C45 sample case
?
1 like?2,304 views
Dokumen tersebut berisi data set cuaca, jarak, pemakaian, dan pelanggan datang. Data set tersebut digunakan untuk membangun model pohon keputusan (decision tree) C4.5 untuk memprediksi apakah pelanggan akan datang berdasarkan atribut-atribut tersebut. Dokumen ini juga menjelaskan cara kerja algoritma C4.5 untuk membangun model pohon keputusan dan menemukan kelasnya.
C45 sample case
- 2. DATA SET : CUACA JARAK PEMAKAIAN PELANGGANDATANG berawan dekat normal ya yes berawan jauh normal tidak no berawan jauh tinggi tidak no berawan sedang tinggi ya yes cerah dekat normal tidak yes cerah jauh tinggi tidak no cerah jauh tinggi ya yes cerah sedang normal ya yes cerah sedang tinggi tidak no hujan dekat normal tidak no hujan dekat normal ya yes hujan sedang normal tidak no hujan sedang tinggi ya yes hujan sedang tinggi tidak yes
- 3. E=Entropy, G=Gain Informasi 1 I(yes,no) CUACA DATANG Jumlah I(8,6) 0.461346 0.523882 0.985228 berawan no 2 I(2,2) 0.5 0.5 1 yes 2 I(3,2) 0.442179 0.528771 0 cerah no 2 I(3,2) 0.442179 0.528771 0.970951 yes 3 E(Cuaca) 0.632482 hujan no 2 G(Cuaca) 0.352746 yes 3 14 JARAK DATANG Jumlah I(9,5) 0.461346 0.523882 0.985228 jauh no 3 I(2,2) 0.5 0.311278 0.811278 yes 1 I(4,2) 0.311278 0.5 0.811278 dekat no 1 I(3,1) 0.389975 0.528321 0.918296 yes 3 E(JARAK) 0.857143 sedang no 2 G(JARAK) 0.128085 yes 4 14 PEMAKAIAN PLAY Jumlah I(9,5) 0.461346 0.523882 0.985228 normal no 3 I(3,4) 0.461346 0.523882 0.985228 yes 4 I(6,1) 0.461346 0.523882 0.985228 tinggi no 3 E(PAKAI) 0.985228 yes 4 G(PAKAI) 0 14 PELANGGAN PLAY Jumlah I(9,5) 0.461346 0.523882 0.985228 ya no 0 I(3,4) 0 #NUM! 0 yes 6 I(6,1) 0.5 0.311278 0.811278 tidak no 6 E(WIND) 0.463587 yes 2 G(WIND) 0.521641 14 2 PELANGGAN = TIDAK CUACA DATANG Jumlah I(8,6) 0.5 0.311278 0.811278 berawan no 2 I(2,2) #NUM! 0 0 yes 0 I(3,2) 0.528321 0.389975 0.918296 cerah no 2 I(3,2) 0.528321 0.389975 0.918296 yes 1 E(Cuaca) 0.688722 hujan no 2 G(Cuaca) 0.122556 yes 1 8 JARAK DATANG Jumlah I(9,5) 0.5 0.311278 0.811278 jauh no 3 I(2,2) #NUM! 0 0
- 4. yes 0 I(4,2) 0.5 0.5 1 dekat no 1 I(3,1) 0.528321 0.389975 0.918296 yes 1 E(JARAK) 0.594361 sedang no 2 G(JARAK) 0.216917 yes 1 8 PEMAKAIAN PLAY Jumlah I(9,5) 0.5 0.311278 0.811278 normal no 3 I(3,1) 0.5 0.311278 0.811278 yes 1 I(1,3) 0.5 0.311278 0.811278 tinggi no 3 E(PAKAI) 0.811278 yes 1 G(PAKAI) 0 8 2.1 JARAK = dekat CUACA DATANG Jumlah I(8,6) 0.5 0.5 1 berawan no 0 I(2,2) #DIV/0! #DIV/0! 0 yes 0 I(3,2) 0 #NUM! 0 cerah no 0 I(3,2) #NUM! 0 0 yes 1 E(Cuaca) 0 hujan no 1 G(Cuaca) 1 yes 0 2 PEMAKAIAN PLAY Jumlah I(9,5) 0.5 0.5 1 normal no 1 I(3,1) 0.5 0.5 1 yes 1 I(1,3) #DIV/0! #DIV/0! 0 tinggi no 0 E(PAKAI) 1 yes 0 G(PAKAI) 0 2 2.2 JARAK =sedang CUACA DATANG Jumlah I(8,6) 0.528321 0.389975 0.918296 berawan no 0 I(2,2) #DIV/0! #DIV/0! 0 yes 0 I(3,2) #NUM! 0 0 cerah no 1 I(3,2) 0.5 0.5 0 yes 0 E(Cuaca) 0 hujan no 1 G(Cuaca) 0.918296 yes 1 3 PEMAKAIAN PLAY Jumlah I(9,5) 0.528321 0.389975 0.918296 normal no 1 I(3,1) #NUM! 0 0 yes 0 I(1,3) 0.5 0.5 0 tinggi no 1 E(PAKAI) 0 yes 1 G(PAKAI) 0.918296 3
- 5. 2.2.1 CUACA = Hujan PEMAKAIAN PLAY Jumlah I(9,5) #NUM! 0 0 normal no 1 I(3,1) #NUM! 0 0 yes 0 I(1,3) #NUM! 0 0 tinggi no 1 E(PAKAI) 0 yes 0 G(PAKAI) 0 2
- 6. Cara Membuat Model Tree dan Bagaimana Menemukan Klas berikut adalah cara membuat model tree dan bagaimana mesin dapat menemukan klasnya 1 Menghitung Informasi (I) untuk seluruh sample tiap class dengan pi adalah probabilitas sample kelas Ci : 2 Mencari Entrophy masing-masing Atribut 3 Mencari besar Gain Informasi masing-masing atribut 4 Memilih Gain Informasi yang terbesar untuk digunakan sebagai root pada model tree yang akan dibuat 5 Setiap kali attribut terpilih, maka dihitung lagi dengan hanya menggunakan Data Set untuk atribut itu saja 6 Tree tidak bercabang lagi saat nilai I = 0, dianggap sudah menemukan klasnya
- 7. RULE : 1 IF Pelanggan THEN Come=Yes 2 IF Bukan Pelanggan ^ Jarak Jauh THEN Come=No 3 IF Bukan Pelanggan ^ Jarak Dekat ^ Cerah THEN Come=Yes 4 IF Bukan Pelanggan ^ Jarak Dekat ^ Hujan THEN Come=No 5 IF Bukan Pelanggan ^ Jarak Dekat ^ Berawan THEN Come=Yes/No ? 6 IF Bukan Pelanggan ^ Jarak Sedang ^ Cerah THEN Come=Yes 7 IF Bukan Pelanggan ^ Jarak Sedang ^ Hujan ^ pemakaian tinggi THEN Come=Yes 8 IF Bukan Pelanggan ^ Jarak Sedang ^ Hujan ^ pemakaian normal THEN Come=No 9 IF Bukan Pelanggan ^ Jarak Sedang ^ Berawan THEN Come=Yes/No ?