Implementasi Metode Decision Tree Untuk Menentukan Klasifikasi
Bangunan Rumah Tinggal Di Bandar Lampung
Muhammad Iqbal Arfi Tuala
Fakultas Ilmu Komputer, Informatics & Business Institute Darmajaya Jl. 2.A. Pagar Alam No. 93, Bandar Lampung – Indonesia 35142
Telp. (0721) 787214 Fax. (0721) 700261 email : iqbalarla1 1@gmail.com
ABSTRACT
Property is one of the very profitable business objects due to the possibility of the addition of the huge selling value from time to time. The population growth in Indonesia every year has increased every year so that the number of the demand on the dwelling house also increases. However, the consumers usually do not know the classification and the valuation of the house construction in selecting a house so that the process of selecting the house is hindered.
The method of Decision Tree in the classification of the dwelling house with C4.5 algorithm was used to determine the classification and the value of the dwelling house. The method of Decision Tree changed the large fact into a decision tree that represented the rule. The case of the classification of the dwelling house started with the processing of the training data using C4.5 algorithm to become the decision tree which was represented in determining the classification rof the value of the dwelling house.
The process of this classification of the dwelling house used the method of Decision Tree. Moreover, the C4.5 algorithm functioned to determine the classification and the valuation of the dwelling house and to subtract the subjective assessment.
Keywords: Decision Tree, C4.5 Algoritm, Classification of Dwelling House
ABSTRAK
Properti merupakan salah satu objek bisnis yang sangat menguntungkan karena kemungkinan penambahan nilai jual yang sangat besar dari waktu ke waktu. Pertumbuhan penduduk di Indonesia setiap tahunnya selalu bertambah sehingga jumlah permintaan kebutuhan akan tempat tinggal juga meningkat. Namun untuk memilih sebuah rumah biasanya konsumen tidak mengetahui klasifikasi dan penilaian bangunan rumah, sehingga menghambat dalam proses pemilihan sebuah rumah.
yang merepresentasikan aturan dalam menentukan klasifikasi dan nilai bangunan rumah tinggal.
Dalam proses klasifikasi bangunan rumah tinggal menggunakan metode Decision Tree dan algoritma C4.5 ini dapat menentukan klasifikasi dan penilaian bangunan rumah tinggal serta mengurangi penilaian yang bersifat subjektif.
Kata Kunci : Decision Tree, Algoritma C4.5, Klasifikasi Bangunan Rumah
I. PENDAHULUAN
1.1 Latar Belakang
Properti merupakan salah satu objek bisnis yang sangat menguntungkan. Properti seperti misalnya rumah, tanah maupun ruko juga merupakan salah satu investasi yang banyak diminati oleh para pebisnis karena kemungkinan penambahan nilai jual yang sangat besar dari waktu ke waktu. Salah satu bagian dari properti adalah bangunan, baik bangunan berupa rumah, gedung, toko dsb. Bangunan rumah ialah salah satu penilaian yang digunakan konsumen untuk menentukan proses pemilihan sebuah rumah.
Seiring berjalannya waktu, pertumbuhan penduduk di Indonesia setiap tahunnya selalu bertambah sehingga jumlah permintaan kebutuhan akan tempat tinggal juga meningkat. Ini terbukti dengan semakin banyak dibangun perumahan baru untuk memenuhi kebutuhan tempat tinggal masyarakat.
Namun untuk memilih sebuah rumah biasanya bangunan rumah yang dijual tidak sesuai dengan penilaian (misalnya: ada orang yang ingin membeli rumah tetapi rumah yang dijual bangunannya tidak sesuai kriteria). Hal ini disebabkan, karena konsumen tidak mengetahui klasifikasi dan penilaian bangunan rumah, sehingga menghambat dalam proses pemilihan sebuah rumah.
Berdasarkan permasalahan tersebut, maka diperlukan sebuah sistem untuk menentukan klasifikasi bangunan rumah yaitu : “Implementasi Metode Decision Tree untuk Menentukan Klasifikasi Bangunan Rumah Tinggal di Bandar Lampung”. Diharapkan dengan sistem ini, pengguna dapat terbantu dalam menentukan klasifikasi bangunan rumah sesuai dengan kriteria-kriteria yang telah ditetapkan.
1.2 Tujuan Penelitian
1. Membuat sistem untuk
menentukan klasifikasi bangunan rumah tinggal di Bandar Lampung.
2. Membantu masyarakat dalam menentukan klasifikasi bangunan rumah tinggal di Bandar Lampung.
1.3 Manfaat Penelitian
1. Dengan adanya aplikasi ini dapat menentukan klasifikasi bangunan rumah tinggal sehingga dapat membantu dalam proses pemilihan bangunan rumah sesuai yang diinginkan.
2. Mengurangi penilaian yang bersifat subjektif, sehingga pada tahap penilaian dapat sesuai
dengan kriteria - kriteria yang telah ditentukan sebelumnya. 1.4 Ruang Lingkup Penelitian
Ruang lingkup permasalahan atau yang menjadi batasan dalam penelitian ini adalah:
1) Sistem ini digunakan untuk menentukan klasifikasi bangunan rumah tinggal. Adapun atribut yang digunakan adalah pondasi, struktur bangunan, rangka atap, penutup atap, plafond, lantai, dinding, pintu dan jendela. Dan class yang digunakan yaitu sederhana dan menengah mewah.
2) Metode yang digunakan dalam menentukan klasifkasi bangunan rumah tinggal adalah decision tree. 3) Tempat penelitian ini di KJPP
Sudiono Awaludin dan Rekan dengan waktu penelitian selama satu bulan satu minggu.
II. METODE PENELITIAN
II.1 Sistem Pendukung Keputusan
Menurut (Kusrini 2007)
”Pendukung keputusan
pengambilan keputusan dalam situasi yang semiterstruktur dan situasi yang tidak terstruktur, dimana tak seorang pun tahu
secara pasti bagaimana
keputusan seharusnya dibuat.
II.2 Data Mining
Data mining adalah proses yang mempekerjakan satu atau lebih teknik pembelajaran yang menggunakan teknik statistik, matematika, kecerdasan buatan, dan komputer (machine learning) untuk menganalisis dan mengekstraksi pengetahuan (knowledge) secara otomatis (Hermawati 2013).
Gambar 2.1 Bidang Ilmu Data Mining
II.3 Klasifikasi
Klasifikasi adalah menentukan sebuah record data baru ke salah satu dari beberapa kategori(class) yang telah didefinisikan sebelumnya. Teknik ini dapat memberikan klasifikasi pada data baru dengan memanipulasi data yang ada yang telah diklasifikasi dan dengan
menggunakan hasilnya untuk memberikan sejumlah aturan. Salah satu contoh yang mudah dan popular adalah dengan decision tree yaitu salah satu metode klasifikasi yang paling populer karena mudah untuk diinterpretasi.
II.4Decision Tree (Pohon Keputusan)
Pohon keputusan merupakan metode klasifikasi dan prediksi yang sangat kuat dan terkenal. Metode pohon keputusan mengubah fakta yang sangat besar menjadi pohon keputusan yang merepresentasikan aturan. Aturan dapat dengan mudah dipahami dengan bahasa alami. Dan mereka juga dapat diekspresikan dalam bentuk bahasa basis data seperti Structured Query Language untuk mencari record pada kategori tertentu (Kusrini 2009).
II.5 Algoritma C4.5
Secara umum Algoritma C4.5 digunakan untuk membangun pohon keputusan adapun langkah-langkah nya sebagai berikut:
a. Pilih atribut sebagai akar
b. Buat cabang untuk masing-masing nilai
Untuk memilih atribut sebagai akar, didasarkan pada nilai Gain tertinggi dari atribut-atribut yang ada. Untuk menghitung Gain digunakan rumus seperti tertera dalam rumus 1 berikut. Gain(S, A) = Entropy (S)
-S : Himpunan kasus A : Atribut
n : Jumlah partisi atribut A |Si| : Jumlah kasus pada partisi ke i |S| : Jumlah kasus dalam S
Sedangkan penhitungan nilai Entropy dapat dilihat pada rumus 2 berikut:
Entropy(S) =
∑
i=1n
−¿ ¿pi * log2pi
Dengan :
S : Himpunan Kasus A : Fitur
n : Jumlah partisi S
pi : Proporsi dari Si terhadap S
II.6 Metode Pengembangan Perangkat Lunak
Metode waterfall merupakan salah satu metode dalam SDLC yang mempunyai ciri khas pengerjaan setiap fase dalam waterfall harus diselesaikan terlebih dahulu sebelum melanjutkan ke fase selanjutnya. Artinya fokus terhadap masing-masing fase dapat dilakukan maksimal karena tidak adanya pengerjaan yang sifatnya paralel.
Planning
Analysis
Design
Implementation
Maintenance
Gambar 2.2 Metode Pengembangan Model
Waterfall
2.7 Metode Pengumpulan Data
Metode pengumpulan data yang digunakan dalam penelitian ini adalah sebagai berikut:
1. Wawancara
Tahap awal dalam pengumpulan data adalah dengan melakukan wawancara kepada Bpk. Rinaldi sebagai surveyor di KJPP Sudiono Awalaudin dan Rekan untuk menganalisis lebih dalam tentang klasifikasi bangunan rumah tinggal. 2. Dokumentasi
Metode ini dilakukan dengan cara meminta data yang sudah tersedia di KJPP Sudiono Awaludin dan Rekan mengenai klasifikasi bangunan rumah tinggal sederhana dan menengah mewah.
3. Studi Literatur
Mencari literatur yang berkaitan dengan penelitian, baik buku,
2.8 Tahapan Pengembangan Sistem 2.8.1 Planning
Planning merupakan tahap awal dari pengembangan sistem. Dalam hal ini menentukan proses pengambilan keputusan yang akan dibuat dengan cara menggambarkan sistem, sehingga pengguna dapat mengetahui tentang klasifikasi bangunan rumah yang ditempati.
2.8.2 Analysis
Analisis dilakukan berdasarkan tahapan Data Knowledge Discovery in Database (KDD). Digunakan untuk menjelaskan proses penggalian informasi tersembunyi dalam suatu basis data yang besar. Dan berikut
Tahap ini adalah langkah awal untuk menentukan data klasifikasi bangunan rumah.
Pengambilan data yang
mempengaruhi klasifikasi bangunan rumah yaitu pondasi, struktur bangunan, rangka atap, penutup atap, plafond, dinding, pintu & jendela serta lantai yang dilakukan dalam
tahap penggalian informasi dalam Knowledge Discovery in Database.
2) Pre-processing / Cleaning
Sebelum proses data mining dapat dilaksanakan, perlu dilakukan proses cleaning pada data selection yang terdiri dari pondasi, struktur, rangka, penutup, plafond, dinding, pintu & jendela dan lantai yang menjadi fokus KDD. Proses cleaning mencakup antara lain membuang duplikasi data, memeriksa data yang inkonsisten, dan memperbaiki kesalahan pada data, seperti kesalahan cetak (tipografi).
3) Transformation
Mentransforamsikan data ke dalam bentuk yang lebih sesuai untuk data mining dalam bentuk coding dari
data selection yaitu pondasi, struktur,
rangka, penutup, plafond, dinding, pintu & jendela dan lantai yang akan menghasilkan klasifikasi bangunan rumah tinggal dan data yang telah dilakukan cleaning atau pre-processing untuk mempersiapkan
data yang akan di masukan ke dalam database yang akan menjadi data
training dan di olah untuk klasifikasi
Gambar 2.3 Transformation
4) Data mining
Berikut ini adalah perhitungan pembentukan pohon keputusan dengan menggunakan Algoritma C4.5 pada Gambar 2.3.
a. Menghitung jumlah kasus, jumlah kasus untuk keputusan Sederhana, jumlah kasus untuk keputusan Menengah Mewah,
dan Entropy dari semua kasus
dan kasus yang dibagi berdasarkan atribut Pondasi, Struktur, Rangka atap, Penutup atap, Plafond, Dinding, Pintu & Jendela dan Lantai. Setelah itu lakukan perhitungan Gain untuk masing-masing atribut.
Perhitungan Entropy
menggunakan rumus 2 : Entropy (Total) =
(−157∗log2(157 ))+¿
(−158∗log2(158 ))
= 0.996791632
Entropy (Pondasi-Tapak) =
(−86∗log2(68))+(−82∗log2(28))
= 0.811278124
Entropy (Pondasi-Struktur) =
(−75∗log2(57))+(−71∗log2(71))
= 0.747784151
Entropy (Struktur-Beton) =
(−72∗log2(27))+(−75∗log2(75))
= 0.863120569
Entropy (Struktur-Rangka) =
(−65∗log2(56))+(−61∗log2(16))
= 0.650022422
Entropy (Rangka-Beton) =
(−41∗log2(14))+(−43∗log2(34))
Entropy (Rangka-Kayu) =
(−86∗log2(68))+(−82∗log2(28))
= 0.811278124
Entropy (Penutup-Kodok) =
(−43∗log2(34))+(−41∗log2(14))
= 0.811278124
Entropy (Plafond-Kayu) =
(−41∗log2(14))+(−43∗log2(34))
= 0.811278124
Entropy (Dinding-B.Bata) =
(−53∗log2(35))+(−52∗log2(52))
= 0.970950594
Entropy (Dinding-Batako) =
(−32∗log2(23))+(−31∗log2(13))
= 0.918295834
Entropy (Dinding-Spndex) =
(−32∗log2(23))+(−31∗log2(13))
= 0.918295834
Entropy (Pintu-Kusen III) =
(−54∗log2(45))+(−51∗log2(15))
= 0.721928095
Entropy (Pintu-K.Bening) =
(−43∗log2(34))+(−41∗log2(14))
= 0.811278124
Entropy (Lantai-Marmer) =
(−32∗log2(23))+(−31∗log2(13))
= 0.811278124
Perhitungan Gain
menggunakan rumus 1 : Gain(Total,Pondasi) =
0.996791632 -¿ =
0.215144028
Gain(Total,Struktur) =
0.996791632
-(
(
157∗0.863120569)
+(152∗0)+(156 ∗0.650022422))= 0.333993065
Gain(Total,Rangka) =
0.996791632
-(
(
154∗0.811278124)
+(153 ∗0)+(158 ∗0.811278124))= 0.347769132
Gain(Total,Penutup) =
0.996791632
-(
(
154∗0)
+(154 ∗0)+(153 ∗0)+(154 ∗0.811278124))= 0.780450799
Gain(Total,Plafond)=0.99679
1632
-((156∗0)+(155 ∗0)+(154 ∗0.811278124))
= 0.780450799
Gain(Total,Dinding) =
0.996791632
-(
(
155∗0.970950594)
+(152 ∗0)+(153 ∗0.918295834)+(153∗0.918295834)+(152∗0))= 0.3058231
Gain(Total,Pijen) =
-(
(
151∗0)
+(155 ∗0.721928095)+(154 ∗0.811278124)+(153 ∗0)+(152∗0))= 0.5398081
Gain(Total,Lantai) =
0.996791632
-(
(
152∗0)
+(153 ∗0)+(154∗0)+(153 ∗0)+(153 ∗0.918295834))= 0.813132465
Hasil perhitungan ditunjukkan oleh Gambar 2.4.
Gambar 2.4 Perhtungan Node 1
Dari hasil pada Gambar 2.4 dapat diketahui bahwa atribut dengan Gain tertinggi adalah Lantai yaitu sebesar 0.813132465. Dengan demikian Lantai dapat menjadi node akar. Dari kelima nilai atribut tersebut, nilai atribut Semen Ekspose, Keramik 30 X 30 sudah mengklasifikasikan kasus menjadi Sederhana dan Keramik 40 X 40, Keramik 60 X 60 sudah mengklasifikasikan kasus menjadi Menengah Mewah, sehingga tidak perlu dilakukan perhitungan lebih lanjut, tetapi untuk nilai atribut Marmer masih perlu dilakukan perhitungan lagi. Dari hasil tersebut dapat digambarkan pohon keputusan seperti Gambar 2.5.
1 LANTAI
SEDERHANA SEDERHANA 1.1 MENENGAHMEWAH MENENGAHMEWAH ?
SEMEN EKSPOSE KERAMIK 30 X 30 MARMER KERAMIK 60 X 60 KERAMIK 40 X 40
Gambar 2.5 Pohon Keputusan Node 1
selanjutnya. Perhitungan node selanjutnya yaitu dengan menghitung jumlah kasus yang diawali lantai-marmer yang menuju keputusan Sederhana dan Menengah Mewah. Dan Entropy dari semua kasus yang dibagi berdasarkan atribut Pondasi, Struktur, Rangka atap, Penutup atap, Plafond, Dinding, Pintu & Jendela. Setelah itu lakukan perhitungan Gain dan Entropy seperti perhitungan node 1 untuk masing-masing atribut. Hasil perhitungan ditunjukkan pada Gambar 2.6.
Gambar 2.6 Perhtungan Node 1.1. Dari hasil pada Gambar 2.6 dapat diketahui bahwa atribut dengan Gain tertinggi adalah Penutup atap, Plafond, Dinding, Pintu & Jendela yaitu sebesar 0.918295834. Karena nilai Gain tertinggi lebih dari satu, dengan demikian dapat memilih atribut secara acak. Plafond dapat menjadi node akar selanjutnya. Ada 3 nilai atribut dari Plafond yaitu Triplek, Gypsumboard, Kayu(lambressering).
1 LANTAI
SEDERHANA SEDERHANA PLAFOND1.1 MENENGAHMEWAH MENENGAHMEWAH
SEMEN EKSPOSE KERAMIK 30 X 30 MARMER KERAMIK 60 X 60 KERAMIK 40 X 40
SEDERHANA MENENGAH SEDERHANA
MEWAH
TRIPLEK GYPSUMBOARD (lambressering)KAYU
Gambar 2.7 Pohon Keputusan Node 1.1
5) Interpretation / Evaluation
dalam bentuk yang mudah dimengerti oleh pihak yang berkepentingan. Tahap ini merupakan bagian dari proses KDD yang disebut interpretation.
Gambar 2.8 Interpretation Data Mining
2.8.3 Design (Perancangan)
Proses desain sistem yang membagi kebutuhan-kebutuhan sistem yang mana hasil penelitian ini dikhususkan sebagai penunjang klasifikasi bangunan rumah tinggal. Perancangan dan pembuatan sistem ini menghasilkan arsitektur sistem secara keseluruhan. Pada tahapan ini proses desain sistem dibagi berdasarkan kebutuhan-kebutuhan berdasarkan analisis ke dalam bentuk yang mudah dimengerti pengguna.
2.8.3.1 Data Flow Diagram
a. Data Flow Diagram Level 0
Diagram konteks merupakan DFD level 0 yang menggambarkan seluruh input ke sistem atau output dari sistem. Data Flow Diagram
untuk konteks dapat dilihat pada gambar 2.9 berikut ini :
KLASIFIKASI BANGUNAN RUMAH TINGGAL
USER ADMIN
Informasi Bangunan
Hasil Klasifikasi Proses Klasifikasi
Material Bangunan
Data Testing
Data Training
Gambar 2.9 Diagram Context (DFD) Level 0
b. Data Flow Diagram Level 1
Login
Gambar 2.10 Data Flow Diagram Level 1
2.8.3.2 Arsitektur Sistem
Arsitektur sistem adalah istilah untuk menyatakan bagaimana mendefinisikan komponen-komponen yang lebih spesifik secara terstruktur. Pada arsitektur sistem ini menggambarkan user dan admin dalam menggunakan aplikasi. Arsitektur sistem klasifikasi bangunan rumah tinggal dapat dilihat pada gambar 2.11.
DATABASE
Gambar 2.11 Arsitektur Sistem Klasifikasi Bangunan Rumah
III. HASIL PENELITIAN DAN PEMBAHASAN
3.1 Hasil Penelitian
Pada pembahasan ini menjelaskan hasil perancangan klasifikasi bangunan rumah tinggal di Bandar Lampung yang dirancang untuk memudahkan dalam proses pemilihan rumah. Adapun aplikasi tersebut meliputi :
3.1.1 Tampilan Halaman Utama
Gambar 3.1 Halaman Utama. 3.1.2 Tampilan Halaman Proses
Bangunan
User dapat menentukan klasifikasi bangunan rumah tinggal sesuai material yang ada. Berikut tampilan halaman proses bangunan dapat dilihat pada gambar 3.2.
Gambar 3.2 Halaman Proses Bangunan.
3.1.3 Tampilan Halaman Informasi Bangunan
Halaman informasi bangunan digunakan untuk user melihat gambar material bangunan rumah. Halaman informasi bangunan terdiri dari 8 sub menu, yaitu menu pondasi, menu struktur, menu
rangka atap, menu penutup atap, menu plafond, menu dinding, menu pintu & jendela dan menu lantai. Berikut tampilan menu informasi bangunan dapat dilihat pada gambar 3.3 dan gambar 3.4.
Gambar 3.3 Halaman Informasi Bangunan Pondasi, Struktur, Rangka
Atap dan Penutup Atap.
Gambar 3.4 Halaman Informasi Bangunan Plafond, Dinding, Pintu &
Jendela dan Lantai 3.1.4 Tampilan Halaman Login
Gambar 3.5 Halaman Login. 3.1.5 Tampilan Halaman Admin
Halaman admin digunakan untuk menambahkan, mengedit dan menghapus data. Pada halaman admin terdapat empat submenu, yaitu menu data training, menu material, menu data testing dan menu analisis. Berikut tampilan halaman admin dapat dilihat pada gambar 3.6.
Gambar 3.6 Halaman Admin. 3.1.6 Tampilan Halaman Data Training
Halaman data training digunakan untuk melihat, menambahkan dan mencetak data training. Pada halaman data training terdapat dua sub menu, yaitu lihat data dan tambah data. Berikut tampilan menu
lihat dan tambah data dapat dilihat pada gambar 3.7, 3.8 dan gambar 3.9.
Gambar 3.7 Halaman Data Training (Lihat Data)
Gambar 3.8 Halaman Data Training (Tambah Data).
Gambar 3.9 Halaman Data Training (Cetak Data).
3.1.7 Tampilan Halaman Material Bangunan
material bangunan terdapat 9 submenu, yaitu pondasi, struktur, rangka atap, penutup atap, plafond, dinding, pintu & jendela, lantai dan jenis. Berikut tampilan menu tambah dan lihat pondasi dapat dilihat pada gambar 3.10 dan gambar 3.11.
Gambar 3.10 Halaman Material Bangunan (Lihat Data Pondasi).
Gambar 3.11 Halaman Material Bangunan (Tambah Data Pondasi). 3.1.8 Tampilan Halaman Data Testing
Halaman data testing digunakan untuk melihat, menambahkan dan mencetak data testing. Pada halaman data testing terdapat dua sub menu, yaitu lihat data dan tambah data. Berikut tampilan menu
lihat dan tambah data dapat dilihat pada gambar 3.12, 3.13 dan gambar 3.14.
Gambar 3.12 Halaman Data Testing (Lihat Data).
Gambar 3.13 Halaman Data Testing (Tambah Data).
Gambar 3.14 Halaman Data Testing (Cetak Data).
3.1.9 Tampilan Halaman Analisis
Gambar 3.15 Halaman Analisis. 3.1.10 Tampilan Halaman Algoritma
C4.5
Halaman Algoritma C4.5 menampilkan hasil perhitungan node awal hingga akhir dari data training. Berikut tampilan menu Algoritma C4.5 dapat dilihat pada gambar 3.16 dan 3.17.
Gambar 3.16 Halaman Algoritma C4.5 (Node 1).
Gambar 3.17 Halaman Algoritma C4.5 (Node 1.1).
3.2 Pembahasan
Implementasi metode decision tree untuk menentukan klasifikasi bangunan rumah tinggal di Bandar Lampung ini menjelaskan, masyarakat dapat menetukan klasifikasi bangunan rumah tinggal dengan memilih material bangunan rumah. Setelah selesai memilih material bangunan, maka sistem akan memunculkan hasil klasifikasi bangunan rumah apakah jenis bangunan rumah tersebut Sederhana atau Menengah Mewah serta material yang dipilih oleh user. Sistem klasifikasi bangunan rumah tinggal ini memiliki kelebihan dan kekurangan.
Kelebihan sistem yang berjalan :
1) Sistem klasifikasi bangunan rumah tinggal ini dapat menentukan jenis bangunan rumah tinggal Sederhana dan Menengah Mewah.
2) Sistem ini dapat membantu dalam pemilihan bangunan rumah sesuai kriteria.
3) Sistem ini dapat melakukan perbandingan hasil data training dan data testing.
Kekurangan sistem yang berjalan :
2) Sulitnya mengetahui material bangunan rumah seperti pondasi dan struktur pada bangunan rumah yang sudah jadi.
3) User harus mengetahui tentang material bangunan rumah.
3.3 Pengujan Sistem
Setelah tahap pembuatan dilakukan, maka program perlu diuji.
1) Pengujian dilakukan dengan menjalankan sistem dengan
menggunakan laptop dengan alamat local http:/localhost/klasifikasi. Proses berjalan dengan baik, semua tampilan dan menu dapat di akses. 2) Pengujian dilakukan dengan
membandingkan hasil data training dengan hasil data testing dengan tingkat akurasi 100 %.
IV. SIMPULAN
4.1 Simpulan
Berdasarkan latar belakang serta pembahasan-pembahasan pada bab sebelumnya, maka dapat disimpulkan bahwa :
1. Aplikasi yang dibuat dapat digunakan untuk menentukan klasifikasi bangunan rumah tinggal.
2. Pada aplikasi klasifikasi bangunan rumah tinggal ini tidak memberikan hasil yang optimal, dikarenakan aplikasi yang dibuat hanya menentukan klasifikasi bangunan rumah tinggal sederhana dan menengah mewah.
DAFTAR PUSTAKA
Andriani, A. 2013. Sistem Pendukung Keputusan Berbasis Decision Tree Dalam Pemberian Beasiswa Studi Kasus : AMIK “ BSI Yogyakarta ”, Jurnal Seminar Nasional Teknologi Informasi dan Komunikasi, ISSN: 2089-9815 : 163-167.
https://fti.uajy.ac.id/sentika/publikas i/makalah/2013/2013_23. (Diakses 21 Juni 2016 10:52 wib)
Augusto, J, dan Mudjihartono. P. 2012. Analisis Efektivitas Algoritma C4 .5 dalam Menentukan Peserta
Pemenang Tender Projek, Jurnal Seminar Nasional Teknologi Informasi dan Komunikasi, ISBN: 978-602-19837-0-6, 7-11.
http://demo.pohonkeputusan.com/fil es/Analisis_Efektivitas_Algoritma_ C4.5
ang_Tender_Projek. (Diakses 21 Juni 2016 10:41 wib)
Azmi, Z. et al. 1978. Decision Tree Berbasis Algoritma Untuk Pengambilan Keputusan, Jurnal Ilmiah Saintikom, 12(3): 157–164. http://lppm.trigunadharma.ac.id/publ ic/fileJurnal/hp7mJurnal%2012-3-2013_1%20zulfian. (Diakses 21 Juni 2016 10:52 wib)
Dipaloka, A. 2016. Penerapan Decision Tree untuk Penentuan Pola Data Penerimaan Mahasiswa Baru. Jurnal Penelitian Sitrotika, 7(1), ISSN: 1693-9670.
https://www.researchgate.net/profile /Aradea_Dipaloka/publication/2677 57302_Penerapan_Decision_Tree_u ntuk_Penentuan_Pola_Data_Peneri maan_Mahasiswa_Baru/links/ 5459dd200cf2bccc4912d6a8.pdf? origin=publication_detail. (Diakses 21 Juni 2016 10:47 wib)
Hermawati, F.A., 2013. DATA MINING, Surabaya: Andi.
Jogiyanto, 2005. Analisis dan Desain Sistem Informasi : Pendekatan Terstruktur Teori dan Praktik Aplikasi Bisnis, Yogyakarta: Andi.
Kusrini, 2009. Algoritma Data Mining, Yogyakarta: Andi.