MAKALAH

POHON KEPUTUSAN (DECISION TREE)

DISUSUN OLEH:
Sumarni :19402051
Kristal Jabi :19402133

DOSEN:
Dra. A Husnawaty AR, M.Si

MATA KULIAH:
Teori Pengambilan Keputusan

SEKOLAH TINGGI ILMU EKONOMI YAYASAN PENDIDIKAN UJUNG PANDANG

MAKASSAR TAHUN AJARAN 2021/2022
 BAB I
PENDAHULUAN

A. Latar Belakang
Adapun pohon keputusan ini adalah sebuah jawaban akan sebuah
sistem/cara 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. Dengan
pohon keputusan, manusia dapat dengan mudah melihat mengidentifikasi dan
melihat hubungan antara faktor-faktor yang mempengaruhi suatu masalah dan
dapat mencari penyelesaian terbaik dengan memperhitungkan faktor-faktor
tersebut. Pohon keputusan ini juga dapat menganalisa nilai resiko dan nilai suatu
informasi yang terdapat dalam suatu alternatif pemecahan masalah.
Pohon keputusan merupakan sebuah sistem atau cara yang manusia
kembangkan untuk membantu mencari dan membuat keputusan untuk masalah-
masalah tersebut dan dengan memperhitungkan berbagai macam faktor yang ada
di dalam lingkup masalah tersebut. Secara umum, pohon keputusan adalah suatu
gambaran permodelan dari suatu persoalan yang terdiri dari serangkaian
keputusan yang mengarah ke solusi.
B. Rumusan Masalah
1. Apa yang dimaksud dengan pohon keputusan?
2. Apa tujuan dari pohon keputusan?
3. Apa saja kelebihan dan kekurangan dari pohon keputusan?
4. Bagaimana prosedur pembentukan pohon keputusan?
5. Bagaimana model pohon keputusan?
6. Bagaimana contoh-contoh soal untuk pohon keputusan?

C. Tujuan Penulisan
Tujuan dari penulisan makalah ini adalah untuk mengetahui tentang:
1. Definisi pohon keputusan.
2. Tujuan dari pohon keputusan.
3. Kelebihan dan kekurangan pohon keputusan.
4. Prosedur pembentukan pohon keputusan.
5. Model pohon keputusan.
6. Contoh-contoh soal untuk pohon keputusan.
 BAB II
PEMBAHASAN

A. Definisi Pohon Keputusan

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. 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.

Selanjutnya, 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.

B. Tujuan Pohon Keputusan

Pohon keputusan dikembangkan untuk membantu pengambil keputusan
membuat serangkaian keputusan yang melibatkan peristiwa ketidakpastian. Pohon
keputusan adalah suatu peralatan yang mengambarkan secara grafik berbagai
kegiatan yang dapat diambil dan dihubungkan dengan kegiatan ini dengan
berbagai peristiwa di waktu mendatang yang dapat terjadi. Seperti dalam teknik
riset operasi, pohon keputusan tidak akan membuat keputusan bagi pengambil
keputusan, kebijakan masih akan diperlukan. Bagaimanapun dalam berbagai
situasi yang tepat, penggunaan pohon keputusan akan mengurangi kekacauan
potensial dalam suatu masalah kompleks dan memungkinkan pengambil
keputusan menganalisis masalah secara rasional
Sebuah pohon keputusan adalah sebuah struktur yang dapat digunakan
untuk membagi kumpulan data yang besar menjadi himpunan-himpunan record
yang lebih kecil dengan menerapkan serangkaian aturan-aturan keputusan.
Dengan masing-masing rangkaian pembagian.

C. Kelebihan dan Kekurangan Pohon Keputusan

1. Kelebihan Pohon Keputusan
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 internal node yang berbeda, fitur
yang terpilih akan membedakan suatu kriteria dibandingkan kriteria
yang lain dalam node yang sama.
2. Kekurangan Pohon Keputusan
a) 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.
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.
D. Prosedur Pembentukan Pohon Keputusan
Decision tree adalah sebuah struktur pohon, dimana setiap node pohon
merepresentasikan atribut yang telah diuji, setiap cabang merupakan suatu
pembagian hasil uji, dan node daun (leaf) merepresentasikan kelompok kelas
tertentu. Level node teratas dari sebuah decision tree adalah node akar (root) yang
biasanya berupa atribut yang paling memiliki pengaruh terbesar pada suatu kelas
tertentu. Pada umumnya decision tree melakukan strategi pencarian secara top-
down untuk solusinya. Pada proses mengklasifikasi data yang tidak diketahui,
nilai atribut akan diuji dengan cara melacak jalur dari node akar (root) sampai
node akhir (daun) dan kemudian akan diprediksi kelas yang dimiliki oleh suatu
data baru tertentu.
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 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.
Strategi pembentukan decision tree dengan algoritma ID3 adalah:
1. Pohon dimulai sebagai node tunggal (akar/root ) yang merepresentasikan
semua data.
2. Sesudah node root dibentuk, maka data pada node akar akan diukur
dengan information gain untuk dipilih atribut mana yang akan dijadikan
atribut pembaginya.
3. Sebuah cabang dibentuk dari atribut yang dipilih menjadi pembagi dan
data akan didistribusikan ke dalam cabang masing-masing.
 4. Algoritma ini akan terus menggunakan proses yang sama atau bersifat
rekursif untuk dapat membentuk sebuah decision tree. ketika sebuah
atribut telah dipilih menjadi node pembagi atau cabang, maka atribut
tersebut tidak diikutkan lagi dalam penghitungan nilai information gain.
5. Proses pembagian rekursif akan berhenti jika salah satu dari kondisi di
bawah ini terpenuhi:
a. Semua data dari anak cabang telah termasuk dalam kelas yang sama.
b. 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.
c. 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.

E. Model Pohon Keputusan

Pohon keputusan adalah model prediksi menggunakan struktur pohon atau
struktur berhirarki.
Disini setiap percabangan menyatakan kondisi yang harus dipenuhi dan
tiap ujung pohon menyatakan kelas data. 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
F. Contoh Soal Pohon Keputusan
Pak Tukul berniat untuk mengasuransikan isi rumahnya terhadap
ancaman pencurian. Estimasi total nilai harta benda yang ada di rumahnya
sebesar Rp. 40.000.000. Statistik kejahatan di daerah tempat tinggal pak
Tukul menunjukkan bahwa peluang terjadinya pencurian hanyalah 0.03
per tahun. Jika terjadi pencurian, ada tiga kemungkinan bahwa harta yang
dicuri nilainya adalah 10%, 20% atau 40% dari nilai total harta pemilik
rumah, dengan probabilitas kejadian masing-masing sebesar 0.50;0.35 dan
0.15.
Berikut ini penawaran dari tiga perusahaan asuransi yang sedang
mempertimbangkan:
1. Perusahaan A: biaya premi Rp. 300.000 per tahun, menjamin akan
mengganti seluruh kerugian yang diderita pemilik rumah tanpa kecuali
2. Perusahaan B: biaya premi lebih murah yaitu Rp. 200.000 per tahun
akan mengganti seluruh kerugian, namun pemilik rumah harus
membayar biaya tambahan Rp. 100.000 per kejadian pencurian.
3. Perusahaan C: biaya premi paling murah yaitu Rp. 150.000 per tahun,
namun hanya mengganti sebagian (40%) dari total kerugian yang
diderita pemilik rumah.
Asumsikan bahwa pencurian hanya terjadi 1 tahun. Estimasi total
nilai harta benda yang ada dirumahnya sebesar Rp. 40.000.000.
 BAB III
PENUTUP

A. Kesimpulan
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.
Pohon keputusan juga dapat dipergunakan untuk memperhitungkan dan
melakukan analisa terhadap resiko-resiko yang mungkin muncul dalam suatu
alternatif pemilihan keputusan. Selain itu, pohon keputusan juga dapat dipakai
untuk memperhitungkan berapa nilai suatu informasi tambahan yang mungkin
kita perlukan agar kita dapat lebih mampu dalam membuat suatu pilihan
keputusan dari suatu alternatif-alternatif keputusan yang ada.
 DAFTAR PUSTAKA

Unknown. 2013. Tentang Pohon Keputusan (Decision Tree). Diambil dari:

https://dua7an.blogspot.com/2013/12/tentang-pohon-keputusan-decision-
tree.html
Unknown. 2012. Makalah Pohon Keputusan. Diambil dari:
https://veriyenpaone.blogspot.com/2012/11/makalah-pohon-
keputusan_18.html