Pohon keputusan juga berguna untuk mengeksplorasi data, menemukan hubungan tersembunyi antara sejumlah calon variabel input dengan sebuah variabel target.
Karena pohon keputusan memadukan antara eksplorasi data dan pemodelan, dia sangat bagus sebagai langkah awal dalam proses pemodelan bahkan ketika dijadikan sebagai model akhir dari beberapa tehnik lain.
Data dalam pohon keputusan biasanya dinyatakan dalam bentuk tabel dengan atribut dan record. Atribut menyatakan suatu parameter yang dibuat sebagai kriteria dalam pembentukan pohon. Misalkan untuk menentukan main tenis, kriteria yang diperhatikan adalah cuaca, angin, dan temperatur. Salah satu atribut merupakan atribut yang menyatakan data solusi per item data yang disebut target atribut. Atribut memiliki nilai-nilai yang dinamakan dengan instance.
Proses pada pohon keputusan adalah mengubah bentuk data (tabel) menjadi model pohon, mengubah model pohon menjadi rule, dan menyederhanakan rule.
Algoritma Keputusan & Algoritma Penentuan Kelas
a. Latar Belakang Pohon Keputusan
Di dalam kehidupan manusia sehari-hari, manusia selalu dihadapkan oleh berbagai macam masalah dari berbagai macam bidang. Masalah-masalah ini yang dihadapi oleh manusia tingkat kesulitan dan kompleksitasnya sangat bervariasi, mulai dari yang teramat sederhana dengan sedikit faktor-faktor yang berkaitan dengan
masalah tersebut dan perlu diperhitungkan sampai dengan yang sangat rumit dengan banyak sekali faktor-faktor turut serta berkaitan dengan masalah tersebut dan perlu untuk diperhitungkan. Untuk menghadapi masalah-masalah ini, manusia mulai mengembangkan sebuah sistem yang dapat membantu manusia agar dapat dengan mudah mampu untuk menyelesaikan masalah-masalah tersebut. Adapun pohon keputusan ini adalah sebuah jawaban akan sebuah sistem yang manusia kembangkan untuk membantu mencari dan membuat keputusan untuk masalah-masalah tersebut dan dengan memperhitungkan berbagai macam faktor yang ada di dalam lingkup masalah tersebut.
Dengan pohon keputusan, manusia dapat dengan mudah melihat mengidentifikasi dan melihat hubungan antara faktor-faktor yang mempengaruhi suatu masalah dan dapat mencari penyelesaian terbaik dengan memperhitungkan faktor-faktor tersebut. Pohon keputusan ini juga dapat menganalisa nilai resiko dan nilai suatu informasi yang terdapat dalam suatu alternatif pemecahan masalah. Peranan pohon keputusan ini sebagai alat Bantu dalam mengambil keputusan (decision support tool) telah dikembangkan oleh manusia sejak perkembangan teori pohon yang dilandaskan pada teori graf. Kegunaan pohon keputusan yang sangat banyak ini membuatnya telah dimanfaatkan oleh manusia dalam berbagai macam sistem pengambilan keputusan.
b. 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.
c. 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.
d. 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.
e. 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.
f. Model Pohon Keputusan
Pohon keputusan adalah model prediksi menggunakan struktur pohon atau struktur berhirarki. Berikut ini data (tabel) penerimaan karyawan di Bidang Perkebunan Kelapa Sawit yang akan mengikuti pelatihan dan permagangan pada bidang tersebut, jika memenuhi persyaratan-persyaratan yang diajukan.
Contoh Tabel Keputusan
Akan dibuat pohon keputusan untuk menentukan peserta yang lolos wawancara apakah mengikuti pelatihan dan permagangan atau tidak. Sesuai dengan pernyataan peserta dengan mengisi dan menandatangani pernyataan peserta yang dikirim melalui fax. 0274-520082 atau 0274-513849 paling lambat Kamis 12 Oktober 2009 pukul 16.00 WIB, peserta yang tidak mengirimkan pernyataan, peserta dianggap mengundurkan diri. Kemudian peserta diharapkan melapor dan melakukan registrasi ulang ke panitia penyelenggara Retooling pada tanggal 12 Oktober 2009 di Lembaga Pendidikan Perkebunan, Jl. Urip Sumoharjo 100, Yogyakarta 55222 dengan menyerahkan :
a. Surat lamaran yang dibubuhi meterai Rp 6.000,-
b. Fotokopi ijasah dan transkip yang diligalisir oleh pejabat yang berwenang
c. Pas photo hitam putih ukuran 3 x 4 sebanyak 4 buah
d. Surat keterangan dokter yang menyatakan sehat jasmani dan rohani
e. Surat keterangan kelakuan baik dari kepolisian
f. Membawa pakaian kemeja (warna terang) celana/rok warna gelap berdasi untuk acara pembukaan serta pelatihan membawa pakaian olahraga untuk kegiatan outbound dan praktek kompetensi (magang) serta pakaian rapi.
Berikut ini tampilan Pohon Keputusan pada data (table) diatas.
Dari gambar pohon keputusan pada gambar di atas dapat dibentuk aturan sebagai berikut:
1. Jika Atr_1 = N_1
Dan Atr_2 = N_3
Dan Atr_3 = N_5
Dan Atr_4 = N_7
Dan Atr_5 = N_9
Maka H_1
2. Jika Atr_1 = N_1
Dan Atr_2 = N_3
Dan Atr_3 = N_5
Dan Atr_4 = N_7
Dan Atr_5 = N_10
Maka H_2
3. Jika Atr_1 = N_1
Dan Atr_2 = N_3
Dan Atr_3 = N_5
Dan Atr_4 = N_8
Maka H_3
4. Jika Atr_1 = N_1
Dan Atr_2 = N_3
Dan Atr_3 = N_6
Maka H_4
5. Jika Atr_1 = N_1
Dan Atr_2 = N_4
Maka H_5
6. Jika Atr_1 = N_2
Maka H_6
Aturan-aturan algoritma:
r1 : (Mengirim pernyataan = Ya) Λ (Legalisir Ijazah = Sudah) Λ (SKD = Ada) Λ (Foto = Ada)
Λ (SKKB = Ada) = Lulus.
r2 : (Mengirim pernyataan = Ya) Λ (Legalisir Ijazah = Sudah) Λ (SKD = Ada) Λ (Foto = Ada)
Λ (SKKB = Tidak Ada) = Tidak Lulus.
r3 : (Mengirim pernyataan = Ya) Λ (Legalisir Ijazah = Sudah) Λ (SKD = Ada) Λ (Foto = Tidak
Ada) = Tidak Lulus.
r4 : (Mengirim pernyataan = Ya) Λ (Legalisir Ijazah = Sudah) Λ (SKD = Tidak Ada) = Tidak
Lulus.
r5 : (Mengirim pernyataan = Ya) Λ (Legalisir Ijazah = Belum) = Tidak Lulus.
r6 : (Mengirim pernyataan = Tidak) = Tidak lulus.
Thanks buat postinganya ya mas.
BalasHapuso.. iya,saya mw nanya, boleh kn?
cara membuat rule untuk kriteria masalah yg banyak gimana ya mas?
tolong dijelaskan ya mas.
please.........