TEORI PERTEMUAN 11 DAN 12

TEORI TREE

tree merupakan suatu metode klasifikasi yang menggunakan struktur pohon, dimana setiap node merepresentasikan atribut dan cabangnya merepresentasikan nilai dari atribut, sedangkan daunnya digunakan untuk merepresentasikan kelas. Node teratas dari decision tree ini disebut dengan root.

Breiman et al. (1984) menyatakan bahwa metode ini merupakan metode yang sangat populer untuk digunakan karena hasil dari model yang terbentuk mudah untuk dipahami. Dinamai pohon keputusan karena aturan yang dibentuk mirip dengan bentuk pohon. Pohon dibentuk dari proses penyortiran rekursif biner dalam kelompok data, sehingga nilai variabel respons di setiap kelompok data membuat hasil penyortiran menjadi lebih homogen.

Konsep dari pohon keputusan adalah mengubah data menjadi decision tree dan aturan-aturan keputusan. Manfaat utama dari menggunakan pohon keputusan adalah kemampuan untuk menyederhanakan proses pengambilan keputusan yang kompleks sehingga pembuat keputusan dapat menafsirkan solusi untuk masalah.

Nama lain dari decision tree adalah CART (Classification and Regression Tree). Metode ini merupakan kombinasi dari dua spesies pohon, pohon klasifikasi dan pohon regresi. Demi kesederhanaan.

Jenis-jenis node decision tree

1. Akar

Akar merupakan node teratas, tidak ada input pada simpul ini dan tidak ada output atau bisa memiliki output lebih dari satu.

2. Internal Node

Internal node ini merupakan node percabangan, hanya ada satu input dan setidaknya dua output di node ini.

3. Daun

Daun merupakan node akhir atau terminal node, hanya ada satu input dan tidak ada output (simpul akhir) pada simpul ini.

Tahap Pembentukan Decision Tree

1. Konstruksi pohon diawali dengan pembentukan akar (terletak paling atas). Kemudian data dipecah menggunakan atribut yang cocok untuk digunakan sebagai lembar.

2. Pemangkasan pohon (tree pruning) yaitu mengidentifikasikan dan membuang cabang yang tidak diperlukan pada pohon yang telah terbentuk. Ini karena pohon keputusan yang dibuat bisa besar sehingga dapat disederhanakan dengan pemangkasan berdasarkan nilai kepercayaan (level kepercayaan). Penanaman pohon dilakukan selain mengurangi ukuran pohon untuk juga mengurangi tingkat kesalahan prediksi dalam kasus-kasus baru dari hasil pemecahan split dan larutan.

3. Pembentukan aturan keputusan yaitu membuat aturan keputusan dari pohon yang telah dibentuk. Aturannya bisa dalam bentuk if-then yang diturunkan dari pohon keputusan dengan menelusuri dari akar ke daun. Untuk setiap node dan cabang, jika ditentukan, maka nilai sheet dimasukkan. Setelah semua aturan dibuat, aturan dapat disederhanakan atau digabungkan.

Pohon keputusan adalah model klasifikasi paling populer karena dapat dengan mudah ditafsirkan oleh manusia. Banyak algoritma dapat digunakan untuk membangun pohon keputusan seperti ID3, C4.5, CART, dan GUIDE.

Manfaat Decision Tree

Decision tree juga berguna untuk mengeksplorasi data, menemukan hubungan tersembunyi antara sejumlah calon variabel input dengan sebuah variabel target. Pohon keputusan menggabungkan eksplorasi data dan pemodelan yang menjadikannya langkah pertama yang sangat baik dalam proses pemodelan bahkan ketika digunakan sebagai model akhir untuk beberapa teknik lainnya.

Dalam beberapa aplikasi, akurasi dari sebuah klasifikasi atau prediksi adalah satu-satunya hal yang ditonjolkan dalam metode ini, Misalnya perusahaan surat langsung membuat model yang akurat untuk memprediksi anggota mana yang berpotensi merespons permintaan terlepas dari bagaimana atau mengapa model itu berfungsi.

Kelebihan lain dari metode ini adalah mampu mengeliminasi perhitungan atau data-data yang kiranya tidak diperlukan. Karena sampel yang ada biasanya hanya diuji berdasarkan kriteria atau kelas tertentu.

Meski memiliki banyak kelebihan, namun bukan berarti metode ini tidak memiliki kekurangan. Pohon keputusan ini mungkin tumpang tindih, terutama jika kelas dan kriteria yang digunakan sangat sering dapat meningkatkan waktu pengambilan keputusan sesuai dengan kapasitas memori yang diperlukan.

Kelebihan dan Kekurangan Decision Tree

Kelebihan Descion Tree:

1. Integrasi yang mudah ke dalam sistem basis data.
2. Memiliki akurasi yang baik.
3. Dapat menemukan kombinasi data yang tidak terduga.
4. Area keputusan yang sebelumnya kompleks dan sangat global dapat dibuat lebih sederhana dan lebih spesifik.
5. Dapat menghilangkan perhitungan yang tidak diperlukan. Karena dengan metode ini, sampel hanya diuji berdasarkan kriteria atau kelas tertentu.
6. Dengan pemilihan fitur yang fleksibel dari node internal yang berbeda, fitur yang dipilih membedakan kriteria dari kriteria lain di node yang sama.

Kekurangan Descion Tree:

1. Tumpang tindih terjadi terutama ketika sangat banyak kelas dan kriteria digunakan. Ini juga dapat menyebabkan waktu keputusan yang lebih lama dan memori yang dibutuhkan.
2. Akumulasi jumlah kesalahan dari setiap level dalam pohon keputusan besar.
3. Kesulitan dalam merancang pohon keputusan yang optimal.
4. Hasil kualitas keputusan yang diperoleh dengan metode pohon keputusan sangat tergantung pada bagaimana pohon itu dirancang.

Decision Tree Terdiri dari Tiga Jenis Simpul

1. Simpul keputusan — biasanya diwakili oleh kotak
2. Simpul peluang — biasanya diwakili oleh lingkaran
3. Simpul akhir — biasanya diwakili oleh segitiga

Penerapan Decision Tree

Decision tree atau pohon keputusan adalah alat pendukung keputusan yang menggunakan model keputusan yang berbentuk seperti pohon. Pohon keputusan menggambarkan berbagai alternatif yang mungkin untuk mengatasi suatu masalah dan ada juga faktor-faktor potensial yang dapat memengaruhi alternatif tersebut bersama dengan perkiraan akhirnya ketika suatu alternatif dipilih. Pohon keputusan adalah metode yang dapat digunakan untuk menampilkan algoritma yang hanya berisi pernyataan kontrol bersyarat.

Penggunaan Decision tree ini umunya dalam riset operasi, khususnya dalam analisis keputusan. Tujuan menggunakan pohon keputusan adalah untuk mengidentifikasi strategi yang paling mungkin untuk mencapai tujuan dan merupakan alat yang populer dalam pembelajaran mesin.

Decision tree merupakan struktur seperti bagan alur dimana setiap simpul internal mewakili kemungkinan yang ada pada atribut, masing-masing cabang mewakili hasil dari kemungkinan itu dan setiap simpul daun mewakili nama kelas (keputusan dibuat setelah semua atribut telah dihitung). Jalur dari root ke leaf mewakili aturan klasifikasi.

Dalam analisis keputusan, decision tree dan diagram yang terkait dengan itu digunakan sebagai alat pendukung keputusan visual dan analitis, dimana akan dihitungnya nilai atau utilitas yang diharapkan dari alternatif yang ada.