Reduct Computation Algorithm RCA Pohon Keputusan Decision Tree

Walaupun banyak variasi model pohon keputusan dengan tingkat kemampuan dan syarat yang berbeda, pada umumnya beberapa ciri kasus berikut cocok untuk diterapkan dengan pohon keputusan: a. Data example dinyatakan dengan pasangan atribut dan nilainya. b. Label output data bisaanya bernilai diskrit. c. Data mempunyai missing value. 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 node internal 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 d. Dalam analisis multivariat, dengan kriteria dan kelas yang jumlahnya sangat banyak, seorang penguji bisaanya 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 kriteria yang jumlahnya lebih sedikit pada setiap node internal tanpa banyak mengurangi kualitas keputusan yang dihasilkan. Kekurangan dari metode pohon keputusan adalah: a. Terjadi overlap terutama ketika kelas-kelas dan kriteria 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.

2.7 Contoh Penerapan Algoritma

a. Baca tabel keputusan T1 Pada langkah yang pertama ini seperti yang ditunjukkan pada tabel 2.6, data awal dengan atribut keputusannya digunakan sebagai data input. Tabel 2.6 Contoh data tabel T1 ID a b c d E X 1 1 2 1 1 X 2 1 2 1 X 3 1 2 2 X 4 1 2 2 1 X 5 2 1 2 X 6 2 1 1 2 X 7 2 1 2 1 1 b. Urutkan data secara ascending berdasarkan atribut keputusan Selanjutnya data diurutkan secara urut dari keputusan yang paling rendah sampai ke yang keputusannya paling tinggi seperti pada table 2.7, fungsi pengurutan ini adalah untuk meningkatkan efisiensi setiap membandingkan antar objek. Tabel 2.7 Atribut data diurutkan berdasarkan keputusan ID a b c d E X 4 1 2 2 1 X 1 1 2 1 1 X 2 1 2 1 X 7 2 1 2 1 1 X 3 1 2 2 X 5 2 1 2 X 6 2 1 1 2 Setelah data diurutkan, maka dibentuk menjadi discernibility matrix , setiap atribut antar objek yang berbeda dimasukkan kedalam table discernibility matrix seperti pada gambar 2.8 dibawah ini Tabel 2.8 Dircernibility matrix X 4 X 1 X 2 X 7 X 3 X 5 X 1 b X 2 b, d - X 7 a, b - X 3 c,d b, c, d b, c a, b, c, d X 5 a, b, c, d a, b, c, d a, b, c c,d - X 6 a, b, c, d a, b, c, d a, b, c c,d - - Langkah selanjutnya adalah melakukan konversi tabel discernibility matrix tabel 2.8 sebelumnya menjadi BM dan cari maksimal setiap atribut yang akan dijadikan sebagai SPA seperti pada tabel 2.9 berikut. Tabel 2.9 Boolean matriks dengan maksimal b dan c atribut a b c d X 4 X 1 1 X 4 X 2 1 1 X 4 X 7 1 1 X 4 X 3 1 1 X 4 X 5 1 1 1 1 X 4 X 6 1 1 1 1 X 1 X 3 1 1 1 X 1 X 5 1 1 1 1 X 1 X 6 1 1 1 1 X 2 X 3 1 1 X 2 X 5 1 1 1 X 2 X 6 1 1 1 X 7 X 3 1 1 1 1 X 7 X 5 1 1 X 7 X 6 1 1 SUM 8 12 12 10 {b, c} Selanjutnya setiap atribut „b‟ dan „c‟ yang bernila satu akan dihapus, sehingga hasilnya menjadi seperti tabel 2.10 dan 2.11 dibawah ini. Tabel 2.10 Boolean matrix yang nilai atribut b dan c adalah 1 dihapus a b c d X 4 X 1 1 X 4 X 2 1 1 X 4 X 7 1 1 X 4 X 3 1 1