Untuk memenuhi tugas mata kuliah Metode Kuantitatif dalam Pengambilan Keputusan
Disusun oleh :
Kelompok 3
Udiyana Rahayu (2020412035)
Samsul Anas (2020412036)
Muachiroh (2020412038)
Makalah ini ditulis berdasarkan sumber dari internet dan buku sebagai referensi,
tak lupa penyusun ucapkan terima kasih kepada dosen pengampu mata kuliah
Metode Kuantitatif dalam Pengambilan Keputusan atas bimbingan dan arahan
dalam penulisan makalah ini.Juga kepada teman-teman mahasiswa yang telah
mendukung sehingga makalah ini dapat selesai.
Penulis berharap dengan membaca makalah ini dapat memberi manfaat bagi kita
semua, serta dapat menambah wawasan kita mengenai. Kuliah Metode Kuantitatif
dalam Pengambilan Keputusan. Memang makalah ini masih jauh dari sempurna,
maka penulis mengharapkan kritik dan saran dari pembaca demi perbaikan
menuju arah yang lebih baik.
Demikan makalah ini dibuat semoga dapat bermanfaat bagi penulis dan yang
membacanya, sehingga menambah wawasan dan pengetahuan tentang bab ini.
Aamiin.
Penulis
DAFTAR ISI
JUDUL .....................................................................................
BAB I PENDAHULUAN
BAB II ISI
BAB 1
PENDAHULUAN
BAB I
PENDAHULUAN
A. LATAR BELAKANG
Segala usaha yang
dilakukan manusia pasti
betujuan untuk
mencapai kepuasan
(utility) yang maksimum.
Dalam teori perilaku
konsumen dijelaskan
bahwa tindakan
konsumen dalam
mengkonsumsi barang-
barang,dengan pendapatan
tertentu dan harga
barang tertentu pula
sedemikian rupa agar
konsumen mencapai
tujuannya.Tujuan
konsumen untuk
memperoleh manfaat
atau kepuasan (utility)
sebesar-besarnya dari
barang-barang yang
dikonsumsi.
1
BAB II
PEMBAHASAN
A. PENGERTIAN
UTILITY
Nilai Guna (Utility) dalam
ekonomi ialah kemampuan
suatu barang atau jasa
dalam
memberikan manfaat
atau kegunaan atau
kepuasan kepada orang
yang
mengkonsumsinya.
Semakin tinggi utility
suatu barang atau jasa,
semakin diinginkan
barang atau jasa itu oleh
seseorang.
Cara mengukur kepuasan
seseorang dapat
menggunakan dua macam
pendekatan yaitu :
1. Pendekatan nilai guna
(Utility) Kardinal
Pendekatan nilai guna
(Utility) Kardinal atau
sering disebut dengan
teori nilai
subyektif : dianggap
manfaat atau kenikmatan
yang diperoleh seorang
konsumen dapat
dinyatakan secara
kuantitif / dapat diukur
dari keseimbangan
konsumen dalam
memaksimumkan
kepuasan atas konsumsi
berbagai macam barang,
dilihat dari seberapa
besar uang yang
dikeluarkan untuk membeli
unit tambahan dari
berbagai jenis barang
akan memberikan nilai
guna marginal yang
sama besarnya. Oleh
karena itu dapat
disimpulkan, Besar
kecilnya kepuasan yang
diperoleh konsumen
tergantung pada jenis
dan jumlah barang atau
jasa yang dikonsumsi.
2. Pendekatan nilai guna
ordinal
Pendekatan nilai guna
ordinal mennjelaskan
manfaat yang diperoleh
masyarakat
dari mengkonsumsikan
barang-barang tidak
kuantitif / tidak dapat
diukur.
Pendakatan ini muncul
karena adanya
keterbatasan -
keterbatasan yang ada
pada
pendekatan cardinal,
meskipun bukan berarti
pendekatan cardinal
tidak memiliki
kelebihan.
2
BAB II
ISI
Pada artikel ini, kita akan membahasa mengenai decision tree, mengeksplorasi
penggunaan decision tree dan bagaimana cara membuatnya.
Contents
1 Apa itu Decision Tree?
7 Kesimpulan
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.
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.
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.
Jenis Keputusan
Ada dua jenis utama pohon keputusan yang didasarkan pada variabel target, yaitu
pohon keputusan variabel kategoris dan pohon keputusan variabel kontinu.
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.
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
Data historis tentang penjualan dapat digunakan dalam pohon keputusan yang dapat
menyebabkan perubahan radikal dalam strategi bisnis untuk membantu ekspansi dan
pertumbuhan.
Dengan tidak adanya decision tree, bisnis dapat menghabiskan pasar pemasarannya
tanpa mempertimbangkan demografi tertentu, yang akan mempengaruhi
pendapatannya secara keseluruhan.
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
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.
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
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
Salah satu keuntungan dari pohon keputusan adalah outputnya mudah dibaca dan
diinterpretasikan, bahkan 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
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.
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.
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.
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.
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. 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.
Ø Daerah pengambilan keputusan yang sebelumnya kompleks dan sangat global, dapat
diubah menjadi lebih simpel dan spesifik.
Ø 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
Ø 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.
Ø Pengakumulasian jumlah eror dari setiap tingkat dalam sebuah pohon keputusan
yang besar.
Ø Hasil kualitas keputusan yang didapatkan dari metode pohon keputusan sangat
tergantung pada bagaimana pohon tersebut didesain.
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.
Sebuah model keputusan terdiri dari sekumpulan aturan untuk membagi jumlah
populasi yang heterogen menjadi lebih kecil, lebih homogen dengan memperhatikan
pada variabel tujuannya. Sebuah model keputusan mungkin dibangun dengan saksama
secara manual atau dapat tumbuh secara otomatis dengan menerapkan salah satu atau
beberapa algoritma pohon keputusan untuk memodelkan himpunan data yang belum
terklasifikasi (Kusrini, 2009).
Variabel tujuan biasanya dikelompokkan dengan pasti dan model pohon keputusan lebih
mengarah pada perhitungan probabilitas dari tiap-tiap record terhadap kategori-
kategori tersebut atau untuk mengklasifikasi record dengan mengelompokkannya dalam
satu kelas. Pohon keputusan juga dapat digunakan untuk mengestimasi nilai dari
variabel continue meskipun ada beberapa teknik yang lebih sesuai untuk kasus ini.
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.
Pohon dimulai sebagai node tunggal (akar/root ) yang merepresentasikan semua data.
Sesudah node root dibentuk, maka data pada node akar akan diukur dengan information
gain untuk dipilih atribut mana yang akan dijadikan atribut pembaginya.
Sebuah cabang dibentuk dari atribut yang dipilih menjadi pembagi dan data akan
didistribusikan ke dalam cabang masing-masing.
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.
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 :
1. Istilah :
Ø Alternatif : sebuah tindakan atau strategi yang dapat dipilih oleh seorang pengambil
keputusan
Ø Kondisi Alami : sebuah kejadian atau situasi dimana pengambil keputusan hanya
memiliki sedikit kendali, atau tidak sama sekali
Ø Lingkaran : Sebuah titik kondisi alami dimana kondisi alami mungkin dapat terjadi
Diagram pohon sering kali membantu dalam memahami dan menyelesaikan persoalan
probabilitas. Diagram pohon biasanya digambarkan dalam lambang yang baku. Dimulai
dengan sebuah nokhtah kemudian dibuat cabang-cabang sebanyak peristiwa yang
mungkin dapat dihasilkan. Menganalisis masalah dengan pohon keputusan mencakup 5
hal, yaitu
1) Mendefinisikan Masalah
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.
Penyelesaian :
Beli sekarang
Rp. 14.000,-
Beli besok
0,5
0,5
Menghitung EMV:
= Rp. 15.000,-
Jadi, perusahaan akan memutuskan untuk membeli bahan mentah sekarang dengan
biaya Rp. 14.000,-
BAB III
PENUTUP
3.1 Kesimpulan
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.
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.
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.Dasar.d
an.Prosedur.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