Presentasi Implementasi Algoritma ID3
Download as PPTX, PDF1 like4,443 views
Dokumen ini membahas algoritma ID3 dalam pembuatan pohon keputusan untuk penerimaan karyawan dengan langkah-langkah seperti menghitung entropi dan information gain. Pohon keputusan adalah model prediksi yang menyederhanakan data menjadi aturan yang mudah dipahami, dan dapat diterapkan dalam berbagai konteks. ID3, yang dikembangkan oleh J. Ross Quinlan, merupakan metode populer untuk klasifikasi yang menggunakan struktur pohon.
Presentasi Implementasi Algoritma ID3
- 1. ALGORITMA ID3 STUDI KASUS : PENERIMAAN KARYAWAN Rizki Rianda 1157301014 Ulil Azmy 1157301071
- 3. 1. Bagaimana cara membentuk Tree ?
- 4. 2. Bagaimana cara menghasilkan Rule? 1. Jika Wawancara=baik maka Diterima 2. Jika Wawancara=buruk dan Psikologi=tinggi maka Ditolak 3. Jika Psikologi=tinggi maka Ditolak 4. Jika Psikologi=sedang dan IPK=bagus maka Diterima 5. Jika Psikologi=sedang dan IPK=cukup maka Diterima 6. Jika Psikologi=sedang dan IPK=rendah maka Ditolak
- 6. Ringkasnya, Langkah kerja ID3 adalah : 1. Hitung Entropi dan Information Gain setiap Atribut. 2. Pilih Attribut dengan nilai Information Gain terbesar. 3. Buat Simpul menggunakan Atribut tersebut. 4. Ulangi proses perhitungan information gain sampai semua data telah termasuk dalam kelas yang sama. Atribut yang telah dipilih tidak diikutkan lagi dalam perhitungan nilai Gain.
- 7. Definisi Pohon Keputusan • Pohon keputusan adalah model prediksi menggunakan struktur pohon atau struktur berhirarki. • Pohon keputusan adalah salah satu metode klasifikasi yang paling populer karena mudah untuk diinterpretasi oleh manusia.
- 8. Konsep Pohon Keputusan • Konsep dari pohon keputusan adalah mengubah data menjadi pohon keputusan dan aturan-aturan keputusan. • Data dalam pohon keputusan biasanya dinyatakan dalam bentuk tabel dengan atribut dan record. Atribut menyatakan suatu parameter yang dibuat sebagai kriteria dalam pembentukan tree
- 9. Manfaat Pohon Keputusan • Proses pada pohon keputusan adalah mengubah bentuk data (tabel) menjadi model pohon, mengubah model pohon menjadi rule, dan menyederhanakan rule
- 10. Pohon Keputusan ID3 • Iterative Dichotomiser 3 (ID3) merupakan sebuah metode yang digunakan untuk membuat pohon keputusan yang telah dikembangkan oleh J. Ross Quinlan sejak tahun 1986.
- 11. Rumus Entropi Dimana: S = ruang (data) sample yang digunakan untuk training. P+ = jumlah yang bersolusi positif (mendukung) pada data sample untuk kriteria tertentu. P- = jumlah yang bersolusi negatif (tidak mendukung) pada data sample untuk kriteria tertentu.
- 12. Rumus Gain • Dimana: S = ruang (data) sample yang digunakan untuk training. A = atribut. V = suatu nilai yang mungkin untuk atribut A. Nilai(A) = himpunan yang mungkin untuk atribut A. |Sv| = jumlah sample untuk nilai V. |S| = jumlah seluruh sample data. Entropy(Sv) = entropy untuk sample-sample yang memiliki nilai V.
- 13. Frequently Asked Question Q: Apakah algoritma ID3 bisa dijadikan sebagai judul TGA ? A: Bisa. Contoh : Penerapan Metode Decision Tree Dengan Menggunakan Algoritma ID3 Untuk Pembuatan Sistem penilaian Kinerja Guru. Lilik Shofiyatin, UIN Malang, 2011. Perancangan Dan Implementasi Sistem Klasifikasi Masa Studi Mahasiswa Menggunakan Data Mining Berbasis Algoritma ID3. Emi Latifah, UNIKOM, 2014.