STUDI KASUS

PERTEMUAN 9

Metode dan Algoritma Data

Mining

ALGORITMA KLASIFIKASI

Klasifikasi (Han, 2006) adalah proses penemuanmodel (atau fungsi) yang menggambarkan danmembedakan kelas data atau konsep yang bertujuanagar bisa digunakan untuk memprediksi kelas dariobjek yang label kelasnya tidak diketahui.

ALGORITMA KLASIFIKASI -2

Klasifikasi data terdiri dari 2 langkah proses.

Pertama adalah learning (fase training), dimanaalgoritma klasifikasi dibuat untuk menganalisadata training lalu direpresentasikan dalambentuk rule klasifikasi.

Proses kedua adalah klasifikasi, dimana data tesdigunakan untuk memperkirakan akurasi darirule klasifikasi.

ALGORITMA KLASIFIKASI -3

Proses klasifikasi didasarkan pada empatkomponen: (Gorunescu, 2011) yaitu :

1. Kelas

2. Predictor

3. Training Dataset

4. Testing Dataset

ALGORITMA KLASIFIKASI -4

Kelas

Variabel dependen yang berupa kategorikal yangmerepresentasikan “label‟ yang terdapat padaobjek.

Contohnya: resiko penyakit jantung, resiko kredit,customer loyalty, jenis gempa.

ALGORITMA KLASIFIKASI -5

Predictor

Variabel independen yang direpresentasikan olehkarakteristik (atribut) data.

Contohnya: Outlook, Temperature, Humidity danWind merupakan variabel untuk kelas play.

ALGORITMA KLASIFIKASI -5

ALGORITMA KLASIFIKASI -6

Training Dataset

Satu set data yang berisi nilai dari kedua komponendi atas yang digunakan untuk menentukan kelas yangcocok berdasarkan predictor.

ALGORITMA KLASIFIKASI -7

Testing Dataset

Berisi data baru yang akan diklasifikasikan olehmodel yang telah dibuat dan akurasi klasifikasidievaluasi

ALGORITMA KLASIFIKASI - 8

Hal-hal yang berhubungan dengan klasifikasi adalah :

Meramalkan kategori label kelas (nominal atauterpisah)

Menggolongkan data ( membangun suatu model)yang didasarkan pada pelatihan, menetapkan nilai-nilai ( label kelas) di (dalam) suatu penggolonganatribut dan penggunaan di dalam penggolongandata baru

ALGORITMA KLASIFIKASI -9

Sedangkan aplikasi umum untuk Klasifikasi adalah :

o Persetujuan kredit

o Target marketing

o Diagnosa medis

o Analisis keefektifan tindakan

ALGORITMA KLASIFIKASI -10

Tahapan dalam algoritma Klasifikasi :

o Konstruksi model: Menguraikan suatu himpunankelas yang ditentukan sebelumnya

o Penggunaan model : Setelah dibuat, modeldigunakan untuk mengklasifikasikan tuple datayang label kelasnya tidak diketahui.

KONSTRUKSI MODEL

Setiap tuple/sample dimisalkan masuk kedalamsuatu kelas yang didefinisikan sebelumnya, sepertiyang ditetapkan melalui label atribut kelas.

Himpunan dari tuple yang digunakan untukkonstruksi model dinamakan dengan himpunanpelatihan.

Model disajikan sebagai kaidah klasifikasi, pohonkeputusan, atau rumus matematika

KONSTRUKSI MODEL

ALGORITMA KLASIFIKASI

Algoritma klasifikasi yang sudah umum digunakanantara lain :

1. Decision tree.

2. Bayesian Network.

3. Adaptive Bayesian network.

4. Naive Bayes dan sebagainya.

Algoritma Decision Tree

( Pohon Keputusan )

PENDAHULUAN Di dalam kehidupan manusia sehari-hari, manusia

selalu dihadapkan oleh berbagai macam masalah dariberbagai macam bidang.

Masalah-masalah yang dihadapi oleh manusia memilikitingkat kesulitan dan kompleksitas yang sangatbervariasi,

Mulai dari masalah yang teramat sederhana dengansedikit faktor-faktor yang terkait, sampai denganmasalah yang sangat rumit dengan banyak sekali faktor-faktor yang terkait dan perlu untuk diperhitungkan.

PENDAHULUAN -2

Untuk menghadapi masalah masalah ini, manusiamulai mengembangkan sebuah sistem yang dapatmembantu manusia agar dapat dengan mudah mampuuntuk menyelesaikan masalah-masalah tersebut.

Dengan pohon keputusan, manusia dapat denganmudah mengidentifikasi dan melihat hubungan antarafaktor-faktor yang mempengaruhi suatu masalah dandapat mencari penyelesaian terbaik denganmemperhitungkan faktor-faktor tersebut.

PENDAHULUAN - 3

Pohon keputusan ini juga dapat menganalisa nilairesiko dan nilai suatu informasi yang terdapat dalamsuatu alternatif pemecahan masalah.

Peranan pohon keputusan sebagai alat bantu dalammengambil keputusan (decision support tool) telahdikembangkan oleh manusia sejak perkembangan teoripohon yang dilandaskan pada teori graf.

PENGERTIAN POHON KEPUTUSAN Pohon keputusan mirip sebuah sebuah struktur pohon

dimana terdapat node internal (bukan daun) yangmendeskripsikan atribut-atribut, setiap cabangmenggambarkan hasil dari atribut yang diuji, dan setiapdaun menggambarkan kelas.

Pohon keputusan bekerja mulai dari akar paling atas, jikadiberikan sejumlah data uji, misalnya X dimana kelas daridata X belum diketahui, maka pohon keputusan akanmenelusuri mulai dari akar sampai node dan setiap nilaidari atribut sesuai data X diuji apakah sesuai dengan aturanpohon keputusan, kemudian pohon keputusan akanmemprediksi kelas dari tupel X.

MANFAAT POHON KEPUTUSAN

Pohon keputusan adalah salah satu metode klasifikasiyang paling populer karena mudah untukdiinterpretasi oleh manusia.

Pohon keputusan adalah model prediksi menggunakanstruktur pohon atau struktur berhirarki.

Konsep dari pohon keputusan adalah mengubah datamenjadi pohon keputusan dan aturan-aturankeputusan.

MANFAAT POHON KEPUTUSAN -2

Manfaat utama dari penggunaan pohon keputusanadalah kemampuannya untuk mem-break down prosespengambilan keputusan yang kompleks menjadi lebihsimpel sehingga pengambil keputusan akan lebihmenginterpretasikan solusi dari permasalahan.

Pohon Keputusan juga berguna untukmengeksplorasi data, menemukan hubungantersembunyi antara sejumlah calon variabel inputdengan sebuah variabel target.

KELEBIHAN POHON KEPUTUSAN1. Daerah pengambilan keputusan yang sebelumnya

kompleks dan sangat global, dapat diubah menjadi lebihsimpel dan spesifik.

2. Eliminasi perhitungan-perhitungan yang tidakdiperlukan, karena ketika menggunakan metode pohonkeputusan maka sample diuji hanya berdasarkan kriteriaatau kelas tertentu.

3. Fleksibel untuk memilih fitur dari internal node yangberbeda.

4. Dalam analisis multivariat, dengan kriteria dan kelasyang jumlahnya sangat banyak

KEKURANGAN POHON KEPUTUSAN

1. Terjadi overlap terutama ketika kelas-kelas dan criteriayang digunakan jumlahnya sangat banyak.

2. Pengakumulasian jumlah eror dari setiap tingkat dalamsebuah pohon keputusan yang besar.

3. Kesulitan dalam mendesain pohon keputusan yangoptimal.

4. Hasil kualitas keputusan yang didapatkan dari metodepohon keputusan sangat tergantung pada bagaimanapohon tersebut didesain.

KONSEP POHON KEPUTUSAN

Mengubah Data menjadi Pohon Keputusan (Decision Tree) dan aturan-aturan keputusan(rule).

DataDecision

TreeRULE

MODEL POHON KEPUTUSAN

Pohon keputusan adalah model prediksi menggunakanstruktur pohon atau struktur berhirarki.

Contoh dari pohon keputusan dapat dilihat di Gambar berikut ini.

MODEL POHON KEPUTUSAN Gambar diatas menggambarkan pohon keputusan

untuk memprediksi apakah seseorang membelikomputer.

Node internal disimbolkan dengan persegi, cabangdisimbolkan dengan garis, dan daun disimbolkandengan oval.

Contoh pohon keputusan diatas adalah identifikasipembeli komputer,dari pohon keputusan tersebutdiketahui bahwa salah satu kelompok yang potensialmembeli komputer adalah orang yang berusia dibawah 30 tahun dan juga pelajar.

MODEL POHON KEPUTUSAN -3

Setelah sebuah pohon keputusan dibangun ,makadapat digunakan untuk mengklasifikasikan record yang belum ada kelasnya.

Pada pohon keputusan setiap simpul daun menandailabel kelas.

Proses dalam pohon keputusan yaitu mengubahbentuk data (tabel) menjadi model pohon (tree) kemudian mengubah model pohon tersebut menjadi aturan(rule).