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.
Pohon keputusan juga dapat
digunakan untuk
memperhitungkan analisa resiko dan tingkat utilitas yang ada pada suatu
alternatif pengambilan keputusan. Selain itu, pohon
keputusan juga dapat memperhitungkan nilai dari informasi tambahan yang mungkin akan kita pergunakan dalam mengambil salah
satu dari alternatif keputusan yang ada di dalam pohon keputusan tersebut.
Kemampuan untuk menganalisa alternatif pengambilan keputusan yang ada dengan memperhitungkan faktor-faktor yang ada
termasuk analisa resiko dan analisa informasi yang ada serta mampu memberikan estimasi hasil akhir dari suatu
alternatif pengambilan keputusan membuat pohon
keputusan ini
sebuah support tool yang sangat berguna dalam memecahkan masalah pengambilan keputusan.
2.2.2. Skema Decision Tree
Skema dan struktur pohon keputusan adalah suatu permodelan dari struktur pohon menurut teori graf.
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
Gambar 2.2 Skema decision tree
Berdasarkan teori graf, definisi pohon adalah “sebuah graf, tak- berarah, terhubung, yang tidak mengandung sirkuit” Graf adalah suatu
representasi visual dari objek-objek diskrit yang dinyatakan dengan noktah, bulatan, atau titik, serta hubungan yang ada antara objek-objek
tersebut.
Hartanto Wirawan, ST
Decision tree adalah struktur flowchart yang menyerupai tree pohon, dimana setiap simpul internal menandakan suatu tes pada
atribut, setiap cabang merepresentasikan hasil tes, dan simpul daun merepresentasikan kelas atau distribusi kelas. Alur pada decision tree
di telusuri dari simpul akar ke simpul daun yang memegang prediksi kelas untuk contoh tersebut. Decision tree mudah untuk dikonversi ke
aturan klasifikasi classification rules.
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
2.2.3. Konsep Decision Tree
Mengubah data menjadi sebuah pohon keputusan Decision
Tree dan aturan-aturan keputusan rule Gambar 2.3.
Gambar 2.3 Konsep decision tree
Salah satu pemanfaatannya adalah, dengan menyusun sebuah rule, kita dapat menentukan apakah seseorang mempunyai potensi
untuk menderita hipertensi atau tidak berdasarkan data usia , berat badan dan jenis kelamin. Irul. Sioju. 2010
2.2.4. Konsep Data Dalam Decision Tree
Data dinyatakan dalam bentuk tabel dengan atribut dan record. Atribut menyatakan suatu parameter yang dibuat sebagai kriteria dalam
pembentukan tree. 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 dengan target atribut. Atribut memiliki nilai-nilai yang
dinamakan dengan instance. Misalkan atribut cuaca mempunyai
instance berupa cerah, berawan dan hujan.
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
Agar lebih jelas, berikut diberikan contoh data langsung dalam
bentuk tabelnya Gambar 2.4.
Gambar 2.4 Contoh konsep decision tree dalam data
Entropy bisa dikatakan sebagai kebutuhan bit untuk menyatakan suatu kelas. Semakin kecil nilai entropy maka semakin
baik digunakan untuk mengekstraksi suatu kelas. EntropyS adalah jumlah bit yang diperkirakan dibutuhkan untuk dapat mengekstrak
suatu kelas + atau - dari sejumlah data acak pada ruang sample S. Dimana S adalah ruang data sample yang digunakan untuk training.
P+ adalah jumlah yang bersolusi positif mendukung pada data sample untuk kriteria tertentu. P- adalah jumlah yang bersolusi negatif
tidak mendukung pada data sample untuk kriteria tertentu. Dan besarnya Entropy pada ruang sample S didefinisikan dengan:
EntropyS = -p+ log2 p+ - p- log2 p-
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
Entropy ini selanjutnya juga digunakan untuk menentukan atribut mana dari data yang ada yang akan dijadikan sebagai node root.
Agar lebih jelas dalam penggunaannya, selanjutnya akan diberikan sebuah contoh penggunaan decision tree untuk menentukan penderita
hipertensi. Mulai dari tabelnya, penghitungan entropy untuk menentukan root, pembentukan Decision Treenya sampai pembuatan
rules nya. Irul. Sioju. 2010
2.2.5. Manfaat Decision Tree
