Algoritma C4.5 digunakan untuk membangun pohon keputusan berdasarkan atribut yang memiliki nilai gain ratio tertinggi untuk setiap simpul pohon. Algoritma ini mengubah data latih besar menjadi pohon keputusan yang merepresentasikan aturan klasifikasi, dengan memilih atribut akar, membuat cabang untuk setiap nilai atribut, dan membagi kasus di setiap cabang sampai semua kasus memiliki kelas yang sama.

1. DATAMINING MENGGUNAKAN
ALGORITMA C4.5
Created By : M. Rosyid Ridlo

2. Algoritma C4.5
• Algoritma C4.5 merupakan algoritma yang
digunakan untuk membentuk pohon keputusan.
• Pohon keputusan sendiri merupakan klasifikasi
dan prediksi yang sangat kuat dan terkenal.
• Metode pohon keputusan mengubah fakta yang
sangat besar menjadi pohon keputusan yang
mempresentasikan aturan.

3. Tahapan Algoritma C4.5
1. Pilih atribut sebagai akar.
2. Buat cabang untuk tiap-tiap nilai.
3. Bagi kasus dalam cabang.
4. Ulangi proses untuk setiap cabang sampai
semua kasus pada cabang memiliki kelas yang
sama

4. Rumus Menghitung Gain & Entropy
• Pada kontruksi pohon C4.5, di setiap simpul pohon,
atribut dengan nilai gain ratio tertinggi dipilih sebagai
atribut split untuk simpul. Rumus dari gain ratio
adalah sebagai berikut :
• Untuk mendapatkan nilai gain ratio dalam pembentukan
pohon keputusan, perlu menghitung dulu nilai informasi
dalam satuan bits dari suatu kumpulan objek. Bentuk
perhitungan untuk entropi adalah sebagai berikut :

5. Tabel Uji
Play : Sebagai
Target Atribut

6. 1. Pencarian Atribut Sebagai Akar
Node
Jml Kasus
(S)
No
(S1)
Yes
(S2)
Entropy Gain
1 Total 14 5 9 0,94028596
Outlook 0,246749824
Sunny 5 3 2 0,97095059
Overcast 4 0 4 0
Rainy 5 2 3 0,97095059
Temperature 0,02922257
Hot 4 2 2 1
Mild 6 2 4 0,91829583
Cool 4 1 3 0,81127812
Humidity 0,1518355
High 7 4 3 0,98522814
Normal 7 1 6 0,59167278
Windy 0,048127034
FALSE 8 2 6 0,81127812
TRUE 6 3 3 1
Pada tabel Gain tertinggi
pada atribut Outlook,
maka Outlook bisa
menjadi Node Akar

7. 2. Gambar Pohon Keputusan
Karena pada tabel,
Overcast sudah
diklasifikasikan
menjadi 1 dan
bernilai Yes.
Sehingga tidak
perlu dilakukan
perhitungan lebih
lanjut
1.2
?
1Outlook
1.1
?
Yes
Overcast

8. 3. Pencarian Node Selanjutnya
Node
Jml Kasus
(S)
No
(S1)
Yes
(S2)
Entropy Gain
1.1 Outlook-Sunny 5 3 2 0,97095059
Temperature 0,57095059
Hot 2 2 0 0
Mild 2 1 1 1
Cool 1 0 1 0
Humidity 0,97095059
High 3 3 0 0
Normal 2 0 2 0
Windy 0,019973092
FALSE 3 2 1 0,91829583
TRUE 2 1 1 1
Node
Jml Kasus
(S)
No
(S1)
Yes
(S2)
Entropy Gain
1.2 Outlook-Rainy 5 2 3 0,97095059
Temperature 0,019973092
Hot 0 0 0 0
Mild 3 1 2 0,91829583
Cool 2 1 1 1
Humidity 0,019973092
High 2 1 1 1
Normal 3 1 2 0,91829583
Windy 0,97095059
FALSE 3 0 3 0
TRUE 2 2 0 0

9. 4. Gambar Pohon Keputusan
Pada tabel,
-node 1.1 gain
tertinggi pada
atribut
Humidity.
-node 1.2 gain
tertinggi pada
atribut Windy
1.2
Windy
1Outlook
1.1
Humidity
Yes
Overcast
No Yes No Yes