Klasifikasi Pasien Hipertensi

(1)

DECISION TREE

Contoh Kasus:

Klasifikasi untuk penentuan pasien hipertensi Contoh data sample menggunakan 8 data pasien.

Instance usia : muda; tua

Instance berat : overweight; underweight; average Instance kelamin : pria; wanita

Nama Usia Berat Kelamin Hipertensi

Ali muda overweight pria ya

Edi muda underweight pria tidak Annie muda average wanita tidak Budiman tua overweight pria tidak

Herma

n tua overweight pria ya

Didi muda underweight pria tidak Rina tua overweight wanita ya

Gatot tua average pria tidak

Langkah mengubah data menjadi tree:

1. Menentukan node tree 2. Menyusun tree

Note:

•Menentukan node terpilih dengan menggunakan nilai Entropy dari setiap kriteria dengan data sample yang ditentukan.

•Node terpilih adalah kriteria dengan Entropy yang paling kecil.

1. Memilih Node Awal

Usia Hipertensi Jumlah

muda Ya (+) 1

muda Tidak (-) 3

tua Ya (+) 2

tua Tidak (-) 2

(2)

Gambaran/Ilustrasi perpindahan data

Lakukan proses perhitungan entropy pada variabel berat dan kelamin dengan cara yang sama pada saat melakukan perhitungan entropy pada variabel usia.

Mulai menggambar tree awal dengan node awal adalah “Berat”:

Dipetakan sesuai isi dari masing-masing instance yang ada di variabel “berat”,

(3)

menjadi :

Leaf Node berikutnya dapat dipilih pada bagian yang mempunyai nilai + dan - , pada gambar diatas hanya pada berat = overweight yang mempunyai nilai + dan – maka semuanya pasti mempunyai leaf node. Untuk menyusun leaf node lakukan satu-persatu.

Penentuan Leaf Node berikutnya pada “berat = overweight”:

Karena node berat sudah menjadi node, maka variabel yang digunakan berikutnya hanya ada 2 variabel yaitu usia dan kelamin. Lakukan perhitungan entropy pada variabel usia dan kelamin seperti proses perhitungan entropy yang sudah dicontohkan di awal pembentukan tree.

Note:

• Kebetulan nilai entropy nya sama maka disesuaikan dengan hasil observasi ketika konsultasi dengan pakar terkait variabel mana yang dominan, maka variabel tersebut akan dijadikan node berikutnya.

•Jika nilai entropy berbeda, maka untuk node berikutnya gunakan variabel yang memiliki nilai entropy yang terkecil.

Hasil gambaran/ilustrasi pembentukan tree berikutnya:

(4)

2. Mengubah Tree menjadi Rules Contoh-1:

Contoh-2:

Hasil Rules untuk penentuan pasien hipertensi:

(5)

Melakukan Pengujian Hasil Prediksi pada Data Training Data Awal:

Artinya nilai akurasi nya (yang prediksi nya tepat adalah 7 dari 8 data) = 100% - 12.5%

= 87.5%

(6)

Latihan