BAB IV HASIL PENELITIAN DAN PEMBAHASAN

(1)

BAB IV

HASIL PENELITIAN DAN PEMBAHASAN

1.1 Data Training

Data training adalah data yang digunakan untuk pembelajaran pada proses data mining atau proses pembentukan pohon keputusan.Pada penelitian ini data training mempunyai presentase 80% dari 537 data siswa. Berikut merupakan tabel hasil total data training

Total Kasus Jumlah (Ya) Jumlah (Tidak)

430 133 297

4.1 Tabel total data training

Atribut yang digunakan dalam penentuan rekomendasi beasiswa adalah Jumlah Nilai, Pekerjaan Orangtua, Penghasilan Orangtua, Jumlah Saudara Kandung. Atribut tersebut juga digunakan pihak sekolah untuk menentukan siswa yang akan mendapatkan rekomendasi beasiswa.

1.2 Pemodelan Menggunakan Algoritma C4.5

Berikut ini merupakan uraian langkah-langkah perhitungan dalam algoritma C4.5 dalam penyelesaian kasus penentuan rekomendasi beasiswa yang tepat sasaran yang akan di bagi menjadi label “iya” (diterima) atau

“tidak” (tidak diterima).

(2)

a. Perhitungan Mencari Entropy

Proses pertama algoritma C4.5 adalah menentukan nilai entropy.

Langkah pertama, tentukan entropy total kasus terlebih dahulu. Rumus untuk mencari entropy dari data siswa tersebut yaitu :

Entropy (S)= ^𝑛_𝑖₌₁− pi.log₂𝑝𝑖... (4.1)

Keterangan :

S = himpunan kasus n = jumlah partisi S pi = proporsi Si terhadap S Maka :

Entropy(S) = (-(^{𝑆𝑢𝑚 (𝑦𝑎 )}_{𝑇𝑜𝑡𝑎𝑙} ) x log2 (^{𝑆𝑢𝑚 (𝑦𝑎 )}_{𝑇𝑜𝑡𝑎𝑙} )) + (-(𝑆𝑢𝑚 (𝑡𝑖𝑑𝑎𝑘 )

𝑇𝑜𝑡𝑎𝑙 ) x log2

(𝑆𝑢𝑚 (𝑡𝑖𝑑𝑎𝑘 ) 𝑇𝑜𝑡𝑎𝑙 ))

Jadi Entropy (133,297) = (-(¹³³₄₃₀) x log2 (¹³³₄₃₀)) + (-(²⁹⁷₄₃₀) x log2 (²⁹⁷₄₃₀)) = = 0,8924

Tabel 4.2 Perhitungan Entropy

Total Kasus Jumlah (Ya) Jumlah (Tidak) Entropy

430 133 297 0,8924

a. Perhitungan Mencari Gain

Setelah nilai entropy sudah diketahui, maka langkah selanjutnya adalah mencari nilai gain pada atribut jurusan, maka gunakan rumus :

Gain (S,A) = Entropy (S) –

^𝑛 _𝑖=1 ^|𝑆𝑖| _|𝑆| ∗

Entropy (Si)....(4.2)

(3)

Keterangan :

S = Himpunan Kasus A = fitur

n = jumlah partisi atribut A

|Si| = proporsi Si terhadap S

|S| = jumlah kasus dalam S

Maka :

Gain (S,A) = Entropy (total) – (( 𝑆𝑢𝑚 (𝑡𝑜𝑡𝑎𝑙 ) jumlah ℎ kasus)) = 0,8924– ((²⁸⁰₄₃₀) 𝑥 0,894 + ¹⁵⁰₄₃₀ 𝑥 0,8893) = = 0,0001

Tabel 4.3 Perhitungan Gain Jurusan Atribut Nilai

Atribut

Sum Total

Sum (Tidak)

Sum (Ya)

Entropy Gain

Total Total 430 297 133 0,8924

Jurusan Akuntansi 280 193 87 0,894 0,0001 Mekanik 150 104 46 0,8893

Kemudian Hitung pula nilai gain pada atribut Kelas, Jumlah Kategori, Penghasilan Orangtua dan Jumlah Saudara kandung. Maka hasil perhitungan nilai gain akan tampak pada tabel 4.4

(4)

Tabel 4.4 Entropy dan Gain Atribut Nilai

Atribut

Sum Total

Sum (Tidak)

Sum (Ya)

Total Total 430 297 133 0,8924

Jurusan Akuntansi 280 193 87 0,894 0,0001 Mekanik 150 104 46 0,8893

Jumlah kategori

Diatas rata-rata

197 64 133 0,9096 0,4757

Dibawah rata-rata

233 233 0 0

Penghasilan orang tua

1 22 19 3 0,5746 0,015

2 320 227 93 0,8695

3 88 51 37 0,9817

Jumlah saudara kandung

1-2 285 229 56 0,7149 0,0918

3-4 136 67 69 0,9998

>4 9 1 8 0,5033

a. Menentukan Pohon Keputusan

Pada Tabel 4.4 Cari nilai Gain terbesar. Berdasarkan table tersebut atribut Jumlah Kategori mempunyai gain terbesar, maka atribut jumlah kategori menjadi node akar (root node).

(5)

Gambar 4.1 Akar pertama

Berdasarkan pohon keputusan node 1 (root node) yang telah terbentuk, node 1.1 akan dilanjutkan ke tahap selanjutnya. Kemudian pada tabel training difilter dengan mengambil data kategori nilai diatas rata-rata saja, Kemudian tentukan atribut yang mempunyai gain tertinggi untuk membentuk node pohon keputusan berikutnya.

Tabel 4.5 Hasil Analisis Node 1.1 Atribut Nilai

Atribut

Sum Total

Sum (Tidak)

Sum (Ya)

Total Total 197 64 133 0.9096

Jurusan Akuntansi 125 38 87 0.8861 0.0025

Mekanik 72 26 46 0.9436

Penghasilan orangtua

1 9 6 3 0.9183 0.0549

2 146 53 93 0.9452

3 42 5 37 0.5266

Jumlah saudara kandung

1-2 116 60 56 0.9991 0.2078

3-4 73 4 69 0.3064

<5 8 0 8 0

(6)

Pada tabel 4.5 gain yang tertinggi dimiliki oleh atribut Jumlah Saudara Kandung. Maka Jumlah Saudara Kandung dijadikan sebagai node akar 1.1. Nilai yang dijadikan leaf (cabang) adalah kategori 1,2 dan 3. Maka Pohon Keputusan akan terlihat seperti gambar 4.2

Gambar 4.2 Pohon keputusan Keterangan :

Pada gambar 4.1 belum diketahui node 1.1 . Kemudian pada tabel 4.5 ditemukan nilai gain terbesar yaitu pada atribut Jumlah Saudara Kandung, Maka Node 1.1 adalah Jumlah Saudara Kandung.

(7)

Kemudian lakukan filter Data Training yang mempunyai atribut Jumlah Saudara dengan kategori 1 dan 2.

Kemudian data pada Tabel 4.6 lakukan perhitungan entropy pada setiap nilai atribut dan hitung pula gain pada setiap atribut.

Sehingga hasilnya seperti Tabel 4.6. Kemudian tentukan atribut yang mempunyai gain tertinggi untuk membentuk node pohon keputusan berikutnya.

Tabel 4.6 Hasil Analisi Node 1.2 Atribut Nilai

Atribut

Sum Total

Sum (Tidak)

Sum (Ya)

Total Total 116 60 56 0.9991

Mekanik 41 24 17 0.9789

Penghasilan Orangtua

1 4 4 0 0 0.1511

2 88 53 35 0.9696

3 24 3 21 0.5436

Pada Tabel 4.6 gain yang tertinggi dimiliki oleh atribut Penghasilan Orangtua. Maka atribut kelas akan dijadikan sebagai node akar 1.2. Nilai yang dijadikan leaf adalah kategori Penghasilan Orangtua. Maka Pohon Keputusan akan terlihat seperti gambar 4.3

(8)

Gambar 4.3 pohon keputusan Node 1.2 Keterangan :

Pada gambar 4.2 belum diketahui node 1.2. Kemudian pada tabel 4.6 ditemukan nilai gain terbesar yaitu pada atribut Penghasilan Orangtua, maka Node 1.2 adalah atribut Penghasilan Orangtua. Dan Node 1.2.1 adalah Penghasilan Orangtua.

Kemudian pada tabel tersebut, hitung nilai gain dan entropy.

Hasilnya akan tampak pada tabel 4.7.

(9)

Tabel 4.7 Hasil filter Penghasilan Orangtua Atribut Nilai

Atribut

Sum Total

Sum (Tidak)

Sum (Ya)

Total Total 88 53 35 0.9696

Mekanik 31 21 10 0.9072

Pada Tabel hasil filter Penghasilan Orangtua, menunjukan bahwa gain tertinggi adalah atribut Jurusan. Maka node 1.3 adalah atribut Jurusan. Maka selanjutnya menentukan akar selanjutnya.

Kemudian hasil pohon keputusan akan tampak pada gambar 4.4

Gambar 4.4 Pohon Keputusan Terakhir

(10)

Dari pohon keputusan tersebut didapat rules sebagai berikut : Tabel 4.8 rules yang terbentuk

Rules

1. if (jumlah_kategori == Diatas rata-rata AND

jumlah_saudara_kandung_kategori == 1 - 2 AND penghasilan_orangtua == 1) then Ya

jumlah_saudara_kandung_kategori == 1 - 2 AND penghasilan_orangtua == 2 AND jurusan ==

Akuntansi) then Tidak

jumlah_saudara_kandung_kategori == 1 - 2 AND penghasilan_orangtua == 2 AND jurusan ==

Mekanik) then Tidak

jumlah_saudara_kandung_kategori == 1 - 2 AND penghasilan_orangtua == 3) thenYa

jumlah_saudara_kandung_kategori == 3 - 4) then Ya 6. if (jumlah_kategori == Diatas rata-rata AND

jumlah_saudara_kandung_kategori == > 4) then Ya

7. if (jumlah_kategori == Dibawah rata-rata) then Tidak

1.3 Implementasi terhadap Data Siswa

Pada penelitian ini, peneliti menggunakan bahasa pemrograman PHP untuk menguji bagaimana proses klasifikasi data siswa. Dibawah ini merupakan uraian bagaimana menentukan keputusan apakah siswa tersebut layak mendapatkan rekomendasi beasiswa.

(11)

a. Tampilan Form Input

Untuk menentukan keputusan, input data suswa yaitu Nomor Induk Siswa, Nama Siswa, Jurusan, Kelas Siswa, Jumlah Nilai Rata-Rata, Penghasilan Orangtua, dan Jumlah Saudara Kandung.

Gambar 4.5 Tampilan Input Data Training

1.4 Evaluasi dan Validasi

Pengujian terhadap validitas sistem bertujuan untuk mengetahui apakah solusi yang dihasilkan oleh pohon keputusan tersebut valid atau tidak.

Rules akan dikatakan valid jika jumlah yang mendapatkan rekomendasi beasiswa sama dengan dataset.

Dataset dibagi menjadi dua bagian, yaitu data training dan data testing. Pengujian dilakukan sekali dengan jumlah data training dan data testing yang berbeda.

(12)

4.5.1 Pengujian Data

Data set dibagi menjadi dua bagian yaitu 430 data training dan 107 data testing. Keseluruhan data berjumlah 537, maka data training berjumlah 430, dan data testing berjumlah 107 data.

Tabel 4.9 Tabel Data testing 107 Data

NIS Jurusan/

Kelas

Jumlah Nilai

Jumlah

Saudara Rekomendasi

1314308 MI.4/XII 919 2 3 YA

1314310 MI.4/XII 879 2 2 TIDAK

1314311 MI.4/XII 883 2 2 TIDAK

1314312 MI.4/XII 894 3 3 TIDAK

1314314 MI.4/XII 910 3 2 YA

1314268 MI.4/XII 903 2 2 YA

1314269 MI.4/XII 913 1 4 YA

1314270 MI.4/XII 889 2 4 TIDAK

1314316 MI.4/XII 866 3 3 TIDAK

1314317 MI.4/XII 896 2 3 TIDAK

1314272 MI.4/XII 864 3 3 TIDAK

1314318 MI.4/XII 908 2 3 YA

1314273 MI.4/XII 902 2 2 YA

1314274 MI.4/XII 856 3 2 TIDAK

1314275 MI.4/XII 900 2 2 YA

1314277 MI.4/XII 892 1 4 TIDAK

1314278 MI.4/XII 899 2 4 TIDAK

(13)

1314280 MI.4/XII 879 2 2 TIDAK

1314282 MI.4/XII 901 2 3 TIDAK

1314283 MI.4/XII 902 1 2 YA

1314284 MI.4/XII 887 3 2 TIDAK

1314285 MI.4/XII 890 2 3 TIDAK

1314286 MI.4/XII 910 2 2 YA

1314287 MI.4/XII 901 2 4 YA

1314209 MI.5/XII 902 2 2 YA

1314210 MI.5/XII 889 2 3 TIDAK

1314169 MI.5/XII 892 3 3 TIDAK

1314170 MI.5/XII 899 1 2 TIDAK

1314171 MI.5/XII 907 2 2 YA

1314211 MI.5/XII 904 2 3 YA

1314173 MI.5/XII 900 2 4 YA

1314174 MI.5/XII 887 3 2 TIDAK

1314212 MI.5/XII 889 2 3 TIDAK

1314213 MI.5/XII 903 3 2 YA

1314215 MI.5/XII 887 2 2 TIDAK

1314216 MI.5/XII 893 2 2 TIDAK

1314175 MI.5/XII 907 2 3 YA

1314176 MI.5/XII 904 3 3 YA

1314217 MI.5/XII 902 3 3 YA

1314177 MI.5/XII 894 1 2 TIDAK

1314178 MI.5/XII 903 2 3 YA

1314218 MI.5/XII 889 2 4 TIDAK

1314179 MI.5/XII 900 2 2 YA

(14)

1314180 MI.5/XII 883 2 3 TIDAK

1314181 MI.5/XII 889 1 2 TIDAK

1314182 MI.5/XII 906 1 2 YA

1314220 MI.5/XII 902 2 2 YA

1314221 MI.5/XII 882 3 3 TIDAK

1314222 MI.5/XII 890 2 2 TIDAK

1314136 MI.5/XII 894 1 2 TIDAK

1314150 MI.5/XII 907 3 2 YA

1314151 MI.5/XII 905 2 3 YA

1314152 MI.5/XII 897 2 2 TIDAK

1314154 MI.5/XII 902 2 2 YA

1314155 MI.5/XII 906 2 2 YA

1314156 MI.5/XII 864 2 3 TIDAK

1314158 MI.5/XII 885 3 3 TIDAK

1314159 MI.5/XII 879 2 2 TIDAK

1314160 MI.5/XII 864 3 3 TIDAK

1314161 MI.5/XII 893 2 4 TIDAK

1314162 MI.5/XII 906 2 3 YA

1314163 MI.5/XII 910 2 5 YA

1314164 MI.5/XII 894 3 3 TIDAK

1314165 MI.5/XII 900 1 3 TIDAK

1314166 MI.5/XII 859 2 2 TIDAK

1314167 MI.5/XII 900 3 2 YA

1314329 MI.6/XII 864 2 3 TIDAK

1314330 MI.6/XII 905 2 2 YA

(15)

1314331 MI.6/XII 890 2 1 TIDAK

1314332 MI.6/XII 863 2 1 TIDAK

1314183 MI.6/XII 911 3 4 YA

1314334 MI.6/XII 860 2 4 TIDAK

1314184 MI.6/XII 879 2 3 TIDAK

1314335 MI.6/XII 889 3 2 TIDAK

1314336 MI.6/XII 862 2 2 TIDAK

1314337 MI.6/XII 864 3 2 TIDAK

1314186 MI.6/XII 890 2 3 TIDAK

1314339 MI.6/XII 908 1 2 YA

1314340 MI.6/XII 903 2 3 YA

1314187 MI.6/XII 906 1 5 TIDAK

1314341 MI.6/XII 911 3 2 YA

1314188 MI.6/XII 864 2 2 TIDAK

1314342 MI.6/XII 861 2 2 TIDAK

1314343 MI.6/XII 906 2 2 YA

1314344 MI.6/XII 911 2 4 YA

1314345 MI.6/XII 866 1 2 TIDAK

1314189 MI.6/XII 908 3 3 YA

1314346 MI.6/XII 889 2 3 TIDAK

1314347 MI.6/XII 863 2 2 TIDAK

1314348 MI.6/XII 878 2 2 TIDAK

1314349 MI.6/XII 861 1 2 TIDAK

1314190 MI.6/XII 905 3 1 TIDAK

1314351 MI.6/XII 914 2 3 YA

(16)

1314191 MI.6/XII 897 2 2 TIDAK

1314192 MI.6/XII 863 1 2 TIDAK

1314194 MI.6/XII 879 2 3 TIDAK

1314198 MI.6/XII 907 2 2 YA

1314199 MI.6/XII 899 1 2 TIDAK

1314200 MI.6/XII 921 2 2 YA

1314201 MI.6/XII 863 2 1 TIDAK

1314202 MI.6/XII 863 1 4 TIDAK

1314203 MI.6/XII 860 2 2 TIDAK

1314204 MI.6/XII 905 2 3 YA

Penghasilan orangtua *1 >= Rp. 2.000.000

*2 = Rp. 1.000.000-1.999.999 *3 <= Rp.999.999

Tabel 4.10 Klasifikasi dan Prediksi NIS Jurusan/

Kelas

Jumlah Nilai

Jumlah

Saudara Rekomendasi Klasifikasi

1314308 MI.4/XII 919 2 3 YA YA

1314310 MI.4/XII 879 2 2 TIDAK TIDAK

1314314 MI.4/XII 910 3 2 YA YA

1314268 MI.4/XII 903 2 2 YA TIDAK

1314269 MI.4/XII 913 1 4 YA YA

(17)

1314318 MI.4/XII 908 2 3 YA YA

1314273 MI.4/XII 902 2 2 YA TIDAK

1314275 MI.4/XII 900 2 2 YA TIDAK

1314282 MI.4/XII 901 2 3 TIDAK YA

1314283 MI.4/XII 902 1 2 YA TIDAK

1314286 MI.4/XII 910 2 2 YA TIDAK

1314287 MI.4/XII 901 2 4 YA YA

1314209 MI.5/XII 902 2 2 YA TIDAK

1314171 MI.5/XII 907 2 2 YA TIDAK

1314211 MI.5/XII 904 2 3 YA YA

1314173 MI.5/XII 900 2 4 YA YA

1314213 MI.5/XII 903 3 2 YA YA

(18)

1314175 MI.5/XII 907 2 3 YA YA

1314176 MI.5/XII 904 3 3 YA YA

1314217 MI.5/XII 902 3 3 YA YA

1314178 MI.5/XII 903 2 3 YA YA

1314179 MI.5/XII 900 2 2 YA TIDAK

1314182 MI.5/XII 906 1 2 YA TIDAK

1314220 MI.5/XII 902 2 2 YA TIDAK

1314150 MI.5/XII 907 3 2 YA YA

1314151 MI.5/XII 905 2 3 YA YA

1314154 MI.5/XII 902 2 2 YA TIDAK

1314155 MI.5/XII 906 2 2 YA TIDAK

1314162 MI.5/XII 906 2 3 YA YA

(19)

1314163 MI.5/XII 910 2 5 YA YA

1314165 MI.5/XII 900 1 3 TIDAK YA

1314167 MI.5/XII 900 3 2 YA YA

1314330 MI.6/XII 905 2 2 YA TIDAK

1314183 MI.6/XII 911 3 4 YA YA

1314339 MI.6/XII 908 1 2 YA TIDAK

1314340 MI.6/XII 903 2 3 YA YA

1314187 MI.6/XII 906 1 5 TIDAK YA

1314341 MI.6/XII 911 3 2 YA YA

1314343 MI.6/XII 906 2 2 YA TIDAK

1314344 MI.6/XII 911 2 4 YA YA

1314189 MI.6/XII 908 3 3 YA YA

(20)

1314190 MI.6/XII 905 3 1 TIDAK YA

1314351 MI.6/XII 914 2 3 YA YA

1314198 MI.6/XII 907 2 2 YA TIDAK

1314200 MI.6/XII 921 2 2 YA TIDAK

1314204 MI.6/XII 905 2 3 YA YA

1314205 MI.6/XII 910 3 3 YA YA

1314206 MI.6/XII 900 2 3 TIDAK YA

Penghasilan orangtua *1 >= Rp. 2.000.000

*2 = Rp. 1.000.000-1.999.999 *3 <= Rp.999.999

(21)

Tabel 4.11 Hasil Confusion Matrix Jumlah

Data Testing

True Positif (TP)

False Positif (FP)

True Negatif

(TN)

False Negatif

(FN)

107 25 5 60 17

Pada Tabel diatas dengan perbandingan data 80:20 menghasilkan true positif (TP) sebanyak 25, false positif (FP) sebanyak 5, true negatve (TN) sebanyak 60 data, dan false negative (FN) sebanyak 17 data.

Jika confusion matrix sudah diketahui maka selanjutnya menghitung Akurasi,

Tabel 4.12 Evaluasi dan Validasi Presentase

Data

Data Training

Data Testing

Akurasi

80%:20% 340 107 79%

Pada tabe di atas data dengan perbandingan 80%:20%

memiliki akurasi sebesar 79%,

Perhitungan akurasi dilakikan dengan cara membagi jumlah data yang diklasifikasi secara benar dengan toal sample data testing yang diuji.

Akurasi = 𝑗𝑢𝑚𝑙𝑎 ℎ 𝑑𝑎𝑡𝑎 𝑦𝑎𝑛𝑔 𝑏𝑒𝑛𝑎𝑟

𝑗𝑢𝑚𝑙𝑎 ℎ 𝑑𝑎𝑡𝑎 𝑡𝑒𝑠𝑡𝑖𝑛𝑔 𝑦𝑎𝑛𝑔 𝑑𝑖𝑙𝑎𝑘𝑢𝑘𝑎𝑛 = ₁₀₇⁸⁵ = 0,79x100% = 79%