POHON KEPUTUSAN
DISUSUN OLEH :
TAHUN
2021
KATA PENGANTAR
Puji syukur saya panjatkan ke hadirat Allah SWT karena berkat rahmat dan
hidayah-Nya, saya dapat menyelesaikan makalah “Pohon Keputusan”. Makalah ini
dibuat dalam rangka memenuhi tugas pembuatan makalah untuk mata kuliah
Ekonomi Manajerial.
Saya menyadari dalam pembuatan dan penyusunan makalah ini masih banyak
terdapat kesalahan, kekurangan, dan jauh dari kesempurnaan. Oleh karena itu, saran
dan kritik yang bersifat konstruktif sangat saya harapkan demi kebaikan dan kualitas
makalah selanjutnya.
Demikianlah, makalah ini saya buat, saya harap makalah ini dapat
bermanfaat bagi semua pihak yang membaca makalah ini.
Penyusun,
BAB I
PENDAHULUAN
Rumusan Masalah
Tujuan Penulisan
BAB II
PEMBAHASAN
Hasil perkalian antara kriteria dan alternatif keputusan yang memiliki bobot
tertinggi merupakan alternatif prioritas.Alternatif yang menjadi prioritas merupakan
tindakan terpilih untuk mencapai sasaran utama.
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.
Hasil kualitas keputusan yang didapatkan dari metode pohon keputusan sangat
tergantung pada bagaimana pohon tersebut didesain.
Data dalam pohon keputusan biasanya dinyatakan dalam bentuk tabel dengan atribut
dan record. Atribut menyatakan suatu parameter yang dibuat sebagai kriteria dalm
pembentukan pohon keputusan. 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 target atribut. Atribut
memliki nilai-nilai yang dinamakan dengan instance. Misalkan atribut cuaca
mempunyai instance berupa cerah, berawan dan hujan (Basuki dan Syarif, 2003).
Proses pada pohon keputusan adalah mengubah bentuk data (tabel) menjadi model
pohon, mengubah model pohon menjadi rule, dan menyederhanakan rule (Basuki
dan Syarif, 2003).
Dalam membangun decision tree menggunakan algoritma ID3 atau C4.5, yang
diperkenalkan dan dikembangkan pertama kali oleh Ros Quinlan yang merupakan
singkatan dari Iteractive Dichotomiser 3 atau Induction of Decision 3. algoritma ID3
membentuk pohon keputusan dengan metode divide and conquer data secara rekursif
dari atas ke bawah. Strategi pembentukan decision tree dengan algoritma ID3 adalah:
Proses pembagian rekursif akan berhenti jika salah satu dari kondisi di bawah ini
terpenuhi:
- Semua data dari anak cabang telah termasuk dalam kelas yang sama.
- Semua atribut telah dipakai, tetapi masih tersisa data dalam kelas yang berbeda.
Dalam kasus ini, diambil data yang mewakili kelas terbanyak untuk dijadikan
label kelas.
- Tidak terdapat data pada anak cabang yang baru. Dalam kasus ini, node daun
akan dipilih pada cabang sebelumnya dan diambil data yang mewakili kelas
terbanyak untuk dijadikan label kelas.
Pada saat membuat pohon keputusan, harus dipastikan bahwa semua alternatif
dan kondisi alami berada di kondisi yang benar dan logis, serta semua alternatif yang
mungkin dan kondisi alami telah disertakan. Notasi yang disertakan adalah :
Alternatif : sebuah tindakan atau strategi yang dapat dipilih oleh seorang pengambil
keputusan
Kondisi Alami : sebuah kejadian atau situasi dimana pengambil keputusan hanya
memiliki sedikit kendali, atau tidak sama sekali
Kotak : sebuah titik keputusan dimana terdapat satu alternatif atau lebih yang dapat
dipilih
Lingkaran : Sebuah titik kondisi alami dimana kondisi alami mungkin dapat terjadi
1. Mendefinisikan Masalah
2. Menggambar Pohon Keputusan
3. Menentukan peluang untuk kondisi ilmiah
4. Memperkirakan imbalan bagi setiap kombinasi alternatif keputusan dan kondisi
ilmiah yang mungkin
5. Menyelesaikan masalah dengan menghitung EMV bagi setiap kondisi ilmiah, ini
dilakukan dengan menghitung dari belakang kedepan, yaitu dari sisi kanan pohon
ke sebelah kirinya.
EMV (Extected Monetary Value) adalah nilai harapan moneter yang diharapkan
dari sebuah veriabel yang memiliki beberapa kemungkinan kondisi alamiah yang
berbeda, masing masing dengan peluang tersendiri. Saat peluang diketahui, nilai
maximax dan maximin menyatakan skenario perencanaan kasus terbaik dan kasus
terburuk. EMV sebuah alternatif merupakan jumlah semua keuntungan alternatif,
yang masing masing memberikan bobot kemungkinan terjadinya.
BAB III
PENUTUP
Dapat dilihat bahwa menggunakan pohon keputusan sebagai support tool dalam
menganalis suatu masalah pengambilan keputusan dapat sangat membantu kita dalam
melakukan pengambilan keputusan. Kegunaan pohon keputusan yang dapat melihat
berbagai macam alternatif keputusan-keputusan yang dapat kita ambil serta mampu
memperhitungkan nilai-nilai dari faktor-faktor yang mempengaruhi alternatif-
alternatif keputusan tersebut adalah sangat penting dan berguna, karena membuat kita
dapat mengetahui alternatif mana yang paling menguntungkan untuk kita ambil.
KESIMPULAN
DAFTAR PUSTAKA
Kusrini, 2006, Sistem Pakar Teori dan Aplikasi, Penerbit Andi Offset, Yogyakarta.
Santosa, Budi. 2007. Data Mining : Teknik Pemanfaatan Data untuk keperluan
Bisnis. Graha Ilmu. Yogyakarta.
Tan, Pang-Ning, Michael Steinbach, and Vipin Kumar. 2004.Introduction to Data
Mining. Website WEKA. http://www.cs.waikato.ac.nz/ml/weka/.
Witten, Ian H. dan Eibe Frank. 2005. Data Mining: Practical machine learning tools
and techniques,2nd Edition. Morgan Kaufmann. San Francisco.
http://modulmakalah.blogspot.co.id/2017/01/Definisi.Pohon.Keputusan.Konsep.Dasa
r.dan.Pr osedur.Pembentukan.html
http://gusasta.blogspot.co.id/2012/12/pohon-keputusan-pohon-keputusan.htmlyang
terkait dengan ini
http://kur2003.if.itb.ac.id/file/pohon.pdf
http://thesonofdevil.wordpress.com/2009/12/07/pohon-keputusan/
http://www.informatika.org/~rinaldi/Matdis/2006-2007/Makalah/Makalah0607-
122.pdf
https://veriyenpaone.blogspot.co.id/2012/11/makalah-pohon-keputusan_18.html