- POHON KEPUTUSAN
Pengertian Pohon Keputusan
Pohon
yang dalam analisis pemecahan masalah pengambilan keputusan adalah pemetaan
mengenai alternatif-alternatif pemecahan masalah yang dapat diambil dari
masalah tersebut. Pohon tersebut juga memperlihatkan faktor-faktor
kemungkinan/probablitas yang akan mempengaruhi alternatif-alternatif keputusan
tersebut, disertai dengan estimasi hasil akhir yang akan didapat bila kita
mengambil alternatif keputusan tersebut.
Manfaat Pohon Keputusan
Pohon
keputusan adalah salah satu metode klasifikasi yang paling populer karena mudah
untuk diinterpretasi oleh manusia. Pohon keputusan adalah model prediksi
menggunakan struktur pohon atau struktur berhirarki. Konsep dari pohon
keputusan adalah mengubah data menjadi pohon keputusan dan aturan-aturan
keputusan. Manfaat utama dari penggunaan pohon keputusan adalah kemampuannya
untuk mem-break down proses pengambilan keputusan yang kompleks
menjadi lebih simpel sehingga pengambil keputusan akan lebih
menginterpretasikan solusi dari permasalahan. Pohon Keputusan juga berguna
untuk mengeksplorasi data, menemukan hubungan tersembunyi
antara sejumlah calon variabel input dengan sebuah variabel target. Pohon keputusan memadukan antara
eksplorasi data dan pemodelan, sehingga sangat bagus sebagai langkah awal dalam proses pemodelan bahkan ketika
dijadikan sebagai model akhir dari beberapa teknik lain. Sering terjadi tawar menawar antara keakuratan
model dengan transparansi model. Dalam beberapa aplikasi, akurasi dari sebuah klasifikasi atau prediksi adalah satu-satunya hal yang ditonjolkan, misalnya sebuah perusahaan direct mail membuat sebuah model yang akurat untuk
memprediksi anggota mana yang berpotensi untuk merespon permintaan, tanpa memperhatikan bagaimana atau mengapa model tersebut bekerja.
antara sejumlah calon variabel input dengan sebuah variabel target. Pohon keputusan memadukan antara
eksplorasi data dan pemodelan, sehingga sangat bagus sebagai langkah awal dalam proses pemodelan bahkan ketika
dijadikan sebagai model akhir dari beberapa teknik lain. Sering terjadi tawar menawar antara keakuratan
model dengan transparansi model. Dalam beberapa aplikasi, akurasi dari sebuah klasifikasi atau prediksi adalah satu-satunya hal yang ditonjolkan, misalnya sebuah perusahaan direct mail membuat sebuah model yang akurat untuk
memprediksi anggota mana yang berpotensi untuk merespon permintaan, tanpa memperhatikan bagaimana atau mengapa model tersebut bekerja.
Kelebihan Pohon Keputusan
Kelebihan
dari metode pohon keputusan adalah:
- Daerah pengambilan keputusan
yang sebelumnya kompleks dan sangat global, dapat diubah menjadi lebih
simpel dan spesifik.
- Eliminasi
perhitungan-perhitungan yang tidak diperlukan, karena ketika menggunakan
metode pohon keputusan maka sample diuji hanya berdasarkan kriteria atau
kelas tertentu.
- Fleksibel untuk memilih fitur
dari internal node yang berbeda, fitur yang terpilih akan membedakan suatu
kriteria dibandingkan kriteria yang lain dalam node yang sama.
Kefleksibelan metode pohon keputusan ini meningkatkan kualitas keputusan
yang dihasilkan jika dibandingkan ketika menggunakan metode penghitungan
satu tahap yang lebih konvensional
- Dalam analisis multivariat,
dengan kriteria dan kelas yang jumlahnya sangat banyak, seorang penguji
biasanya perlu untuk mengestimasikan baik itu distribusi dimensi tinggi
ataupun parameter tertentu dari distribusi kelas tersebut. Metode pohon
keputusan dapat menghindari munculnya permasalahan ini dengan menggunakan
criteria yang jumlahnya lebih sedikit pada setiap node internal tanpa
banyak mengurangi kualitas keputusan yang dihasilkan.
Kekurangan Pohon Keputusan
- Terjadi overlap terutama ketika
kelas-kelas dan criteria yang digunakan jumlahnya sangat banyak. Hal
tersebut juga dapat menyebabkan meningkatnya waktu pengambilan keputusan
dan jumlah memori yang diperlukan.
- Pengakumulasian jumlah eror
dari setiap tingkat dalam sebuah pohon keputusan yang besar.
- Kesulitan dalam mendesain pohon
keputusan yang optimal.
- Hasil kualitas keputusan yang
didapatkan dari metode pohon keputusan sangat tergantung pada bagaimana
pohon tersebut didesain.
Model Pohon Keputusan
Pohon
keputusan adalah model prediksi menggunakan struktur pohon atau struktur
berhirarki. Contoh dari pohon keputusan dapat dilihat di Gambar berikut ini.
Model
Pohon Keputusan (Pramudiono,2008)
Disini
setiap percabangan menyatakan kondisi yang harus dipenuhi dan tiap ujung pohon
menyatakan kelas data. Contoh di Gambar 1 adalah identifikasi pembeli
komputer,dari pohon keputusan tersebut diketahui bahwa salah satu kelompok yang
potensial membeli komputer adalah orang yang berusia di bawah 30 tahun dan juga
pelajar. Setelah sebuah pohon keputusan dibangun maka dapat digunakan untuk
mengklasifikasikan recordyang belum ada kelasnya. Dimulai
dari node root, menggunakan tes terhadap atribut dari record yang
belum ada kelasnya tersebut lalu mengikuti cabang yang sesuai dengan hasil dari
tes tersebut, yang akan membawa kepada internal node (node yang
memiliki satu cabang masuk dan dua atau lebih cabang yang keluar), dengan cara
harus melakukan tes lagi terhadap atribut atau node daun. Record yang
kelasnya tidak diketahui kemudian diberikan kelas yang sesuai dengan kelas yang
ada pada node daun. Pada pohon keputusan setiap simpul daun
menandai label kelas. Proses dalam pohon keputusan yaitu mengubah bentuk data
(tabel) menjadi model pohon (tree) kemudian mengubah model pohon
tersebut menjadi aturan (rule).
- TABEL KEPUTUSAN
Pengetahuan
diorganisasikan menggunakan baris dan kolom.
- Tabel dibagi 2 bagian, pertama sebuah list dari atribut dibuat dan untuk setiap atribut semua nilai yang mungkin ditampilkan. Kemudian sebuah list kesimpulan dirumuskan
- Pengetahuan dalam tabel diperoleh dari proses
akuisisi pengetahuan.
contoh tabel keputusan
