Decision Tree: Pengertian, Cara Buat, Kelebihan dan Kekurangannya

Pengambilan keputusan adalah keterampilan penting bagi setiap profesional. Selama karir bisnis Anda,
Anda perlu membuat pilihan yang dapat memiliki banyak hasil. Decision tree atau pohon keputusan
dapat memandu Anda ke jawaban logis untuk pertanyaan kecil dan besar dengan menetapkan
kemungkinan kesimpulan dari beberapa pilihan.

Pada artikel ini, kita akan membahasa mengenai decision tree, mengeksplorasi penggunaan decision
tree dan bagaimana cara membuatnya.

Contents

1 Apa itu Decision Tree?

1.1 Jenis Keputusan

1.1.1 1. Decision tree variabel kategori

1.1.2 2. Decision tree variabel kontinu

2 Contoh Pengaplikasian Decision Tree

2.1 1. Menilai peluang pertumbuhan prospektif

2.2 2. Menggunakan data demografi untuk menemukan calon klien

2.3 3. Berfungsi sebagai alat pendukung di beberapa bidang

3 Cara Membuat Decision Tree

3.1 1. Mulailah dengan pertanyaan atau ide

3.2 2. Tambahkan cabang

3.3 3. Tambahkan simpul keputusan ke cabang

3.4 4. Lanjutkan seperlunya

4 Tips dalam Membuat Decision Tree

5 Keuntungan Menggunakan Decision Tree

5.1 1. Mudah dibaca dan ditafsirkan

5.2 2. Mudah disiapkan

5.3 3. Lebih sedikit pembersihan data yang diperlukan

6 Kekurangan Decision Tree

6.1 1. Sifat tidak stabil

6.2 2. Kurang efektif dalam memprediksi hasil dari variabel kontinu

7 Kesimpulan

Apa itu Decision Tree?

Decision tree adalah alat pendukung dengan struktur seperti pohon yang memodelkan kemungkinan
hasil, biaya sumber daya, utilitas, dan kemungkinan konsekuensi.

Decision tree menyediakan cara untuk menyajikan algoritma dengan pernyataan kontrol bersyarat.
Mereka termasuk cabang yang mewakili langkah-langkah pengambilan keputusan yang dapat mengarah
pada hasil yang menguntungkan.

Struktur flowchart mencakup node internal yang mewakili tes atau atribut pada setiap tahap. Setiap
cabang mewakili hasil untuk atribut, sedangkan jalur dari daun ke akar mewakili aturan untuk klasifikasi.

Decision tree merupakan salah satu bentuk algoritma pembelajaran terbaik berdasarkan berbagai
metode pembelajaran.

Mereka meningkatkan model prediktif dengan akurasi, kemudahan dalam interpretasi, dan stabilitas.
Alat ini juga efektif dalam menyesuaikan hubungan non-linier karena mampu memecahkan tantangan
penyesuaian data, seperti regresi dan klasifikasi.

Disebut deecision tree atau pohon keputusan karena pilihannya bercabang, membentuk struktur yang
terlihat seperti pohon.

Anda dapat membuat pohon keputusan vertikal atau horizontal tergantung pada preferensi Anda.
Membaca pohon keputusan horizontal dari kiri ke kanan dan pohon keputusan vertikal dari atas ke
bawah.

Pohon keputusan bekerja paling baik ketika Anda mengikuti aturan diagram alur dasar:

Persegi panjang atau bujur sangkar: Tunjukkan awal pohon tempat Anda menulis pertanyaan.

Garis: Mewakili cabang-cabang pohon. Ini semua adalah kemungkinan tindakan.

Lingkaran: Menandakan hasil yang tidak pasti bahwa Anda akan membutuhkan cabang tambahan untuk
diklarifikasi.
Segitiga: Berikan jawaban yang jelas dan final. Mereka juga disebut “daun.”

Dengan membat decision tree memungkinkan Anda untuk memvisualisasikan hasil dari setiap pilihan
dalam cara yang terorganisir.

Anda dapat menggunakan pohon keputusan ketika Anda memiliki tujuan tertentu, seperti menentukan
apakah Anda harus menerima tawaran pekerjaan.

Alat ini juga bermanfaat jika Anda perlu mengevaluasi sejumlah besar data atau statistik. Misalnya, jika
Anda seorang agen penjualan dan ingin menentukan berapa banyak pendapatan yang dapat dihasilkan
oleh calon pelanggan versus biaya untuk mengejar dan mempertahankan hubungan, Anda dapat
menggunakan pohon keputusan untuk menganalisis laba atas investasi.

Baca juga: 4 Tips dalam Membangun Sebuah Brand yang Sukses

Jenis Keputusan

Ada dua jenis utama pohon keputusan yang didasarkan pada variabel target, yaitu pohon keputusan
variabel kategoris dan pohon keputusan variabel kontinu.

1. Decision tree variabel kategori

Sebuah pohon keputusan variabel kategori termasuk variabel target kategoris yang dibagi ke dalam
kategori. Misalnya, kategorinya bisa ya atau tidak. Kategori berarti bahwa setiap tahap proses keputusan
jatuh ke dalam salah satu kategori, dan tidak ada di antaranya.

2. Decision tree variabel kontinu

Pohon keputusan variabel kontinu adalah pohon keputusan dengan variabel target kontinu. Misalnya,
pendapatan individu yang pendapatannya tidak diketahui dapat diprediksi berdasarkan informasi yang
tersedia seperti pekerjaan, usia, dan variabel kontinu lainnya.

Baca juga: Micro Influencer Adalah : Pengertian dan Perbedaanya dengan Macro dan Nano Influencer

Contoh Pengaplikasian Decision Tree

1. Menilai peluang pertumbuhan prospektif

Salah satu penerapan decision tree melibatkan evaluasi peluang pertumbuhan prospektif untuk bisnis
berdasarkan data historis.

Data historis tentang penjualan dapat digunakan dalam pohon keputusan yang dapat menyebabkan
perubahan radikal dalam strategi bisnis untuk membantu ekspansi dan pertumbuhan.

2. Menggunakan data demografi untuk menemukan calon klien

Aplikasi lain dari alat ini adalah dalam penggunaan data demografis untuk menemukan calon klien.
Mereka dapat membantu dalam merampingkan anggaran pemasaran dan dalam membuat keputusan
yang tepat tentang pasar sasaran yang menjadi fokus bisnis.

Dengan tidak adanya decision tree, bisnis dapat menghabiskan pasar pemasarannya tanpa
mempertimbangkan demografi tertentu, yang akan mempengaruhi pendapatannya secara keseluruhan.

3. Berfungsi sebagai alat pendukung di beberapa bidang

Pemberi pinjaman juga menggunakan decision tree untuk memprediksi kemungkinan pelanggan gagal
membayar pinjaman, dengan menerapkan pembuatan model prediktif menggunakan data masa lalu
klien.

Penggunaan alat pendukung pohon keputusan dapat membantu pemberi pinjaman dalam mengevaluasi
kelayakan kredit pelanggan untuk mencegah kerugian.

Alat ini juga dapat digunakan dalam riset operasi dalam perencanaan logistik dan manajemen strategis.
Mereka dapat membantu dalam menentukan strategi yang tepat yang akan membantu perusahaan
mencapai tujuan yang diinginkan.

Bidang lain di mana decision tree dapat diterapkan termasuk teknik, pendidikan, hukum, bisnis,
kesehatan, dan keuangan.

Baca juga: Takt Time, Satuan Waktu yang Tersedia Untuk Menghasilkan Produk

decision tree 2

Cara Membuat Decision Tree

Anda dapat mengikuti langkah-langkah ini saat membuat decision tree:

1. Mulailah dengan pertanyaan atau ide

Gambarlah persegi panjang, dan tulis pertanyaan atau ide Anda di dalamnya. Jika Anda ingin membuat
pohon horizontal, gambar persegi panjang Anda di sisi kiri halaman sehingga Anda memiliki ruang untuk
menggambar garis.

Untuk pohon vertikal, gambar kotak di bagian atas halaman dan turunkan. Misalnya, jika Anda ingin
menentukan apakah Anda harus meminta kenaikan gaji, Anda dapat menggambar persegi panjang di
bagian atas halaman dan menulis, “Meminta kenaikan gaji?” di dalamnya.

2. Tambahkan cabang

Gambarlah garis sebanyak yang Anda butuhkan dari kotak untuk menentukan tindakan. Untuk
melanjutkan contoh, Anda dapat menggambar dua cabang di bawah persegi panjang Anda dan memberi
label “Ya” dan “Tidak.” Ini menandakan bahwa Anda meminta atau tidak meminta kenaikan gaji.

3. Tambahkan simpul keputusan ke cabang

Lingkaran menunjukkan bahwa hasil dari cabang belum jelas dan Anda perlu mengajukan lebih banyak
pertanyaan. Segitiga menunjukkan bahwa hasilnya hampir pasti.

Contohnya, Anda dapat menambahkan lingkaran di akhir cabang “Ya” dan “Tidak”. Di lingkaran “Ya”,
Anda dapat menulis “Dapatkan kenaikan gaji?” untuk menentukan apakah manajer Anda akan memberi
Anda kenaikan gaji dan di lingkaran “Tidak”, Anda dapat menulis, “Dapatkan kenaikan gaji di masa
mendatang?” untuk menentukan apakah Anda yakin akan mendapatkan kenaikan gaji tanpa meminta di
masa mendatang.

4. Lanjutkan seperlunya

Lanjutkan decision tree Anda sampai Anda benar-benar memeriksa semua kemungkinan hasil dan dapat
membuat keputusan yang tepat. Dalam contoh, Anda akan melanjutkan sampai Anda mencapai jawaban
apakah Anda harus meminta kenaikan gaji.

Baca juga: Apa itu Customer Acquisition Cost? Berikut Pengertian, Cara Hitung dan Contohnya
Tips dalam Membuat Decision Tree

Pertimbangkan tip berikut untuk membuat decision tree yang efektif:

Kode warna pohon Anda. Beri kode warna pada cabang dan simpul Anda untuk mengidentifikasi hasil
dengan mudah. Misalnya, Anda dapat membuat ide awal Anda menjadi hijau dan simpul kuning, biru,
dan ungu untuk membedakan masing-masing. Gunakan skema warna untuk membuatnya menarik
secara visual.

Gunakan simbol diagram alur. Jika Anda membuat decision tree untuk dibagikan dengan tim atau
manajer Anda, simbol diagram alur standar memastikan pohon Anda mudah dipahami oleh banyak
pemirsa.

Buat simbol Anda dengan ukuran yang sama. Saat menggambar simbol Anda, cobalah membuatnya
dengan ukuran yang sama. Ini akan membantu Anda memberikan nilai yang sama pada masing-masing
dan membuat pohon lebih mudah dibaca.

Gunakan template. Ada banyak template online yang dapat Anda gunakan untuk membuat pohon Anda
terlihat sederhana. Beberapa juga memiliki fungsi matematika jika Anda menggunakan pohon untuk
menangani data dan statistik.

Ketahui kapan harus menggunakan decision tree. Pohon keputusan bekerja paling baik ketika Anda
memiliki tujuan khusus dan perlu melihat hasil untuk setiap pilihan yang dapat Anda buat. Karena sulit
untuk menentukan hasil dari ide orisinal, Anda harus menggunakan pohon keputusan saat Anda dapat
memprediksi jawabannya dengan aman.

Baca juga: Dispatching Adalah: Pengertian, Fungsi, Prosedur, dan Jenisnya Dalam Manajemen

Keuntungan Menggunakan Decision Tree

1. Mudah dibaca dan ditafsirkan

Salah satu keuntungan dari pohon keputusan adalah outputnya mudah dibaca dan diinterpretasikan,
bahkan tanpa memerlukan pengetahuan statistik.

Misalnya, ketika menggunakan pohon keputusan untuk menyajikan informasi demografis pada
pelanggan, staf departemen pemasaran dapat membaca dan menafsirkan representasi grafis dari data
tanpa memerlukan pengetahuan statistik.

Data juga dapat digunakan untuk menghasilkan wawasan penting tentang probabilitas, biaya, dan
alternatif untuk berbagai strategi yang dirumuskan oleh departemen pemasaran.
2. Mudah disiapkan

Dibandingkan dengan teknik keputusan lainnya, pohon keputusan membutuhkan sedikit usaha untuk
persiapan data. Pengguna, bagaimanapun, perlu memiliki informasi yang siap untuk membuat variabel
baru dengan kekuatan untuk memprediksi variabel target.

Mereka juga dapat membuat klasifikasi data tanpa harus menghitung perhitungan yang rumit. Untuk
situasi yang kompleks, pengguna dapat menggabungkan pohon keputusan dengan metode lain.

3. Lebih sedikit pembersihan data yang diperlukan

Keuntungan lain dari pohon keputusan adalah, setelah variabel dibuat, pembersihan data lebih sedikit
diperlukan. Kasus nilai yang hilang dan outlier kurang signifikan pada data pohon keputusan.

Baca juga: Bagaimana Cara Membangun Keterampilan Business Development?

Kekurangan Decision Tree

1. Sifat tidak stabil

Salah satu keterbatasan pohon keputusan adalah bahwa mereka sebagian besar tidak stabil
dibandingkan dengan prediktor keputusan lainnya.

Perubahan kecil pada data dapat menghasilkan perubahan besar dalam struktur pohon keputusan, yang
dapat menyampaikan hasil yang berbeda dari apa yang akan diperoleh pengguna dalam peristiwa
normal. Perubahan hasil yang dihasilkan dapat dikelola oleh algoritme pembelajaran mesin, seperti
boosting dan bagging.

2. Kurang efektif dalam memprediksi hasil dari variabel kontinu

Selain itu, decision tree kurang efektif dalam membuat prediksi ketika tujuan utamanya adalah untuk
memprediksi hasil dari variabel kontinu. Ini karena pohon keputusan cenderung kehilangan informasi
saat mengkategorikan variabel ke dalam beberapa kategori.

Kesimpulan

Decision tree digunakan untuk menangani kumpulan data non-linier secara efektif.

Decision tree digunakan dalam kehidupan nyata di banyak bidang, seperti teknik, perencanaan sipil,
hukum, dan bisnis.
Decision tree dapat dibagi menjadi dua jenis; variabel kategori dan pohon keputusan variabel kontinu.

Itulah pembahasan lengkap mengenai decision tree yang akan memudahkan Anda dalam pengambilan
keputusan dalam bisnis berdasarkan data.

Ingatlah, setiap data itu penting, termasuk data keuangan. Jadi pastikan Anda mempunyai data
keuangan yang terkini untuk memastikan setiap keputusan bisnis berjalan dengan baik.

Hindari melakukan pencatatan manual yang berisiko pada kesalahan pencatatan dan tidak sesuai
dengan data keuangan sebenarnya di bisnis Anda. Sebagai solusi, Anda bisa mencoba menggunakan
software akuntansi seperti Accurate Online yang memiliki fitur terbaik dalam pengelolaan operasional
bisnis dan data keuangan Anda.

Metode decission tree adalah sebuah struktur flowchart yang mirip seperti

struktur pohon, setiap titik pohon merupakan atribut yang telah diuji, setiap

cabang merupakan hasil uji, dan titik akhir merupakan pembagian kelas yang

dihasilkan (Han dan Kamber, 2001).

Pohon keputusan merupakan metode klasifikasi dan prediksi yang sangat

kuat dan terkenal. Metode pohon keputusan mengubah fakta yang sangat besar

menjadi pohon keputusan yang merepresentasikan aturan. Aturan dapat dengan

mudah dipahami dengan bahasa alami dan mereka juga dapat diekspresikan dalam

bentuk bahasa basis data seperti SQL (Structured Query Language) untuk mencari

record pada kategori tertentu (kusrini dan luthfi, 2009).

Pada decision tree terdapat 3 jenis node, yaitu (Anik, 2013):

1. Root node, merupakan node paling atas, pada node ini tidak ada input

dan bisa tidak mempunyai output atau mempunyai output lebih dari

satu.

2. Internal node, merupakan node percabangan, pada node ini hanya

terdapat satu input dan mempunyai output minimal dua.

3. Leaf node atau terminal node, merupakan node akhir, pada node ini

hanya terdapat satu input dan tidak mempunyai output.

2.7.1 Struktur Decision Tree

Menurut Dua dan Xian, 2011, decision tree tergantung pada aturan ifthen, tetapi tidak membutuhkan
parameter dan metrik. Struktur sederhana dan

dapat ditafsirkan memungkinkan decision tree untuk memecahkan masalah

atribut multi type. Decision tree juga dapat mengelola nilai-nilai yang hilang atau

data noise (Anik, 2013).