Anda di halaman 1dari 22

MAKALAH SISTEM PAKAR

POHON KEPUTUSAN

Oleh :
Novita (12111001)
Joko Trisusilo (12111987)
Miftahur Rohman (12110992)
Muhammad Ikrimashabri (12110999)
Yovi Citra Nengsih (12111022)

SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN ILMU KOMPUTER


EL RAHMA
YOGYAKARTA
2014
KATA PENGANTAR

Alhamdulillah, segala puji hanyala milik Allah, yang selalu melimpahkan rahmat dan
hidayah-nya, sehingga penyusun dapat menyelesaikan penulisan makalah yang berjudul
Pohon Keputusan. Penulisan makalah ini disusun untuk melengkapi atau salah satu tugas
dari matakuliah Sistem Pakar. Dalam penulisan makalah ini penyusun akan menjelaskan
tentang Pohon Keputusan.

Kami sebagai penyusun sangat menyadari dalam penulisan masih terdapat


kekurangan dan jauh dari sempurna, Oleh karena itu, saran dan kritik yang membangun dari
rekan-rekan sangat dibutuhkan untuk perbaikan di kemudian hari. Semoga Allah SWT selalu
melindungi kita semua dalam rahmat dan karunia-Nya. Akhir kata , penyusun menyampaikan
permohonan maaf yang sebesar-besarnya atas kesalahan baik yang disengaja maupun tidak
disengaja dalam penyusunan makalah ini. Semoga makalah ini, ilmunya dapat bermanfaat
bagi semua pembaca.
BAB 1
PENDAHULUAN

1.1 LATAR BELAKANG

Di dalam kehidupan manusia sehari-hari, manusia selalu dihadapkan oleh


berbagai macam masalah dari berbagai macam bidang. Masalah-masalah ini yang
dihadapi oleh manusia tingkat kesulitan dan kompleksitasnya sangat bervariasi, mulai
dari yang teramat sederhana dengan sedikit faktor-faktor yang berkaitan dengan
masalah tersebut dan perlu diperhitungkan sampai dengan yang sangat rumit dengan
banyak sekali faktor-faktor turut serta berkaitan dengan masalah tersebut dan perlu
untuk diperhitungkan. Untuk menghadapi masalah-masalah ini, manusia mulai
mengembangkan sebuah sistem yang dapat membantu manusia agar dapat dengan
mudah mampu untuk menyelesaikan masalah-masalah tersebut. Adapun pohon
keputusan ini adalah sebuah jawaban akan sebuah sistem 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. Peranan pohon keputusan ini sebagai alat Bantu dalam mengambil
keputusan (decision support tool) telah dikembangkan oleh manusia sejak
perkembangan teori pohon yang dilandaskan pada teori graf. Kegunaan pohon
keputusan yang sangat banyak ini membuatnya telah dimanfaatkan oleh manusia
dalam berbagai macam sistem pengambilan keputusan.

1.2 RUMUSAN MASALAH


Adapun rumusan masalah adalah sebagai berikut
a. Definsi Pohon keputusan dan Manfaat Pohon keputusan
b. Kelebihan Pohon keputusan
c. Model pohon keputusan

1.3 BATASAN MASALAH


Agar pembahasan lebih fokus maka di berikan batasan masalah yaitu
membahas Pohon Keputusan.
1.4 TUJUAN DAN MANFAAT
Adapun tujuan dan manfaat dari pembuatan makalah ini, yaitu agar lebih
memahami dan mendalami apa itu Pohon keputusan.
BAB 2
LANDASAN TEORI

2.1. SISTEM PAKAR


Sistem pakar (expert systems) adalah sistem yang berusaha mengadopsi
pengetahuan manusia ke komputer, agar komputer dapat menyelesaikan masalah
seperti yang biasa dilakukan oleh para ahli. Sistem pakar yang baik dirancang agar
dapat menyelesaikan suatu permasalahan tertentu dengan meniru kerja dari para ahli.

2.2. POHON KEPUTUSAN


Pohon keputusan merupakan salah satu bentuk semantik, yaitu metoda untuk
mempresentasikan pengetahuan yang berupa gambaran dari suatu pengetahuan yang
memperlihatkan hubungan dari objek-objek. Objek tersebut dipresentasikan dalam
bentuk node dan hubungan antar objek dinyatakan dengan garis penghubung.
BAB 3
PEMBAHASAN

3.1 DEFINISI POHON KEPUTUSAN

Pohon keputusan merupakan metode klasifikasi dan prediksi yang sangat kuat
dan terkenal. Metode pohon keputusan mengubah fakta yang sangat besar menjadi
pohon keputusan yang sangat merepresentasikan aturan. Aturan dapat dengan mudah
dipahami dengan bahasa alami. Dan mereka juga dapat diekspresikan dalam bentuk
bahasa basis data seperti Structured Query language untuk mencari record pada
kategori tertentu.

Pohon keputusan juga berguna untuk mengeksplorasi data, menemukan


hubungan tersembunyi antara sejumlah calon variabel input dengan sebuah variabel
target. Karena pohon keputusan memadukan antara eksplorasi data dan pemodelan,
maka sangat bagus sebagai langkah awal dalam proses pemodelan bahkan ketika
dijadikan sebagai model akhir dari beberapa tehnik lain.

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.

3.2 MANFAAT POHON 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. 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 satu-satunya 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.

3.3 KELEBIHAN POHON KEPUTUSAN

Kelebihan dari metode pohon keputusan adalah:

Daerah pengambilan keputusan yang sebelumnya kompleks dan sangat global, dapat
diubah menjadi lebih simpel dan spesifik.
Eliminasi perhitungan-perhitungan yang tidak diperlukan, karena ketika
menggunakan metode pohon keputusan maka sample diuji hanya berdasarkan
kriteria atau kelas tertentu.

Fleksibel untuk memilih fitur dari internal node 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

Dalam analisis multivariat, dengan kriteria dan kelas yang jumlahnya sangat banyak,
seorang penguji biasanya 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
criteria yang jumlahnya lebih sedikit pada setiap node internal tanpa banyak
mengurangi kualitas keputusan yang dihasilkan.

3.4 KEKURANGAN POHON KEPUTUSAN

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.
Pengakumulasian jumlah eror dari setiap tingkat dalam sebuah pohon keputusan
yang besar.

Kesulitan dalam mendesain pohon keputusan yang optimal.


Hasil kualitas keputusan yang didapatkan dari metode pohon keputusan sangat
tergantung pada bagaimana pohon tersebut didesain.

3.5 MODEL POHON KEPUTUSAN

Pohon keputusan adalah model prediksi menggunakan struktur pohon atau


struktur berhirarki. Contoh dari pohon keputusan dapat dilihat di Gambar berikut
ini.

Model Pohon Keputusan (Pramudiono,2008)

Disini setiap percabangan menyatakan kondisi yang harus dipenuhi


dan tiap ujung pohon menyatakan kelas data. Contoh di Gambar 1 adalah
identifikasi pembeli komputer,dari pohon keputusan tersebut diketahui bahwa
salah satu kelompok yang potensial membeli komputer adalah orang yang
berusia di bawah 30 tahun dan juga pelajar. Setelah sebuah pohon keputusan
dibangun maka dapat digunakan untuk mengklasifikasikan record yang belum
ada kelasnya. 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).
Contoh :
Akan dibuat pohon keputusan untuk menentukan peserta yang lolos wawancara apakah
mengikuti pelatihan dan permagangan atau tidak. Sesuai dengan pernyataan peserta
dengan mengisi dan menandatangani pernyataan peserta yang dikirim melalui fax. 0274-
520082 atau 0274-513849 paling lambat Kamis 12 Oktober 2009 pukul 16.00 WIB,
peserta yang tidak mengirimkan pernyataan, peserta dianggap mengundurkan diri.
Kemudian peserta diharapkan melapor dan melakukan registrasi ulang ke panitia
penyelenggara Retooling pada tanggal 12 Oktober 2009 di Lembaga Pendidikan
Perkebunan, Jl. Urip Sumoharjo 100, Yogyakarta 55222 dengan menyerahkan :
Surat lamaran yang dibubuhi meterai Rp 6.000,-
Fotokopi ijasah dan transkip yang diligalisir oleh pejabat yang berwenang
Pas photo hitam putih ukuran 3 x 4 sebanyak 4 buah
Surat keterangan dokter yang menyatakan sehat jasmani dan rohani
Surat keterangan kelakuan baik dari kepolisian
Membawa pakaian kemeja (warna terang) celana/rok warna gelap berdasi untuk
acara pembukaan serta pelatihan membawa pakaian olahraga untuk kegiatan
outbound dan praktek kompetensi (magang) serta pakaian rapi.
Berikut ini tampilan Pohon Keputusan pada cerita di atas :
Tabel Keputusan
Tabel keputusan merupakan metode pengambilan keputusan yang cukup
sederhana. Metode ini menggunakan bantuan tabel yang berisi hubungan antara
beberapa atribut yang mempengaruhi atribut tertentu. Umumnya, tabel keputusan ini
digunakan untuk penyelesaian masalah yang tidak melibatkan banyak alternatif.
Pada tabel keputusan, nilai kebenaran suatu kondisi diberikan berdasarkan nilai
logika dari setiap atribut Ek. Hanya ada dua nilai kebenaran, yaitu
Ek = benar atau Ek = salah. Secara umum, tabel keputusan berbentuk:
D = E {E1, E2, ..., EK} dengan D adalah nilai kebenaran suatu kondisi, dan Ei
adalah nilai kebenaran atribut ke-i (i = 1, 2, ... K).
Contoh :
ALGORITMA C4.5

Salah satu algoritma induksi pohon keputusan yaitu ID3 (Iterative


Dichotomiser 3). ID3 dikembangkan oleh J. Ross Quinlan. Dalam prosedur
algoritma ID3, input berupa sampel training, label training dan atribut. Algoritma
C4.5 merupakan pengembangan dari ID3. Sedangkan pada perangkat lunak open
source WEKA mempunyai versi sendiri C4.5 yang dikenal sebagai J48.
Algoritma C4.5

Pohon dibangun dengan cara membagi data secara rekursif hingga tiap bagian
terdiri dari data yang berasal dari kelas yang sama. Bentuk pemecahan (split) yang
digunakan untuk membagi data tergantung dari jenis atribut yang digunakan dalam
split. Algoritma C4.5 dapat menangani data numerik (kontinyu) dan diskret. Split
untuk atribut numerik yaitu mengurutkan contoh berdasarkan atribut kontiyu A,
kemudian membentuk minimum permulaan (threshold) M dari contoh-contoh yang
ada dari kelas mayoritas pada setiap partisi yang bersebelahan, lalu menggabungkan
partisi-partisi yang bersebelahan tersebut dengan kelas mayoritas yang sama. Split
untuk atribut diskret A mempunyai bentuk value (A) X dimana X domain(A).

Jika suatu set data mempunyai beberapa pengamatan dengan missing value
yaitu record dengan beberapa nilai variabel tidak ada, Jika jumlah pengamatan
terbatas maka atribut dengan missing value dapat diganti dengan nilai rata-rata dari
variabel yang bersangkutan.[Santosa,2007] Untuk melakukan pemisahan obyek
(split) dilakukan tes terhadap atribut dengan mengukur tingkat ketidakmurnian pada
sebuah simpul (node). Pada algoritma C.45 menggunakan rasio perolehan (gain
ratio). Sebelum menghitung rasio perolehan, perlu menghitung dulu nilai informasi
dalam satuan bits dari suatu kumpulan objek. Cara menghitungnya dilakukan dengan
menggunakan konsep entropi.

Keterangan

S = ruang (data) sampel yang digunakan untuk pelatihan

p+ = jumlah yang bersolusi positif atau mendukung pada data sampel untuk
kriteria tertentu

p- = jumlah yang bersolusi negatif atau tidak mendukung pada data sampel untuk
kriteria tertentu

(S) = ntropi sama dengan 0 jika semua contoh pada S berada dalam kelas yang
sama.

(S) = Entropi sama dengan 1, jika jumlah contoh positif dan negative dalam S
adalah sama.

(S) = Entropi lebih dari 0 tetapi kurang dari 1, jika jumlah contoh positif dan
negative dalam S tidak sama [Mitchell,1997].

Entropi split yang membagi S dengan n record menjadi himpunan-himpunan


S1 dengan n1 baris dan S2 dengan n2 baris adalah :
Kemudian menghitung perolehan informasi dari output data atau
variabel dependent y yang dikelompokkan berdasarkan atribut A, dinotasikan
dengan gain (y,A). Perolehan informasi, gain (y,A), dari atribut A relative
terhadap output data y adalah:

nilai (A) adalah semua nilai yang mungkin dari atribut A, dan yc adalah
subset dari y dimana A mempunyai nilai c. Term pertama dalam persamaan
diatas adalah entropy total y dan term kedua adalah entropy sesudah dilakukan
pemisahan data berdasarkan atribut A. Untuk menghitung rasio perolehan
perlu diketahui suatu term baru yang disebut pemisahan informasi (SplitInfo).
Pemisahan informasi dihitung dengan cara :

bahwa S1 sampai Sc adalah c subset yang dihasilkan dari pemecahan S


dengan menggunakan atribut A yang mempunyai sebanyak c nilai. Selanjutnya
rasio perolehan (gain ratio) dihitung dengan cara :

Contoh Aplikasi

Credit Risk

Berikut ini merupakan contoh dari salah satu kasus resiko kredit (credit risk)
yang menggunakan decision tree untuk menentukan apakah seorang potential
customer dengan karakteristik saving, asset dan income tertentu memiliki good
credit risk atau bad credit risk.

Dapat dilihat pada gambar tersebut, bahwa target variable dari decision tree
tersebut atau variable yang akan diprediksi adalah credit risk dengan menggunakan
predictor variable : saving, asset, dan income. Setiap nilai atribut dari predictor
variable akan memiliki cabang menuju predictor variable selanjutnya, dan seterusnya
hingga tidak dapat dipecah dan menuju pada target variable. Penentuan apakah
diteruskan menuju predictor variable (decision node) atau menuju target variable (leaf
node) tergantung pada keyakinan (knowledge) apakah potential customer dengan nilai
atribut variable keputusan tertentu memiliki keakuratan nilai target variable 100%
atau tidak. Misalnya pada kasus di atas untuk saving medium, ternyata knowledge
yang dimiliki bahwa untuk seluruh potential customer dengan saving medium
memiliki credit risk yang baik dengan keakuratan 100%. Sedangkan untuk nilai low
asset terdapat kemungkinan good credit risk dan bad credit risk. Jika tidak terdapat
pemisahan lagi yang mungkin dilakukan, maka algoritma decision tree akan berhenti
membentuk decision node yang baru. Seharusnya setiap branches diakhiri dengan
pure leaf node, yaitu leaf node dengan target variable yang bersifat unary untuk
setiap records pada node tersebut, di mana untuk setiap nilai predictor variable yang
sama akan memiliki nilai target variable yang sama. Tetapi, terdapat kemungkinan
decision node memiliki diverse atributes, yaitu bersifat nonunary untuk nilai target
variablenya, di mana untuk setiap record dengan nilai predictor variable yang sama
ternyata memiliki nilai target variable yang berbeda. Kondisi tersebut menyebabkan
tidak dapat dilakukan pencabangan lagi berdasarkan nilai predictor variable.

Sehingga solusinya adalah membentuk leaf node yang disebut diverse leaf
node, dengan menyatakan level kepercayaan dari diverse leaf node tersebut. Misalnya
untuk contoh data berikut ini :
Dari training data tersebut kemudian disusunlah alternatif untuk candidate split,
sehingga setiap nilai untuk predictor variable di atas hanya membentuk 2 cabang, yaitu
sebagai berikut:

Kemudian untuk setiap candidate split di atas, dihitung variabelvariabel


berikut berdasarkan training data yang dimiliki. Adapun variabelvariabel tersebut,
yaitu :

,di mana
Adapun contoh hasil perhitungannya adalah sebagai berikut :

Dapat dilihat dari contoh perhitungan di atas, bahwa yang memiliki nilai goodness of split *
(s/t) + yang terbesar, yaitu split 4 dengan nilai 0.64275. Oleh karena itu split 4 lah yang
akan digunakan pada root node, yaitu split dengan : assets = low dengan assets = {medium,
high}.

Untuk penentuan pencabangan, dapat dilihat bahwa dengan assets=low maka didapatkan pure
node leaf, yaitu bad risk (untuk record 2 dan 7). Sedangkan untuk assets = {medium, high}
masih terdapat 2 nilai, yaitu good credit risk dan bad credit risk. Sehingga pencabangan untuk
assets = {medium, high} memiliki decision node baru. Adapun pemilihan split yang akan
digunakan, yaitu dengan menyusun perhitungan nilai (s/t) yang baru tanpa melihat split 4,
record 2 dan 7.
Demikian seterusnya hingga akhirnya dibentuk leaf node dan membentuk decision tree yang
utuh (fully grown form) seperti di bawah ini :

Sistem Pakar Diagnosa Penyakit (Kusrini)

Dalam aplikasi ini terdapat tabel-tabel sebagai berikut:

Tabel Rekam_Medis, berisi data asli rekam medis pasien


Tabel Kasus, beisi data variabel yang dapat mempengaruhi kesimpulan diagnosis dari
pasien-pasien yang ada, misalnya Jenis Kelamin, Umur, Daerah_Tinggal, Gejala_1 s/d
gejala_n, Hasil_Tes_1 s/d Hasi_Tes_n. Selain itu dalam tabel ini juga memiliki field
Hasil_Diagnosis.

Tabel Aturan, berisi aturan hasil ekstrak dari pohon keputusan.

Proses akuisisi pengetahuan yang secara biasanya dalam sistem pakar dilakukan
oleh sistem pakar, dalam sistem ini akan dillakukan dengan urutan proses ditunjukkan
pada gambar berikut:
Hasil pembentukan pohon keputusan bisa seperti pohon keputusan yang tampak pada
gambar:

Lambang bulat pada pohon keputusan melambangkan sebagai node akar atau cabang
(bukan daun) sedangkan kotak melambangkan node daun. Jika pengetahuan yang terbentuk
beruka kaidah produksi dengan format: Jika Premis Maka Konklusi Node-node akar akan
menjadi Premis dari aturan sedangkan node daun akan menjadi bagian konklusinya. Dari
gambar pohon keputusan pada gambar 4, dapat dibentuk aturan sebagai berikut:

Model case based reasoning dapat digunakan sebagai metode akuisisi


pengetahuan dalam aplikasi system pakar diagnosis penyakit. Aturan yagn dihasilkan
system ini mampu digunakan untuk mendiagnosis penyakit didasarkan pada data-data
pasien. Dalam penentuan diagnosis penyakit belum diimplementasikan derajat
kepercayaan terhadap hasil diagnosis tersebut.
Sumber :

http://bungsu-tabalagan.blogspot.com/2012/10/pengertian-dan-tujuan-sistem-pakar_27.html

http://siprianusaralta.blogspot.com/2013/11/pohon-keputusan-dan-tabel-keputusan.html

http://fairuzelsaid.wordpress.com/2009/11/24/data-mining-konsep-pohon-keputusan/