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.