Pohon keputusan

Pohon keputusan atau (bahasa Inggris: decision tree) merupakan metode klasifikasi menjadi salah satu yang terpopuler karena mudah dipahami. Pohon keputusan adalah metode pengambilan keputusan yang menyusun setiap opsi menjadi bentuk yang bercabang. Dengan begitu membuat metode ini disebut pohon keputusan. Karena bentuknya seperti pohon dan mempunyai banyak cabang dibagian ranting maupun bagian akarnya.^[1]

Konsep

Konsep dari pohon keputusan adalah dilihat dari cara menyajikan algoritma dengan pernyataan bersyarat, yang terdiri dari beberapa cabang yang mewakili langkah-langkah dalam pengambilan keputusan yang mengarah pada hasil yang menguntungkan.^[2]

Pohon keputusan bekerja paling baik apabila mengikuti aturan diagram alur dasar:

Persegi panjang atau bujur sangkar: merupakan awal pohon tempat dimana menulis pertanyaan.
Garis: merupakan perwakilan dari cabang-cabang pohon.
Lingkaran: merupakan penanda hasil yang tidak pasti bahwa saudara membutuhkan cabang tambahan yang digunakan untuk klarifikasi.
Segitiga: berikan jawaban yang jelas dan final. Segitiga disebut juga daun.^[2]

Metode

Metode decision tree terdiri dari 3 komponen yakni akar (root node), ranting (branches) dan daun (leaf node). Berikut ini penjelasan dari komponen-komponen tersebut:^[3]

Root node atau akar: keputusan apa yang ingin di ambil
Branches atau ranting: Root node akan membuat cabang baru yang disebut dengan ranting. Dan pada komponen ini juga saudara membuat berbagai macam kemungkinan atau konsekuensi yang diperoleh dari pengambilan keputusan tersebut.
Leaf Node atau daun: saudara harus membuat cabang tambahan yang disebut dengan leaf node atau daun yang digunakan untuk menjelaskan masing-masing konsekuensi atau Tindakan yang saudara pilih.

Manfaat utama dari penggunaan decision tree adalah kemampuannya dalam mem-break down proses pengambilan keputusan yang kompleks menjadi sederhana sehingga pengambilan keputusan akan memberikan solusi dari suatu permasalahan.^[3]

Jenis pohon keputusan

Ada 2 jenis pohon keputusan atau decision tree didasarkan pada variabel target yakni:^[4]

Pohon keputusan (decision tree) variabel kategori merupakan pohon keputusan variabel kategori termasuk bagian dari variabel target kategori yang dibagi ke dalam kategori contohnya, kategorinya bisa ya atau tidak. Kategori bermakna bahwa setiap proses keputusan jatuh kedalam salah satu kategori.
Pohon keputusan (decision tree) variabel kontinu merupakan pohon keputusan dengan variabel target kontinu. Contohnya pendapatan individu yang pendapatannya tidak diketahui namun dapat diprediksi berdasarkan informasi seperti pekerjaan, usia, produk dan berbagai variabel lainnya.^[4]

Dari dua jenis pohon keputusan di atas dapat disimpulkan bahwa variabel kategori memiliki target sesuai dengan kategori yang ada dan dipilih, sedangkan variabe kontinu bersifat tidak dapat diprediksi sesuai dengan informasi yang telah ada.^[4]

Cara membuat pohon keputusan

Cara membuat decision tree harus menetapkan variabel dan nilai yang mana nanti akan dirangkum sehingga variabel dan nilai tersebut dapat ditentukan melalui decision tree tersebut. Berikut adalah cara membuat decision tree.^[5]

Dimulai dengan membuat pertanyaan atau ide, langkah pertama ini berguna demi membuat gambaran awal apa yang akan dilakukan. Biasanya dimulai dengan menggambar persegi panjang untuk membuat pertanyaan ataupun ide didalam persegi panjang tersebut.
Tambahkan cabang, dengan menambahkan cabang akan menentukan suatu tindakan apa yang akan diambil pada decision tree tersebut.
Tambahkan simpul keputusan cabang, dengan menambahkan simpul keputusan cabang, maka pertimbankanlah hasilnya dengan menambahkan node yang aka digunakan dalam decision tree dengan ketentuan sebagai berikut:
- Apabila keputusannya belum jelas, maka gambarlah lingkaran kecil di ujung garis.
- Jika perlu membuat keputusan lain, maka gambarlah persegi di ujung garis.
- Apabila solusi telah selesai diakhir garis, maka biarkan ujung garis kosong.
Tetapkan nilai, hal ini dilakukan jika semua garis sudah menemukan solusinya, maka tahap selanjutnya yakni menetapkan nilai untuk setiap hasil. Dan jangan lupa tambahkan segitiga untuk menambahkan titik akhir.^[5]

Kelebihan dan Kelemahan

Pohon keputusan atau decision tree memiliki kelebihan dan kekurangan sebagai berikut.^[6]

Kelebihan dari metode pohon keputusan

Dari pengambilan keputusan sebelumnya yang rumit maka dapat diubah kedalam bentuk yang lebih sederhana dan spesifik.
Dapat digunakan untuk mengeliminasi data yang tidak diperlukan.
Lebih mudah memperoleh sebuah kesimpulan.^[6]

Kelemahan dari metode pohon keputusan

Terjadinya overlap jika terlalu banyak data yang digunakan.
Sulit mendesain pohon keputusan yang optimal.
Hasil kualitas keputusan sangat bergantung pada bagaimana pohon keputusan tersebut didesain.^[6]

Referensi

^ Makar, A. B.; McMartin, K. E.; Palese, M.; Tephly, T. R. (1975-06). "Formate assay in body fluids: application in methanol poisoning". Biochemical Medicine. 13 (2): 117–126. doi:10.1016/0006-2944(75)90147-7. ISSN 0006-2944. PMID 1.
^ ^a ^b Hans, Rizal. "Intip Jenis Teknik Analisis Data yang Sedang Trend, Decision Tree!". www.dqlab.id. Diakses tanggal 2022-12-11.
^ ^a ^b Smith, R. J.; Bryant, R. G. (1975-10-27). "Metal substitutions incarbonic anhydrase: a halide ion probe study". Biochemical and Biophysical Research Communications. 66 (4): 1281–1286. doi:10.1016/0006-291x(75)90498-2. ISSN 0006-291X. PMC 9650581  Periksa nilai |pmc= (bantuan). PMID 3.
^ ^a ^b ^c Wiesmann, U. N.; DiDonato, S.; Herschkowitz, N. N. (1975-10-27). "Effect of chloroquine on cultured fibroblasts: release of lysosomal hydrolases and inhibition of their uptake". Biochemical and Biophysical Research Communications. 66 (4): 1338–1343. doi:10.1016/0006-291x(75)90506-9. ISSN 1090-2104. PMID 4.
^ ^a ^b Hendrickson, W. A.; Ward, K. B. (1975-10-27). "Atomic models for the polypeptide backbones of myohemerythrin and hemerythrin". Biochemical and Biophysical Research Communications. 66 (4): 1349–1356. doi:10.1016/0006-291x(75)90508-2. ISSN 1090-2104. PMID 5.
^ ^a ^b ^c Chow, Y. W.; Pietranico, R.; Mukerji, A. (1975-10-27). "Studies of oxygen binding energy to hemoglobin molecule". Biochemical and Biophysical Research Communications. 66 (4): 1424–1431. doi:10.1016/0006-291x(75)90518-5. ISSN 0006-291X. PMID 6.

[1] Makar, A. B.; McMartin, K. E.; Palese, M.; Tephly, T. R. (1975-06). "Formate assay in body fluids: application in methanol poisoning". Biochemical Medicine. 13 (2): 117–126. doi:10.1016/0006-2944(75)90147-7. ISSN 0006-2944. PMID 1.

[:0-2] Hans, Rizal. "Intip Jenis Teknik Analisis Data yang Sedang Trend, Decision Tree!". www.dqlab.id. Diakses tanggal 2022-12-11.

[:1-3] Smith, R. J.; Bryant, R. G. (1975-10-27). "Metal substitutions incarbonic anhydrase: a halide ion probe study". Biochemical and Biophysical Research Communications. 66 (4): 1281–1286. doi:10.1016/0006-291x(75)90498-2. ISSN 0006-291X. PMC 9650581  Periksa nilai |pmc= (bantuan). PMID 3.

[:2-4] Wiesmann, U. N.; DiDonato, S.; Herschkowitz, N. N. (1975-10-27). "Effect of chloroquine on cultured fibroblasts: release of lysosomal hydrolases and inhibition of their uptake". Biochemical and Biophysical Research Communications. 66 (4): 1338–1343. doi:10.1016/0006-291x(75)90506-9. ISSN 1090-2104. PMID 4.

[:3-5] Hendrickson, W. A.; Ward, K. B. (1975-10-27). "Atomic models for the polypeptide backbones of myohemerythrin and hemerythrin". Biochemical and Biophysical Research Communications. 66 (4): 1349–1356. doi:10.1016/0006-291x(75)90508-2. ISSN 1090-2104. PMID 5.

[:4-6] Chow, Y. W.; Pietranico, R.; Mukerji, A. (1975-10-27). "Studies of oxygen binding energy to hemoglobin molecule". Biochemical and Biophysical Research Communications. 66 (4): 1424–1431. doi:10.1016/0006-291x(75)90518-5. ISSN 0006-291X. PMID 6.

[1]

[2]

[3]

[4]

[5]

[6]