Vol.4 No.3 /September/2016 ISSN: 1978-1520
ANALISIS CLASSIFICATION AND REGRESSION TREES (CART) PADA LAMA
STUDI MAHASISWA STIKOM BALI
Oleh:
I Ketut Putu Suniantara Program Studi Sistem Informasi
STMIK STIKOM BALI; Jl. Raya Puputan No. 86 Renon Denpasar - Bali e-mail: suniantaraputu@gmail.com, suniantara@stikom-bali.ac.id
Abstract
Metode CART atau lebih dikenal Regresi Berstruktur pohon merupakan salah satu metode eksplorasi nonparametrik yang dapat digunakan untuk melihat hubungan antara variabel respon kontinu dengan variabel-variabel penjelas yang berukuran besar dan kompleks. Kekompleksan tersebut dapat berupa dimensinya yang besar atau jenis variabelnya campuran, misalnya kontinu dan kategorik, baik nominal maupun ordinal. Penelitian ini bertujuan untuk mengelompokan lama studi mahasiswa dari variabel penjelas yang diberikan dengan menggunakan CART untuk mendapatkan kelompok-kelompok dugaan dan variabel mana yang membuat lama studi mahasiswa. Adapun variabel-variabel yang digunakan yaitu variabel responnya adalah lama studi mahasiswa dan variabel penjelasnya adalah Asal Daerah, Jurusan/prodi, IPK, Lama menyusun skripsi, dan Jenis kelamin. Hasil penelitian ini mendapatkan sebelas kelompok dugaan. Adapun variabel yang paling dominan memengaruhi penentuan kelompok adalah lama penyusunan skripsi mahasiswa. Variabel lain yang juga berpengaruh dalam penentuan kelompok adalah jurusan mahasiswa dan nilai IPK mahasiswa.
Kata kunci—Analisis regresi, CART, Data Mining, Lama Studi
I. PENDAHULUAN
Klasisfikasi dan regresi berstruktur pohon atau yang lebih dikenal dengan nama Classification and Regression Trees (CART) merupakan salah satu metode eksplorasi nonparametrik yang dapat digunakan untuk melihat hubungan antara variabel respon kontinu dengan variabel-variabel penjelas yang berukuran besar dan kompleks. Kekompleksan tersebut dapat berupa dimensinya yang besar atau jenis variabelnya campuran, misalnya kontinyu dan kategorik, baik nominal maupun ordinal (Breiman dkk, 1993; Sutton, 2005; Loh, 2008, 2011).
Seperti halnya dengan metode regresi biasa, regresi ini juga menjelaskan bagaimana hubungan antara variabel respon dengan variabel-variabel penjelasnya. Perbedaannya adalah bahwa pada regresi berstruktur pohon, pengaruh variabel penjelas serta pendugaan responnya dilakukan pada kelompok-kelompok pengamatan yang ditentukan berdasarkan variabel-variabel penjelas, sehingga interpretasi hasil dari metode ini lebih mudah
dilakukan. Hal ini disebabkan identifikasi pengaruh variabel penjelas dari regresi ini dilakukan dalam masing-masing subgrup data bukan dalam keseluruhan data seperti halnya regresi biasa (Komalasari, 2007) .
Penerapan regresi pohon dalam bidang pendidikan dilakukan oleh Candra (2006) untuk menduga lama penyusunan skripsi pada mahasiswa Universitas Jember fakultas MIPA, dimana lama skripsi dipengaruhi oleh IPK dan jurusan dengan penyusunan skripsi paling cepat terdapat pada kelompok dengan IPK > 3.
Dalam penelitian ini penulis ingin menduga lama studi mahasiswa STIKOM BALI dengan menggunakan regresi berstruktur pohon sebagai salah satu alternatif dalam mengatasi pelanggaran asumsi-asumsi dalam model regresi untuk mendapatkan kelompok-kelompok dugaan lama studi dan faktor – faktor apa yang mempengaruhi hasil dugaan tersebut.
II. LANDASAN TEORI
Menurut Syah (2010), ada beberapa faktor yang berperan dalam mahasiswa menjalani pendidikan, antara lain: cost-efectiveness (efektivitas biaya), materi program yang dibutuhkan, prinsip-prinsip pembelajaran, ketepatan dan kesesuaian fasilitas, kemampuan dan preferensi peserta pendidikan dan kemampuan dan preferensi instruktur pendidikan. Selain itu, faktor gender (jenis kelamin), juga memengaruhi semangat mahasiswa dalam masa pendidikan. Dimana, banyak hasil penelitian yang mengkategorikan perempuan lebih semangat menyelesaikan masa studinya dibandingkan laki-laki. Minat jurusan, asal sekolah, nilai IPK, dan sebagainya juga memengaruhi mahasiswa dalam hal lama studi.
B. Pengertian Regresi Berstruktur Pohon Regresi berstruktur pohon adalah salah satu metode yang menggunakan kaidah pohon keputusan (decision tree) yang dibentuk melalui suatu algoritma penyekatan rekursif. Metode ini diilhami oleh program AID (Automatic Interaction Detection) yang dikembangkan oleh Morgan dan Sonquist pada awal tahun 1960-an. Kajian mengenai metode pohon dimulai pada tahun 1973, yaitu pada saat Breiman dan Friedman secara terpisah menggunakan metode pohon ini dalam klasifikasi. Perkembangan metode ini ditandai dengan diterbitkannya buku Clasification and Regression Trees pada tahun 1984 (Breiman et al, 1993; Morgan, 2014; Loh, 2011).
Hasil representasi suatu struktur pohon dapat dilihat pada Gambar 1 yang menampilkan sebuah struktur pohon sederhana yang mempunyai tiga lapisan simpul (Komalasari, 2007; Melillo dkk, 2013), yaitu: A C B C C Ya Tidak Ya Tidak ? 1 1 X ? 2 2 X
Gambar 1. Struktur Pohon Regresi
Lapisan A, B, dan C merupakan variabel penjelas yang terpilih untuk menjadi simpul. Sementara α1 dan α2 merupakan suatu nilai yang merupakan nilai tengah antara dua nilai amatan variabel xi secara berurutan. Lapisan pertama (A) yang merupakan simpul induk atau simpul akar
(root node). Lapisan kedua (B dan C) yang merupakan simpul anak yang terdiri dari satu simpul internal (internal node) (lingkaran) dan satu simpul terminal (kotak) dan lapisan ketiga (C) yang merupakan simpul akhir yang tidak bercabang lagi yang terdiri dari dua simpul terminal (kotak).
C. Algoritma Pohon Regresi
Misalkan terdapat n variabel penjelas,
n
X X
X1, 2,, dengan satu variabel respon
kontinu. Beberapa komponen penting dalam pembentukan pohon regresi adalah:
1. Himpunan pertanyaan dikotomus Q dengan bentuk ”apakah xiA? dengan
i
x merupakan suatu amatan contoh dari X
A (ruang variabel penjelas). Jawaban pertanyaan tersebut menentukan sekatan bagi ruang variabel penjelas. Amatan dengan jawaban ”ya” akan masuk ke ruang A sedangkan amatan dengan jawaban ”tidak” akan masuk ke ruang
A
C(A komplemen). Sekatan ruang contoh yang terbentuk disebut simpul (node).2. Kriteria kebaikan sekatan (goodness of split),
s,g , sebagai alat evaluasi bagi baik tidaknya penyekatan yang dilakukan oleh sekatan s terhadap simpul g.3. Aturan penghentian (stopping rule) untuk menentukan kapan penyekatan suatu simpul harus dihentikan.
4. Statistik yang digunakan sebagai ringkasan dari tiap-tiap simpul akhir. III. METODE PENELITIAN
Data yang digunakan dalam penelitian ini adalah data sekunder yaitu data lulusan mahasiswa STIKOM BALI periode 2014 – 2015 dengan jumlah sampel 736 orang. Adapun variabel penelitian yang digunakan dalam penelitian ini adalah lama studi mahasiswa (dalam hari) yang berjenis kontinu sebagai variabel dependen. Jenis kelamin berjenis diskrit (laki – laki dan perempuan), Prodi berjenis diskrit (Sistem informatika, sistem komputer dan manajemen informatika), Asal SMA berjenis diskrit (luar Bali dan daerah bali), IPK berjenis
ISSN: 1978-1520 kontinu dan lama menyusun skripsi (dalam hari) sebagai variabel independen.
Untuk mencapai tujuan penelitian tersebut dengan menggunakan analisis regresi pohon dengan langkah–langkah sebagai berikut:
1. Menentukan semua kemungkinan penyekatan pada tiap variabel penjelas. Tiap penyekatan ini bergantung pada nilai yang berasal dari satu variabel penjelas. Untuk variabel kontinu
i
X , penyekatan yang diperbolehkan adalah c
Xi dan Xi c , dimana c adalah nilai tengah antara dua nilai amatan variabel Xi secara berurutan. Jadi jika Xi mempunyai sebanyak n nilai yang berbeda maka akan terdapat
n
1
penyekatan maksimum.2. Untuk variabel kategorik, penyekatan yang terjadi berasal dari semua kemungkinan penyekatan berdasarkan terbentuknya dua anak gugus yang saling lepas (disjoint). Jika
i
X variabel kategorik nominal dengan L kategori, maka akan terdapat sebanyak
1
2
L1
kemungkinan penyekatan, sedangkan jika Xi adalah variabel kategorik ordinalmaka akan terdapat sebanyak L1
kemungkinan penyekatan.
3. Menghitung kehomogenan simpul berdasarkan jumlah kuadrat dalam simpul, R
t dimana jumlah kuadrat sisaan pada simpul t dinyatakan sebagai:
t i i y y t R 2dengani1,2,...,Nt dimana yi menyatakan nilai individu variabel respon pada simpul ke-t dany
adalah nilai tengah variabel respon pada simpul ke-t, dant
N adalah jumlah data yang ada pada simpul ke-t.
4. Dilakukan pada semua variabel penjelas sehingga diperoleh variabel sebagai penyekat terbaik yang kehomogenannya maksimum. Misalkan ada penyekatan s yang menyekat t menjadi simpul anak kiri tL dan simpul anak
kanan tR fungsi penyekatan yang digunakan adalah
s,t R
t R tL RtR
dan penyekatterbaik sadalah
s
,
t
max
s
s
,
t
dengan adalah gugus yang berisi semuakemungkinan penyekatan pada simpul t. 5. Jika simpul induk telah didapat, maka
simpul anak kiri dan kanan dibuat dengan cara yang sama untuk semua variabel penjelas berdasarkan data yang sudah dikelompokkan oleh simpul induk.
6. Pembentukan pohon dilakukan sampai dipenuhi suatu aturan penghentian tertentu. Dalam kasus ini aturan yang digunakan adalah jika jumlah amatan dalam simpul hanya mencapai satu amatan atau mencapai nilai fungsi penyekatan
s,t tertentu. 7. Pemangkasan pohon dilakukan untukmendapatkan pohon akhir yang lebih sederhana. Pemangkasan pohon dilakukan dengan cross-validation atau sampel uji terpisah untuk mengukur keterandalan pohon. Pohon terbaik adalah pohon dengan
ts
R
danR
CV terkecil.8. Dari pohon optimal yang terpilih, untuk setiap subpohon, regresi ini menghitung ringkasan statistiknya dari simpul-simpul terakhir. Pada metode kuadrat terkecil untuk aturan penyekatan, maka hitung rataan dan simpangan baku dari variabel respon. Nilai rataan dari simpul akhir merupakan nilai dugaan dari variabel respon pada kasus simpul akhir tersebut. 9. Setelah diperoleh pengelompokan,
kemudian melakukan interpretasi.
Tahapan-tahapan di atas dilakukan secara otomatis oleh komputer dengan menggunakan software CART6ProEX Versi 6.0.
IV. HASIL DAN PEMBAHASAN
Metode pohon regresi mengasilkan regresi berstruktur pohon yang cukup besar dengan 110 simpul akhir. Pemilahan simpul induk berdasarkan ukuran kehomogenan maksimum sebagai titik penyekat terbaik. Dari lima variabel penjelas (lama menyusun skripsi/LSK, Prodi, IPK, Asal SMA/ASAL dan Jenis Kelamin/JK) pemilahan, pertama kali dilakukan terhadap simpul utama yang didasarkan pada lama skripsi mahasiswa.
Pemangkasan pohon merupakan suatu upaya untuk menentukan ukuran pohon yang terbaik bagi pohon regresi yang terbentuk. Prosedur yang dilakukan adalah prosedur biaya kompleksitas minimum seperti yang dikemukakan oleh Breiman et al (1993). Dugaan jujur (honest estimation) yang digunakan adalah
cross-validation estimation dengan 10 lipatan (10-fold).
Pohon terbaik berdasarkan kriteria yang berlaku untuk suatu dugaan jujur adalah pohon dengan nilai RCV (nilai validasi silang) minimum yaitu 0.29134 +/- 0.03305. Berdasarkan kriteria ini, pohon terbaik adalah pohon regresi dengan sebelas simpul akhir dan parameter kompleksitas yang bersesuaian dengan pohon tersebut adalah γ = 0,521708 x 106. Pohon terbaik juga dapat dilihat dengan memperhatikan plot RCV terhadap ukuran pohon yang menyatakan banyaknya simpul akhir pada pohon tersebut. Gambar 2 memperlihatkan bahwa nilai RCV minimum terjadi pada pohon dengan posisi pemangkasan 11; 0,291, yang artinya pohon
regresi terbaik terjadi pada RCV 0,291 dengan sebelas ukuran pohon. Pohon terbaik dapat dilihat pada Gambar 3 dengan kelompok dugaan lama studi disajikan pada Tabel 1.
Variabel yang paling dominan memengaruhi penentuan kelompok tersebut adalah variabel lama skripsi. Berdasarkan variabel ini, lama studi mahasiswa dibagi menjadi dua kelompok, yaitu lama studi mahasiswa dengan lama skripsi mahasiswa kurang dari atau sama dengan 382 hari dan lama studi mahasiswa dengan lama skripsi lebih dari 382 hari.
Gambar 2. Plot RCV terhadap Pohon Regresi
Simpul 1 LSK<=382 Rtn = 1698,34 Std = 346,72 N = 736 Simpul akhir 11 Rtn = 2675,01 Std = 234,90 N = 35 LSK<=382 PRO$ = (1) Simpul 2 PRO$ = (1) Rtn = 1603,91 Std = 221,65 N = 450 PRO$ = (2) LSK>382 LSK > 788,5 Simpul 5 LSK <= 787,50 Rtn = 368,15 Std = 2030,23 N = 286 LSK <= 788,5 Simpul 3 IPK<=2,90 Rtn = 1450,53 Std = 134,54 N = 353 IPK<=2,90 IPK > 2,90 Simpul akhir 2 Rtn = 1433,91 Std = 102,25 N = 322 Simpul 6 LSK <= 489,50 Rtn = 1975,40 Std = 322,15 N = 251 PRO$ = (2) IPK > 2,49 Simpul 8 PRO$ = (1) Rtn = 1861,52 Std = 236,02 N = 169 Simpul akhir 1 Rtn = 1770,10 Std = 259,27 N = 31 Simpul akhir 7 Rtn = 2352,26 Std = 259,76 N = 114 IPK <=3,03 IPK > 3,03 Simpul akhir 8 Rtn = 2250,08 Std = 292,81 N = 47 IPK <= 2,49 PRO$ = (1) Simpul akhir 6 Rtn = 1698,72 Std = 167,90 N = 55 Simpul akhir 5 Rtn = 3057,00 Std = 0,00 N = 3 Simpul 4 IPK<=3,11 Rtn = 1790,46 Std = 245,95 N = 97 IPK<=3,11 IPK > 3,11 Simpul akhir 4 Rtn = 1640,00 Std = 188,43 N = 51 Simpul akhir 3 Rtn = 1950,95 Std = 190,22 N = 46 LSK <= 489,50 LSK > 489,50 Simpul 7 IPK <= 2,49 Rtn = 1872,86 Std = 264,08 N = 172 Simpul 9 IPK <= 3,03 Rtn = 2144,02 Std = 337,68 N = 79 Simpul 10 PRO$ = (1) Rtn = 1920,74 Std = 316,31 N = 32 PRO$ = (2) Simpul akhir 10 Rtn = 2058,92 Std = 288,20 N = 20 PRO$ = (1) Simpul akhir 9 Rtn = 1621,33 Std = 76,42 N = 12
ISSN: 1978-1520
Gambar 3. Pohon Regresi Terbaik Pemilahan selanjutnya, dilakukan terhadap
kelompok lama studi mahasiswa dengan lama skripsi kurang dari atau sama dengan 382 hari dilakukan berdasarkan Program Studi mahasiswa. Selanjutnya, lama studi mahasiswa dari Program Studi Sistem Komputer dipisahkan menjadi dua kelompok berdasarkan nilai IPK. Kelompok yang terbentuk itu adalah kelompok lama studi mahasiswa dengan IPK kurang dari atau sama dengan 2,90 (Simpul akhir 1) dan lebih dari 2,90 (Simpul akhir 2). Sedangkan lama studi mahasiswa dari Program Studi Sistem Informasi dikelompokan berdasar-kan IPK dengan kurang dari 311 (simpul akhir 3) dan lebih cari 3,11 (simpul akhir 4).
Pemisahan terhadap kelompok dengan lama skripsi mahasiswa lebih dari 382 hari didasarkan pada variabel lama skripsi mahasiswa menjadi kelompok dengan lama skripsi kurang dari atau sama dengan 788,5 hari dan lebih dari 788,5 hari (Simpul akhir 11). Pemilahan selanjutnya, dilakukan terhadap kelompok lama studi mahasiswa dengan lama skripsi kurang dari atau sama dengan 788,5 hari dilakukan berdasarkan lama skripsi mahasiswa. Selanjutnya, lama studi mahasiswa dengan lama skripsi kurang dari atau sama dengan 489,5 hari dipisahkan menjadi dua kelompok berdasarkan nilai IPK. Kelompok yang terbentuk itu adalah kelompok lama studi mahasiswa dengan IPK kurang dari atau sama dengan 2,49 (Simpul akhir 5) dan lebih dari 2,49. Kemudian, dari kelompok dengan nilai IPK lebih dari 2,49 dipilah lagi menjadi dua berdasarkan Program Studi Sistem Komputer (Simpul akhir 6) dan Program Studi Sistem Informasi (Simpul akhir 7).
Kelompok selanjutnya yang terbentuk adalah kelompok lama studi mahasiswa dengan variabel lama skripsi lebih dari 489,5 dengan IPK kurang dari 3,03 (simpul akhir 8). Kelompok lama studi mahasiswa dengan IPK lebih besar dari 3,03 dikelompokan menjadi dua yaitu kelompok berdasarkan Program Studi Sistem komputer (Simpul akhir 9) dan Program Studi Sistem Informasi (Simpul akhir 10) sebagai kelompok terakhir.
Tabel 1. Kelompok Dugaan Lama Studi Mahasiswa No Kel. Rataan Standar Deviasi Parent-complexity 1 1 1770,10 259,270 0.1269x107 2 2 1433,91 102,25 0.1269x107 3 3 1950,95 190,22 0.1908x107 4 4 1640,00 188,43 0.1908x107 5 5 3057,00 0,0000 0.1416x107 6 6 1698,72 167,89 0.1256x107 7 7 2352,26 259,76 0.8911x106 8 8 2250,08 292,81 0.8911x106 9 9 1621,33 76,41 0.1397x107 10 10 2058,92 288,20 0.7860x106 11 11 2675,01 234,90 0.7860x106 Sumber: Data diolah, 2016
Karakteristik dari sebelas kelompok tersebut diuraikan sebagai berikut:
1. Kelompok pertama (Simpul akhir 1) adalah kelompok lama studi mahasiswa dengan IPK kurang dari atau sama dengan 2,90 dari Program Studi Sistem Komputer dengan lama skripsi kurang dari atau sama dengan 382 hari. Kelompok pertama mempunyai dugaan lama studi mahasiswa 1770,10 hari 2. Kelompok kedua (Simpul akhir 2) adalah
kelompok lama studi mahasiswa dengan IPK lebih dari 2,90 dari Program Studi Sistem Komputer dengan lama skripsi kurang dari atau sama dengan 382 hari. Kelompok kedua mempunyai dugaan lama studi mahasiswa 1433,91
3. Kelompok ketiga (Simpul akhir 3) adalah kelompok lama studi mahasiswa dengan IPK kurang dari atau sama dengan 3,11 dari Program Studi Sistem Informatika dengan lama skripsi kurang dari atau sama dengan 382 hari. Kelompok ketiga mempunyai dugaan lama studi mahasiswa 1950,95 hari 4. Kelompok keempat (Simpul akhir 4) adalah
kelompok lama studi mahasiswa dengan IPK lebih dari 3,11 dari Program Studi Sistem Informatika dengan lama skripsi kurang dari atau sama dengan 382 hari.
Kelompok keempat mempunyai dugaan lama studi mahasiswa 1640,00 hari
5. Kelompok kelima (Simpul akhir 5) adalah kelompok lama studi mahasiswa dengan IPK kurang dari atau sama dengan 2,49 dan lama skripsi antara 382 sampai 489,5 hari. Kelompok kelima mempunyai dugaan lama studi mahasiswa 3057,00 hari
6. Kelompok keenam (Simpul akhir 6) adalah kelompok lama studi mahasiswa dari Program Studi Sistem Komputer dengan IPK lebih dari 2,49 dan lama skripsi antara 382 sampai 489,5 hari. Kelompok keenam mempunyai dugaan lama studi mahasiswa 1698,72 hari
7. Kelompok keenam (Simpul akhir 6) adalah kelompok lama studi mahasiswa dari Program Studi Sistem Informatika dengan IPK lebih dari 2,49 dan lama skripsi antara 382 sampai 489,5 hari. Kelompok ketujuh mempunyai dugaan lama studi mahasiswa 2352,26 hari
8. Kelompok kedelapan (Simpul akhir 8) adalah kelompok lama studi mahasiswa dengan IPK kurang dari atau sama dengan 3,03 dengan lama skripsi antara 382 sampai 489,50 hari. Kelompok kedelapan mempunyai dugaan lama studi mahasiswa 2250,08 hari
9. Kelompok kesembilan (Simpul akhir 9) adalah kelompok lama studi mahasiswa dengan Program Studi Sistem Komputer dan IPK lebih dari 3,03 dengan lama skripsi antara 489,50 sampai 788,50 hari. Kelompok kesembilan mempunyai dugaan lama studi mahasiswa 1621,33 hari
10. Kelompok kesepuluh (Simpul akhir 10) adalah kelompok lama studi mahasiswa dengan Program Studi Sistem Informasi dan IPK lebih dari 3,03 dengan lama skripsi antara 489,50 sampai 788,50 hari. Kelompok kesepuluh mempunyai dugaan lama studi mahasiswa 2058,92 hari.
11. Kelompok kesebelas (Simpul akhir 11) adalah kelompok lama studi mahasiswa dengan lama skripsi lebih dari 788,50 hari. Kelompok kesebelas mempunyai dugaan lama studi mahasiswa 2675,01 hari.
V. KESIMPULAN DAN SARAN
Berdasarkan hasil analisis penelitian yang telah dilakukan, maka dapat disimpulkan bahwa
pohon regresi lama studi mahasiswa yang terbentuk, melalui prosedur regresi berstruktur pohon menghasilkan sebelas simpul akhir, sehingga berdasarkan nilai tengah/nilai rataan lama studi mahasiswa, maka lama studi mahasiswa dapat dikelompokkan menjadi sebelas kelompok dugaan. Adapun variabel/faktor yang paling dominan memengaruhi penentuan kelompok adalah lama penyusunan skripsi mahasiswa. Variabel lain yang juga berpengaruh dalam penentuan kelompok adalah jurusan mahasiswa dan nilai IPK mahasiswa.
Adapun saran yang ingin disampaikan yaitu: 1. Hasil pengelompokan ini perlu
dibandingkan dengan hasil pengelompokan yang diperoleh dengan menambahkan variabel-variabel yang lainnya ((SKKM), Jurusan SMA dari Mahasiswa, status mahasiswa bekerja atau tidak dan frekuensi bimbingan).
2. Kepada pihak Kampus agar lebih memberikan perhatian khusus kepada mahasiswa, baik mahasiswa lama maupun mahasiswa baru dalam hal menyelesaikan lama studi serta mengetahui faktor-faktor lain yang memengaruhi.
3. Kepada mahasiswa agar lebih memperhatikan proses penyelesaian tugas akhir/skripsi karena merupakan variabel yang sangat dominan menentukan lama studi mahasiswa.
DAFTAR PUSTAKA
Breiman, L., J.H. Friedman, R.A. Olshen dan C.J. Stone. (1993). Classfication and Regression Trees. Chapman and Hall: New York
Candra, Dewi T.T. (2006). Penerapan Regresi Berstruktur Pohon pada Pendugaan Lama Penyusunan Skripsi Mahasiswa. FMIPA. Universitas Jember.
Komalasari, W.B. (2007). Metode Pohon Regresi untuk Eksplorasi Data dengan Variabel yang Banyak dan Kompleks, Informatika Pertanian Volume 16.
http://
www.litbang.deptan.go.id/warta-ip/pdf-file/5.wieta_ipvol16-1-2007 [15 Februari 2008, Pukul 5. 38] Loh, Wei Yin. (2008). Classification and
ISSN: 1978-1520 Encyclopedia of Statistics in Quality and Reliability, 315–323, Wiley. Loh, Wei Yin. (2011). Classification and
Regression Tree. WIREs Data Mining and Knowledge Discovery. Volume 1 January/February, Wiley
Melillo, Paulo., Leandro Pecchia, Peter A. Bath, Marcello Bracale. (2013). The use of Classification and Regression Tree to predict 15-year survival in community-dwelling older people. International Journal of Health Information Management Research January 2013 vol 1 (1): 48-54.
Morgan, J. (2014). Classification and
Regression Tree Analysis. Technical Report No. 1. Boston University School of Publich Health, Departemen of Health Policy & Management. Syah, M. (2010). Psikologi Belajar. Rajawali
