Decision Tree.

Slides:



Advertisements
Presentasi serupa
PERILAKU POSITIF DALAM ORGANISASI
Advertisements

Pohon Keputusan (Decision Tree)
Diadaptasi dari slide Jiawei Han
OBESITAS Kegemukan Pada Anak Dr GUSTINA LUBIS SpA.
Ujian Akhir Semester (UAS)
Hindari Rokok, Cenderung Sehat Hingga Usia Lanjut Gaya hidup sehat teratur, menjaga berat badan, berolahraga, dan menghindari rokok, diyakini mampu menjaga.
KEWENANGAN BERHAK MANUSIA PRIBADI MEMPUNYAI KEWENANGAN BERHAK SEJAK IA DILAHIRKAN, BAHKAN SEJAK DALAM KANDUNGAN IBUNYA, ASAL IA LAHIR HIDUP APABILA KEPENTINGANNYA.
Pohon Keputusan (Decision Tree)
Algoritma dan Struktur Data
VARIABEL PENELITIAN PERTEMUAN 9.
by : Radita Tri Cahyani XI IPS 1 / 12
OBESITAS MATERI KULIAH.
NoOUTLOKTEMPERATUREHUMIDITYWINDYPLAY 1SunnyHotHighFALSENo 2SunnyHotHighTRUENo 3CloudyHotHighFALSEYes 4RainyMildHighFALSEYes 5RainyCoolNormalFALSEYes 6RainyCoolNormalTRUEYes.
Bag.3 Object Oriented Programming Pertemuan 25 Dasar Pemrograman
Oleh : Devie Rosa Anamisa
Organisasi Berkas Sekuensial Berindeks
Data Mining Algoritma C4.5. Penjelasan metode Kelebihan dan kekurangan.
IMPLEMENTASI DATA MINING SEBAGAI INFORMASI STRATEGIS PENJUALAN BATIK (STUDI KASUS BATIK MAHKOTA LAWEYAN) Oleh: Yusuf Sulistyo Nugroho, S.T., M.Eng. Fatah.
Decision Tree.
Pembimbing : Imas S. Sitanggang, S.Si, M.Kom Irman Hermadi, S.Kom, MS
Labor Economics Series
STUDI KASUS KLASIFIKASI Algoritma C 4.5
Kelompok 2 Nama anggota : Anita suhartini ( )
Dasar-Dasar Perilaku Individual
Nida Nusaibatul Adawiyah
DASAR PERILAKU INDIVIDU
PEMBUATAN POHON KEPUTUSAN
Algoritma C4.5. Algoritma C4.5 Object-Oriented Programming Introduction Algoritma C4.5 merupakan algoritma yang digunakan.
Data Mining Junta Zeniarja, M.Kom, M.CS
Decision Tree Classification.
Decision Tree Classification.
Bilangan bulat Definisi dan operasi.
CHI KUADRAT.
PERTANYAAN.
Sistem Berbasis Fuzzy Materi 1
ANTRHOPOMETRI MG CATUR YUANTARI.
Klasifikasi.
Ekonomi Pembangunan Pengaruh Kesenjangan Gender Terhadap Pembangunan
DASAR-DASAR PERILAKU INDIVIDUAL
Pohon Keputusan (Decision Trees)
Bab II Dinamika Penduduk
DEFINISI ANAK.
DINAMIKA PENDUDUK Jumlah penduduk selalu berubah karena adanya peristiwa kelahiran, kematian, dan perpindahan penduduk (migrasi). Tingkat kelahiran adalah.
Prinsip Dasar Komunikasi yg EFEKTIF
Pertemuan 2 Menyusun Angka (I): Angkatan (Batch)
Uji Mann-Whitney.
KONSEP DIRI Elisabet Yunaeti Anggraeni, S.Kom. Sumber :
Bab 2. Hukum – Hukum Dasar oleh : M. Ramdhani.
Pohon Keputusan Kecerdasan Buatan Oct 2017
Pertemuan Ke-6 Etika Pergaulan
<Soshika/Penurunan angka kelahiran > Pertemuan <4>
MIK | FAKULTAS ILMU-ILMU KESEHATAN
Data Mining DATA SET. Set Data Ada bermacam –macam cara untuk merepresentasikan data, Misalnya, atribut yang digunakan untuk menggambarkan jenis objek.
PERBEDAAN PERSEPSI PERILAKU KONSUMTIF TERHADAP CHATIING DILIHAT DARI JENIS KELAMIN MAHASISWA FAKULTAS PSIKOLOGI UNIVERSITAS GUNADARMA OLEH : AINI YUWANISA.
DINAMIKA PENDUDUK Jumlah penduduk selalu berubah karena adanya peristiwa kelahiran, kematian, dan perpindahan penduduk (migrasi). Tingkat kelahiran adalah.
Anggota Dwita Eprila ( ) Mayang Hermeiliza Eka Putri ( ) Nadiah Amelia ( ) Rafif Abdusalam ( ) Shofyan.
Perancangan Sistem Klasifikasi Masa Studi Mahasiswa Menggunakan Data Mining Berbasis Algoritma ID3 (Studi Kasus:Jurusan Teknik Komputer –Unikom) Oleh:
DATA PREPARATION Kompetensi
Decision tree analysis
Bilangan Positif & Negatif Serta Operasinya
Decision Tree Pertemuan : 13.
DATA PREPARATION.
8 orang per meja, 10 meja dalam ruangan dengan meja utama
MAHASISWA PEDULI KEPENDUDUKAN
Universitas Gunadarma
Data Mining Classification.
Universitas Gunadarma
EPIDEMIOLOGI PENYAKIT MENULAR TUBERKULOSIS Di susun oleh: Ika Himawati( ) Susanti Lestari( ) Kristiana Wulan Sari( ) Qori Avi.
Analisis Data Kependudukan Kecamatan Tanjung Nama anggota : Bela Yunita Sari (10) Dina Yuliaturrohmah (12) xl.5.
RUMUS mencari Nilai Rata-rata : =AVERAGE(…,…,…,).
Transcript presentasi:

Decision Tree

Data Mentah Decision Tree??

Pembentukan Node Hitung Entropy Hitung Information Gain Atribut dengan Infromation Gain tertinggi dijadikan Node

Entropy Awal Jumlah instance = 8 Jumlah instance positif = 3 Jumlah instance negatif = 5

Entropy Usia Jumlah instance = 8 Instance Usia Entropy Usia Muda Tua Instance positif = 1 Instance negatif = 3 Tua Instance positif = 2 Instance negatif = 2 Entropy Usia Entropy(muda) = 0.906 Entropy(tua) = 1

Gain Usia

Entropy Berat Jumlah instance = 8 Intance Berat Overweight Average Instance positif = 3 Instance negatif = 1 Average Instance positif = 0 Instance negatif = 2 Underweight Entropy(Overweight)=0.906 Entropy(Average)=0.5 Entropy(Underweight)=0.5

Gain Usia

Entropy Jenis Kelamin Jumlah instance = 8 Intance Jenis Kelamin Pria Instance positif = 2 Instance negatif = 4 Wanita Instance positif = 1 Instance negatif = 1 Entropy(Pria)=1 Entropy(Wanita)=0.75

Gain Usia

Jumlah Instance untuk Overweight = 4 Jumlah Instance untuk Average = 2 Atribut yang dipilih adalah atribut berat karena nilai Information Gainnya paling tinggi Jumlah Instance untuk Overweight = 4 Jumlah Instance untuk Average = 2 Jumlah Instance untuk Underweight = 2 Hitung Gain paling tinggi untuk dijadikan cabang berikutnya Berat Overweight Average Underweight

Node untuk cabang Overweight Jumlah instance = 4 Instance (Berat = Overwight ) & Usia = Muda Instance positif = 1 Instance negatif = 0 Tua Instance positif = 2 Instance negatif = 1 Instance (Berat = Overwight ) & Jenis Kelamin = Pria Wanita

Decision Tree yang dihasilkan

Sample Data

Sample Data