata Rapor “Cukup” ataupun “Kurang” maka hasilnya tetap Lulus.
3.2.3.4 Pohon Keputusan
Berdasarkan perhitungan Entropy dan Gain seperti yang telah dilakukan diatas, maka diperoleh Pohon Keputusan akhir seperti gambar 3.2.
Gambar 3.2 Pohon Keputusan Akhir
Setelah Nilai ujian seleksi dijadikan Node akar, maka Nilai Ujian Nasional Bahasa Inggris dijadikan Node 1.1 atau node cabag. Untuk Nilai Ujian Nasional
Nilai Ujian Seleksi
Lulus
Niali Rata-rata
Rapor Tidak Lulus
Nilai Ujian Nasional
Bahasa INggris Lulus
Bahasa Inggris dengan Nilai “Kurang”, serta Nilai Rata-rata Rapor dijadikan sebagai node berikutnya.
3.2.3.5 General Rules
Berdasarkan dari pohon keputusan yang terbentuk seperti pada gambar 3.2, maka dapat dihasilkan rule sebagai berikut :
1. If Nilai Ujian Seleksi=”Cukup”then Hasil=”Lulus”
2. If Nilai Ujian Seleksi=”Kurang”and Nilai Ujian Nasional Bahasa Inggris=”Kurang”then Hasil=”Tidak Lulus”
3. If Nilai Ujian Seleksi=”Kurang”and Nilai Ujian Nasional Bahasa
Inggris=”Cukup”and Nilai Rata – rata Rapor=”Cukup”then Hasil=”Lulus” 4. If Nilai Ujian Seleksi=”Kurang”and Nilai Ujian Nasional Bahasa
3.3 Flowchart Algoritma C4.5
Berikut adalah flowchart program pada pengolahan data kriteria yang akan digunakan dalam pembuatan pola keputusan Penerimaan Siswa Baru Pada SMA Negeri Unggulan Sukma Nias.
Y
Start A
Stop
Pohon Keputusan Cari Atribut Cabang dengan Atribut Cabang
= Gain Tertinggi
AdaCabang Lagi ?
B
B
A
Data Kriteria
Hitung Entropy dan Gain Setiap Kriteria
Hitung Entropy dan Gain Atribut Lain Cari Cabang dari sisa
atribut kriteria selain atribut akar
Hitung Jumlah Kasus
Gambar 3.3 Flowchart Algoritma C4.5
Pada saat system dijalankan, data yang diperlukan adalah kriteria – kriterian yang menjadi acuan dalam proses penerimaan siswa baru. Setelah data terpenuhi, maka akan dilakukan proses perhitungan jumlah kasus yang kemudian tdata tersebut akan digunakan untuk proses pencarian nilai entropy total dan entropy tiap – tiap kriteria. Setelah data nilai entropy terpenuhi, maka selanjutnya adalah menghitung nilai gain. Apabila sudah tidak terdapat cabang lagi, maka pohon keputusan dari system penerimn siswa baru telah terbentuk.
3.4.1 Use Case Diagram
Adapun Use Case diagram untuk aplikasi penerapan Algoritma C4.5 dapat
dilihat pada gambar 3.4 berikut :
DDat
Admin Sistem
Data Atribut
Direktori Penyimpanan
Import Data
Running
Hubungan/R elasi
Gambar 3.4 Use Case Diagram Aplikasi Penerapan Algoritma C4.5
Adapun scenario dari Use Case Diagram diatas dapat dijelaskn sebagai berikut :
1. Skenario Use Case Direktori Penyimpanan
Adapun scenario Use Case dari Direktori Penyimpanan adalah sebagai berikut :
Nama Use Case : Direktori Penyimpanan
Actor : Admin
Tujuan : Pembuatan Default Lokasi Penyimpanan
Deskripsi : Menentukan lokasi yang digunakan sebagai pengaturan
Dasar penyimpanan seluruh file yang dibutuhkan system.
User Sistem
1. Mengaktifkan aplikasi Rapid Miner 2. Memilih Menu File – New
3. Tampilan Aplikasi Rapid Miner 4. Memilih Tab Repositories
2. Skenario Use Case Import Data
Adapun scenario Use Case dari Import Data dari Direktori Penyimpanan adalah sebagai berikut :
Nama Use Case : Import Data
Actor : Admin
Tujuan : Memasukkan Sumber Data
Deskripsi : Menambahkan data atribut yang akan diolah kedalam program yang akan digunakan.
User Sistem
1. Memilih Tab Repositories dan Import Excel Sheet
2. Memilih Sheet yang akan digunakan 3. Memilih data yang akan digunakan 4. Membuat nama file dan memilih tempat
penyimpanan
3. Skenario Use Case Data Atribut
Adapun scenario Use Case dari Data Atribut adalah sebagai berikut :
Nama Use Case : Data Atribut
Actor : Sistem
Tujuan : Membuat Data Atribut
Deskripsi : Menyiapkan sumber data yang akan digunakan dalam
Proses yang akan dibuat dalam bentuk Excel.
User Sistem
1. Data atribut telah dibuat dengan menggunakan Excel
4. Skenario Use Case Algoritma C4.5
Adapun scenario Use Case dari Import Data adalah sebagai berikut :
Nama Use Case : Algoritma C4.5
Actor : Admin
Tujuan : Memasukkan Algortima C4.5
Deskripsi : Menambahkan Algoritma C4.5 yang telah disediakan oleh aplikasi ke dalam lembar kerja.
User Sistem
1. Memilih Tab Operatiors – Modeling Classification – Delcision Tree
5. Skenario Use Case Relasi/Hubungan
Adapun scenario Use Case dari Import Data adalah sebagai berikut :
Nama Use Case : Relasi / Hubungan
Actor : Admin
Tujuan : Menghubungkan Sumber Data dan Algoritma
Deskripsi : Menghubungkan Algoritma C4.5 yang telah dipilih
dengan data atribut yang telah dimasukkan sebelumnya.
User Sistem
1. Menentukan Output dan Input dalam relasi yang akan dibuat.
2. Membuat hubungan/relasi antara Algoritma yang akan dipilih dengan sumber data yang akan digunakan
6. Skenario Use Case Running Sistem
Adapun scenario Use Case dari Running Sistem adalah sebagai berikut :
Nama Use Case : Running Sistem
Actor : Admin
Tujuan : Menghasilkan Pohon Keputusan
Deskripsi : Menjalakan relasi antara algoritma yang telah dipilih
Dengan data sumber untuk menghasilkan pohon keputusa
User Sistem
1. Memilih icon Run
2. Memeriksa data nilai dan mengeksekusi Algoritma C4.5
3. Membentuk pohon keputusan
3.4.2 Activity Diagram
Activity diagram memodelkan alur kerja sebuah urutan aktivitas pada
Gambar 3.5 Activity Diagram Sistem 3.4.3 Perancangan Sistem
Memasukkan Data Klik Tombol Finish Pemilihan Atribut
Memasukkan Algoritmas
Pemilihan Parameter
Klik Start zKlik Tombol Menu Import
Data
Mengelompokkan Data Mencari Lokasi Data
Klik New
Menampilkan Dialog Save
Menampilkan Halaman Decision Tree Menampilkan Halaman Proses
Tahap perancangan berikutnya yaitu desain system secara detail yang meliputi desain input system, dan desain database. Berikut ini adalah rancangan input sebagai antarmuka pengguna :
1. Rancangan Form Menu Utama
Rancangan form yang disajikan oleh system untuk melakukan menampilkan seluruh menu yang ada, ditunjukkan pada gambar 3.6 :
File | Edit | Process | Tools | Views | Help
Gambar 3.6 Desain Form Menu Utama
Rancangan form yang disajikan oleh system untuk melakukan prosess yang ditunjukkan pada gambar 3.7 :
File | Edit | Process | Tools | Views | Help Operator
Repositories
Process Window Properties
