Pohon Keputusan [PDF]

Citation preview

MAKALAH POHON KEPUTUSAN (DECISION TREE)



DISUSUN OLEH: Sumarni



:19402051



Kristal Jabi :19402133



DOSEN: Dra. A Husnawaty AR, M.Si



MATA KULIAH: Teori Pengambilan Keputusan



SEKOLAH TINGGI ILMU EKONOMI YAYASAN PENDIDIKAN UJUNG PANDANG MAKASSAR TAHUN AJARAN 2021/2022



BAB I PENDAHULUAN A. Latar Belakang Adapun pohon keputusan ini adalah sebuah jawaban akan sebuah sistem/cara yang manusia kembangkan untuk membantu mencari dan membuat keputusan untuk masalah-masalah tersebut dan dengan memperhitungkan berbagai macam factor 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. Pohon keputusan merupakan sebuah sistem atau cara yang manusia kembangkan untuk membantu mencari dan membuat keputusan untuk masalahmasalah tersebut dan dengan memperhitungkan berbagai macam faktor yang ada di dalam lingkup masalah tersebut. Secara umum, pohon keputusan adalah suatu gambaran permodelan dari suatu persoalan yang terdiri dari serangkaian keputusan yang mengarah ke solusi.



B.



Rumusan Masalah 1. Apa yang dimaksud dengan pohon keputusan? 2. Apa tujuan dari pohon keputusan? 3. Apa saja kelebihan dan kekurangan dari pohon keputusan? 4. Bagaimana prosedur pembentukan pohon keputusan? 5. Bagaimana model pohon keputusan? 6. Bagaimana contoh-contoh soal untuk pohon keputusan?



C.



Tujuan Penulisan Tujuan dari penulisan makalah ini adalah untuk mengetahui tentang: 1. Definisi pohon keputusan. 2. Tujuan dari pohon keputusan. 3. Kelebihan dan kekurangan pohon keputusan. 4. Prosedur pembentukan pohon keputusan. 5. Model pohon keputusan. 6. Contoh-contoh soal untuk pohon keputusan.



BAB II PEMBAHASAN A.



Definisi 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. Selanjutnya, 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 satusatunya 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. B.



Tujuan Pohon Keputusan Pohon keputusan dikembangkan untuk membantu pengambil keputusan



membuat serangkaian keputusan yang melibatkan peristiwa ketidakpastian. Pohon keputusan adalah suatu peralatan yang mengambarkan secara grafik berbagai kegiatan yang dapat diambil dan dihubungkan dengan kegiatan ini dengan berbagai peristiwa di waktu mendatang yang dapat terjadi. Seperti dalam teknik



riset operasi, pohon keputusan tidak akan membuat keputusan bagi pengambil keputusan, kebijakan masih akan diperlukan. Bagaimanapun dalam berbagai situasi yang tepat, penggunaan pohon keputusan akan mengurangi kekacauan potensial dalam suatu masalah kompleks dan memungkinkan pengambil keputusan menganalisis masalah secara rasional Sebuah pohon keputusan adalah sebuah struktur yang dapat digunakan untuk membagi kumpulan data yang besar menjadi himpunan-himpunan record yang lebih kecil dengan menerapkan serangkaian aturan-aturan keputusan. Dengan masing-masing rangkaian pembagian. C.



Kelebihan dan Kekurangan Pohon Keputusan 1. Kelebihan Pohon Keputusan Kelebihan dari metode pohon keputusan adalah: a) Daerah pengambilan keputusan yang sebelumnya kompleks dan sangat global, dapat diubah menjadi lebih simpel dan spesifik. b) Eliminasi perhitungan-perhitungan yang tidak diperlukan, karena ketika menggunakan metode pohon keputusan maka sample diuji hanya berdasarkan kriteria atau kelas tertentu. c) Fleksibel untuk memilih fitur dari internal node yang berbeda, fitur yang terpilih akan membedakan suatu kriteria dibandingkan kriteria yang lain dalam node yang sama. 2. Kekurangan Pohon Keputusan a) 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. b) Pengakumulasian jumlah eror dari setiap tingkat dalam sebuah pohon keputusan yang besar. c) Kesulitan dalam mendesain pohon keputusan yang optimal. d) Hasil kualitas keputusan yang didapatkan dari metode pohon keputusan sangat tergantung pada bagaimana pohon tersebut didesain.



D.



Prosedur Pembentukan Pohon Keputusan Decision tree adalah sebuah struktur pohon, dimana setiap node pohon



merepresentasikan atribut yang telah diuji, setiap cabang merupakan suatu pembagian hasil uji, dan node daun (leaf) merepresentasikan kelompok kelas tertentu. Level node teratas dari sebuah decision tree adalah node akar (root) yang biasanya berupa atribut yang paling memiliki pengaruh terbesar pada suatu kelas tertentu. Pada umumnya decision tree melakukan strategi pencarian secara topdown untuk solusinya. Pada proses mengklasifikasi data yang tidak diketahui, nilai atribut akan diuji dengan cara melacak jalur dari node akar (root) sampai node akhir (daun) dan kemudian akan diprediksi kelas yang dimiliki oleh suatu data baru tertentu. Data dalam pohon keputusan biasanya dinyatakan dalam bentuk tabel dengan atribut dan record. Atribut menyatakan suatu parameter yang dibuat sebagai kriteria dalm pembentukan pohon keputusan. Misalkan atribut cuaca mempunyai instance berupa cerah, berawan dan hujan (Basuki dan Syarif, 2003). Proses pada pohon keputusan adalah mengubah bentuk data (tabel) menjadi model pohon, mengubah model pohon menjadi rule, dan menyederhanakan rule (Basuki dan Syarif, 2003). Dalam membangun decision tree menggunakan algoritma ID3 atau C4.5, yang diperkenalkan dan dikembangkan pertama kali oleh Ros Quinlan yang merupakan singkatan dari Iteractive Dichotomiser 3 atau Induction of Decision 3. Strategi pembentukan decision tree dengan algoritma ID3 adalah: 1. Pohon dimulai sebagai node tunggal (akar/root ) yang merepresentasikan semua data. 2. Sesudah node root dibentuk, maka data pada node akar akan diukur dengan information gain untuk dipilih atribut mana yang akan dijadikan atribut pembaginya. 3. Sebuah cabang dibentuk dari atribut yang dipilih menjadi pembagi dan data akan didistribusikan ke dalam cabang masing-masing.



4. Algoritma ini akan terus menggunakan proses yang sama atau bersifat rekursif untuk dapat membentuk sebuah decision tree. ketika sebuah atribut telah dipilih menjadi node pembagi atau cabang, maka atribut tersebut tidak diikutkan lagi dalam penghitungan nilai information gain. 5. Proses pembagian rekursif akan berhenti jika salah satu dari kondisi di bawah ini terpenuhi: a. Semua data dari anak cabang telah termasuk dalam kelas yang sama. b. Semua atribut telah dipakai, tetapi masih tersisa data dalam kelas yang berbeda. Dalam kasus ini, diambil data yang mewakili kelas terbanyak untuk dijadikan label kelas. c. Tidak terdapat data pada anak cabang yang baru. Dalam kasus ini, node daun akan dipilih pada cabang sebelumnya dan diambil data yang mewakili kelas terbanyak untuk dijadikan label kelas. E.



Model Pohon Keputusan Pohon keputusan adalah model prediksi menggunakan struktur pohon atau



struktur berhirarki. Disini setiap percabangan menyatakan kondisi yang harus dipenuhi dan tiap ujung pohon menyatakan kelas data. 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



F.



Contoh Soal Pohon Keputusan Pak Tukul berniat untuk mengasuransikan isi rumahnya terhadap ancaman pencurian. Estimasi total nilai harta benda yang ada di rumahnya sebesar Rp. 40.000.000. Statistik kejahatan di daerah tempat tinggal pak Tukul menunjukkan bahwa peluang terjadinya pencurian hanyalah 0.03 per tahun. Jika terjadi pencurian, ada tiga kemungkinan bahwa harta yang dicuri nilainya adalah 10%, 20% atau 40% dari nilai total harta pemilik rumah, dengan probabilitas kejadian masing-masing sebesar 0.50;0.35 dan 0.15. Berikut ini penawaran dari tiga perusahaan asuransi yang sedang mempertimbangkan: 1. Perusahaan A: biaya premi Rp. 300.000 per tahun, menjamin akan mengganti seluruh kerugian yang diderita pemilik rumah tanpa kecuali 2. Perusahaan B: biaya premi lebih murah yaitu Rp. 200.000 per tahun akan mengganti seluruh kerugian, namun pemilik rumah harus membayar biaya tambahan Rp. 100.000 per kejadian pencurian. 3. Perusahaan C: biaya premi paling murah yaitu Rp. 150.000 per tahun, namun hanya mengganti sebagian (40%) dari total kerugian yang diderita pemilik rumah. Asumsikan bahwa pencurian hanya terjadi 1 tahun. Estimasi total nilai harta benda yang ada dirumahnya sebesar Rp. 40.000.000.



BAB III PENUTUP A.



Kesimpulan Dapat dilihat bahwa menggunakan pohon keputusan sebagai support tool



dalam menganalis suatu masalah pengambilan keputusan dapat sangat membantu kita dalam melakukan pengambilan keputusan. Kegunaan pohon keputusan yang dapat melihat berbagai macam alternatif keputusan-keputusan yang dapat kita ambil serta mampu memperhitungkan nilai-nilai dari faktor-faktor yang mempengaruhi alternatif-alternatif keputusan tersebut adalah sangat penting dan berguna, karena membuat kita dapat mengetahui alternatif mana yang paling menguntungkan untuk kita ambil. Pohon keputusan juga dapat dipergunakan untuk memperhitungkan dan melakukan analisa terhadap resiko-resiko yang mungkin muncul dalam suatu alternatif pemilihan keputusan. Selain itu, pohon keputusan juga dapat dipakai untuk memperhitungkan berapa nilai suatu informasi tambahan yang mungkin kita perlukan agar kita dapat lebih mampu dalam membuat suatu pilihan keputusan dari suatu alternatif-alternatif keputusan yang ada.



DAFTAR PUSTAKA Unknown. 2013. Tentang Pohon Keputusan (Decision Tree). Diambil dari: https://dua7an.blogspot.com/2013/12/tentang-pohon-keputusan-decisiontree.html Unknown.



2012.



Makalah



Pohon



Keputusan.



Diambil



https://veriyenpaone.blogspot.com/2012/11/makalah-pohonkeputusan_18.html



dari: