NAMA : RATIH KUMALADEWI

NIM : 17042238
MATA KULIAH : PEGAMBILLAN KEPUTUSAN

DECISION TREE (POHON KEPUTUSAN)

a. Pengertian Decision Tree
Pohon keputusan adalah pohon yang ada didalam analisis pemecahan masalah,
pemetaan mengenai alternatif-alternatif pemecahan masalah yang dapat diambil dari
masalah tersebut. Pohon tersebut juga memperlihatkan faktor-faktor kemungkinan
atau probabilitas yang akan mempengaruhi alternatif-alternatif keputusan tersebut.
Menurut Susan Welch dan John C. Comer, phon keputusan sebagai suatu diagram
yang cukup sederhana yang menunjukkan suatu proses untuk merinci masalah-
masalah yang dihadapinya ke dalam komponen-komponen, kemudian dibuatkan
alternatif-alternatif pemecahan beserta konsekuensi masing-masing alternatif.
Sedangkan menurut Johannes Supranto, diagram pohon keputusan ialah suatu
diagram berupa pohon bercabang-cabang yang menggambarkan hubungan antara
alternatif keputusan/tindakan dengan kejadian-kejadian tidak pasti yang melingkupi
setiap alternatif dan hasil alternatif keputusan yang dipilih.

Pohon Keputusan merupakan representasi sederhana dari teknik klasifikasi yang

merupakan proses pembelajaran suatu fungsi tujuan yang memetakan tiap himpunan
atribut ke satu dari kelas yang didefenisikan sebelumnya. Pohon keputusan
merupakan salah satu metode klasifikasi yang paling populer karena mudah untuk
diinterpretasi oleh manusia. Dengan kemampuannya untuk mem-break downproses
pengambilan keputusan yang kompleks menjadi lebih simple. Pohon keputusan juga
dapat menemukan hubungan tersembunyi antara sejumlah calon variabel input dengan
sebuah variabel target. Selain itu pohon keputusan dapat memadukan antara
eksplorasi data dan pemodelan, sehingga sangat baik sebagai langkah awal dalam
proses pemodelan.

Secara umum, pohon keputusan adalah suatu gambaran pemodelan dari suatu
persoalan yang terdiri dari serangakaian keputusan yang mengarah kesolusi. Tiap
simpul dalam menyatakan keputusan dan daun menyatakan solusi. Dalam beberapa
pohon keputusan, juga sering disertakan simpul tambahan, yaitu simpul probabilitas.
Simpul ini biasa ditandai dengan gambar lingkaran kecil yang disertai dengan angka-
angka yang terletak pada cabang-cabang yang mengakar II-12 pada simpul
probabilitas tersebut. Angka-angka yang terletak pada cabang-cabang tersebut
merupakan probabilitas kesempatan munculnya keputusan yang ada dicabang tersebut
dalam pilihan. Strategi dalam pengambilan keputusan adalah semua spesifikasi
lengkap dari semua kemungkinan pilihan yang sesuai dengan kriteria hasil dari
sebuah pengambilan keputusan suatu masalah secara sekuensial dengan menggunakan
pohon keputusan. Pohon keputusan dapat diartikan sebagai sebuah alat untuk
membuat ide yang secara umum dapat mengacu kepada graf atau sebuah model dari
keputusankeputusan dan akibat-akibat yang dapat muncul dari keputusan-keputusan
tersebut, termasuk peluang terjadinya suatu kejadian, biaya yang dibutuhkan dan
utilitas. Melalui pohon ini strategi terbaik untuk mengkalkulasikan peluang kondisi-
kondisi yang mungkin akan terjadi disertai dengan analisa-analisa faktor-faktor yang
mempengaruhi keputusan yang diambil dengan menggunakan pohon keputusan
tersebut.

Dengan menggunakan metode pohon keputusan dapat menghindari munculnya

permasalahan dengan menggunakan kriteria yang jumlahnya lebih sedikit pada setiap
node internal tanpa banyak mengurangi kualitas keputusan yang dihasilkan. Dan
kekurangan dari pohon keputusan diantaranya adalah terjadi overlapterutama ketika
kelas-kelas dan kriteria yang digunakan jumlahnya sangat banyak dan kualitas hasil
keputusan yang didapatkan sangat tergantung pada bagaimana pohon tersebut
didesain. Metode pohon keputusan mengubah fakta yang sangat besar menjadi pohon
keputusan yang merepresentasikan aturan. Pohon keputusan juga berguna untuk
mengekplorasi data, menemukan hubungan tersembunyi antara sejumlah calon
variabel input dengan sebuah variabel target. Data dalam pohon keputusan biasanya
dinyatakan dalam bentuk tabel dengan atribut dan record. Atribut menyatakan suatu
parameter yang disebut sebagai kriteria dalam pembentukan pohon. Banyak algoritma
yang dapat dipakai dalam pembentukan pohon keputusan, antara lain ID3, C4.5,
CART. Algoritma C4.5 dan pohon keputusan merupakan dua model yang tak
terpisahkan, karena untuk membangun sebuah pohon keputusan, dibutuhan algoritma
C4.5
Pada decision tree terdapat 3 jenis node, yaitu:
a) Root Node, merupakan node paling atas, pada node ini tidak ada input dan bisa
tidak mempunyai output atau mempunyai output lebih dari satu.
b) Internal Node , merupakan node percabangan, pada node ini hanya terdapat satu
input dan mempunyai output minimal dua.
c) Leaf node atau terminal node , merupakan node akhir, pada node ini hanya
terdapat satu input dan tidak mempunyai output.

b. Kelebihan dan Kekurangan Decision Tree

Kelebihan Pohon Keputusan, sebagai berikut:
1. Berguna dalam mengekspolari data, sehingga data yang tersembunyi dapat
diolah dan dikembangkan lagi.
2. Untuk melakukan break down proses pengambulan keputusan yang kompleks
menjadi lebih simple sehingga pengambilan keputusan akan lebih
menginterprestasikan solusi dari permasalahan.
3. Bisa dijadikan tool pengambilan keputusan terakhir.
4. Mengubah keputusan yang kompleks menjadi lebih simple, spesifik dan
mudah.

Selain memiliki manfaat, pohon keputusan juga memiliki kekurangan, sebagai

berikut:
1. Kesulitan dalam mendesain pohon keputusan yang optimal
2. Hasil kualitas keputusan yang didapatkan dari metode pohon keputusan
sangat tergantung pada bagaimana pohon tesebut didesain.
3. Terjadi overlap, terutama ketika kelas-kelas dan kriteria yang digunakan
jumlahnya sangat banyak.

c. Prosedur dan tahap dalam pembuatan pohon keputusan

Agar pembuatan suatu pohon keputusan lebih baik, maka diperlukan beberapa
tahap, sebagai berikut:
1. Buatlah alternatif-alternatif pilihan
2. Tentukan biaya untuk setiap alternatif, dan besaran yang mungkin timbul
 3. Lakukan perhitungan secara detail dengan pendekatan metode yang paling
sesuai dengan kasus yang sedang dikaji.

d. Komponen-komponen pohon keputusan

Menurut Kmaluddin, pohon keputusan yang lengkap mempunyai komponen-
komponen, sebagai berikut:

1. Titik pilihan (choice node)

Merupakan hasil akhir sebuah keputusan yang diperoleh dari beberapa
alternatif, dan merupakan suatu pilihan yang terbaik.
2. Cabang alternatig (alternatif branches)
Merupakan banyak kemumngkinan pilihan jawaban dari suatu persoalan yang
berpangkal pada titik pilihan. Pasa suatu akhir dari cabang pilihan terdapat
nilai atau kemungkinan dari suatu hasil yang diharapkan.
3. Titik hasil (outcome node)
Merupakan hasil dari tiap-tiap cabang dalam pohon keputusan. titik hasil ini
ditandai dengan sebuah lingkaran pada tiap-tiap cabang pohon keputusan.
4. Cabang hasil (outcome branches)
Merupakan banyaknya kemungkinan untuk meraih suatu hasil dari titik hasil,
dan pada tiap-tiap ujung alternatifnya ada nilai kesuksesan.
5. Kesuksesan (payoff)
Merupakan sekumpulan laba atau biaya yang mungkin dihasilk kombinasi
suatu keputusan.

e. Karakteristik Decision Tree

Berikut ini adalah beberapa karakteristik decision tree secara umum :
 Decision tree merupakan suatu pendekatan nonparametrik untuk membangun
model klasifikasi
 Teknik yang dikembangkan dalam membangun decision tree memungkinkan
untuk membangun model secara cepat dari training set yang berukuran besar.
 Decision tree dengan ukuran tree yang kecil relatif mudah untuk
menginterpretasinya.
 Decision tree memberikan gambaran yang ekpresif dalam pembelajaran fungsi
nilai diskret.
 Algoritma decision tree cukup robbust terhadap munculnya noise terutama untuk
metode yang dapat menangani masalah overfitting.
 Adanya atribut yang berlebihan tidak terlalu mengurangi akurasi decision tree .
 Karena sebagian algoritma decision tree menggunakan pendekatan topdown,
yaitu partisi dilakukan secara rekursif maka jumlah record menjadi lebih kecil.
 Pada leaf node, jumlah record mungkin akan terlalu kecil untuk dapat membuat
keputusan secara statistik tentang representasi kelas dari suatu node.
 Sebuah subtree dapat direplikasi beberapa kali dalam decision tree tetapi ini akan
menyebabkan decision tree menjadi lebih kompleks dan lebih sulit untuk
diinterpretasi. (Sibaroni, 2008:8).