MANAJEMEN OPERASIONAL
DOSEN PENGAMPU:
Dr. Supardi, SE., MM
Oleh:
1. Nadifa Mauluddiyah 222010200003
2. Nita Fauziyah 222010200007
3. Rexy ardhana putra 222010200016
4. Achmad Yuan Dwi Destian 222010200021
5. Muhammad Alvin Fauzi 222010200024
6. Gladys Raissa Gardiana 222010200046
7. Yesika Larasati 222010200063
8. Devi Susilowati 222010200069
9. Nursa'idah Feby Mirani 222010200095
10. Tiara Khurnia Illahi 222010200128
Puji syukur kehadirat Allah SWT hanya kepada-Nya lah kami memuji dan hanya
kepada-Nya lah kami memohon pertolongan. Dengan pertolongan-Nya, kami dapat
menyelesaikan makalah yang berjudul Mengaplikasikan Penerapan Pohon Keputusan untuk
Desain Produk. Ucapan terima kasih kami sampaikan kepada Bapak Dr. Supardi, SE., MM
sebagai dosen pengampu mata kuliah Manajemen Operasional yang telah membantu
memberikan arahan dan pemahaman dalam penyusun makalah ini.
Kami menyadari bahwa dalam penyusunan makalah ini masih banyak kekurangan
karena keterbatasan kami. Maka dari itu penyusun sangat mengharapkan kritik dan saran
untuk menyempurnakan makalah ini. Semoga apa yang ditulis dapat bermanfaat bagi semua
pihak yang membutuhkan.
Kelompok 2
DAFTAR ISI
A. Latar Belakang
Didalam kehidupan manusia sehari-hari, manusia selalu dihadapkan oleh berbagai
macam masalah dari berbagai macam bidang. Masalah-masalah ini yang dihadapi oleh
manusia tingkat kesulitan dan kompleksitasnya sangat bervariasi, mulai dari yang
teramat sederhana dengan sedikit faktor-faktor yang berkaitan dengan masalah tersebut
dan perlu diperhitungkan sampai dengan yang sangat rumit dengan banyak sekali faktor-
faktor turut serta berkaitan dengan masalah tersebut dan perlu untuk diperhitungkan.
Untuk menghadapi masalah-masalah ini, manusia mulai mengembangkan sebuah
sistem yang dapat membantu manusia agar dapat dengan mudah mampu untuk
menyelesaikan masalah-masalah tersebut. Adapun pohon keputusan ini adalah 341
sebuah jawaban akan sebuah sistem 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 faktorfaktor 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. Peranan pohon keputusan ini
sebagai alat Bantu dalam mengambil keputusan (decision support tool) telah
dikembangkan oleh manusia sejak perkembangan teori pohon yang dilandaskan pada
teori graf. Kegunaan pohon keputusan yang sangat banyak ini membuatnya telah
dimanfaatkan oleh manusia dalam berbagai macam sistem pengambilan keputusan.
B. Rumusan Masalah
Rumusan masalah berisi pertanyaan-pertanyaan penting yang terkait dengan sub bab
yang akan di bahas pada BAB II pembahasan. Rumusan masalah dituliskan dengan
poin-poin sebagai berikut :
1. Apa itu pengertian pohon keputusan?
2. Apa saja manfaat pohon keputusan?
3. Apa saja kelebihan dari pohon keputusan?
4. Apa saja kekurangan dari pohon keputusan?
5. Bagaimana model pohon keputusan?
6. Apa itu algoritma C4.5?
7. Apa itu contoh aplikasi?
C. Tujuan Penulisan
Tujuan ini berisi pernyataan-pernyataan penting yang berisi jawaban dari rumusan
masalah. Tujuan penulisan dituliskan dengan poin sebagai berikut :
1. Agar pembaca mengetahui pengertian pohon keputusan
2. Agar pembaca mengetahui manfaat pohon keputusan
3. Agar pembaca mengetahui kelebihan pohon keputusan
4. Agar pembaca mengetahui kekurangan pohon keputusan
5. Agar pembaca mengetahui model pohon keputusan
6. Agar pembaca mengetahui tentang algoritma C4.5
7. Agar pembaca mengetahui tentang contoh aplikasi
BAB II
PEMBAHASAN
F. Algoritma C4.5
Salah satu algoritma induksi pohon keputusan yaitu ID3 (Iterative
Dichotomiser 3). ID3 dikembangkan oleh J. Ross Quinlan. Algoritma C4.5
merupakan pengembangan dari ID3. Sedangkan pada perangkat lunak opensource
WEKA mempunyai versi sendiri C4.5 yang dikenal sebagai J48.
Algoritma C4.5
Input: sampel training, label training, atribut
Membuat simpul akar untuk pohon yang dibuat
Jika semua sampel positif, berhenti dengan suatu pohon dengan satu simpul akar,
beri label (+)
Jika semua sampel negatif, berhenti dengan suatu pohon dengan satu simpul akar,
beri label (-)
Jika atribut kosong, berhenti dengan suatu pohon dengan satu simpul akar, dengan
label sesuai nilai yang terbanyak yang ada pada label training
Untuk yang lain, Mulai
A => atribut yang mengklasifikasikan sampel dengan hasil terbaik
(berdasarkan gain ratio)
Atribut keputusan untuk simpul akar => A
Untuk setiap nilai, vi, yang mungkin untuk A,
Tambahkan cabang dibawah akar yang berhubungan dengan
A = vi
Tentukan sampel Svi sebagai subset dari sampel yang
mempunyai nilai vi untuk atribut A
Jika sampel Svi kosong,
Dibawah cabang tambahkan simpul daun dengan label
= nilai yang terbanyak yang ada pada label training
Yang lain, tambah cabang baru dibawah cabang yang
sekarang C4.5 (sampel training, label training, atribut-
[A])
Berhenti
Algoritma C4.5
Pohon dibangun dengan cara membagi data secara rekursif hingga tiap bagian
terdiri dari data yang berasal dari kelas yang sama. Bentuk pemecahan (split) yang
digunakan untuk membagi data tergantung dari jenis atribut yang digunakan dalam
split. Split untuk atribut diskret A mempunyai bentuk value (A) X di mana X
domain (A).
Untuk melakukan pemisahan obyek (split) dilakukan tes terhadap atribut
dengan mengukur tingkat ketidakmurnian pada sebuah simpul (node). Pada algortima
C4.5 menggunakan rasio perolehan (gain ratio). Sebelum menghitung rasio
perolehan, perlu menghitung dulu nilai infomasi salam satuan bits dari suatu
kumpulan objek. Cara menghitungnya dilakukan dengan menggunakan konsep
entropi.
( )
( ) ( ) ∑ ( )
( )
Nilai (A) adalah semua nilai yang mungkin dari atribut A, dan yc adalah
subset dari y di mana A mempunyai nilai c. Term pertama dalam persamaan di atas
adalah entropy total y dan term kedua adalah entropy sesudah dilakukan pemisahan
data berdasarkan atribut A.
Untuk menghitung rasio perolehan perlu diketahui suatu term baru yang
disebut pemisahan informasi (SplitInfo). Pemisahan informasi dihitung dengan cara:
( ) ∑
( )
( )
( )
G. Contoh Aplikasi
Credit Risk
Berikut ini merupakan contoh dari salah satu kasus resiko kredit (credit
risk) yang menggunakan decision tree untuk menentukan apakah seorang
potential customer dengan karakteristik saving, asset dan income tertentu
memiliki good credit risk atau bad credit risk.
Dapat dilihat pada gambar tersebut, bahwa target variable dari decision
tree tersebut atau variable yang akan diprediksi adalah credit risk dengan
menggunakan predictor variable: saving, asset, dan icome. Setiap nilai atribut
dari predictor variable akan memiliki cabang menuju predictor variable
selanjutnya, dan seterusmya hingga tidak dapat dipecah dan menuju pada
target variable.
Jika tidak terdapat pemisahan lagi yang mungkin dilakukan, maka
algoritma decision tree akan berhenti membentuk decision node yang baru.
Seharusnya setiap branches diakhiri dengan ”pure” leaf node, yaitu leaf node
dengan target variable yang bersifat unary untuk setiap records pada node
tersebut. Tetapi, terdapat kemungkinan decision node memiliki ”diverse”
atributes, yaitu bersifat non-unary untuk nilai target variablenya. Kondisi
tersebut menyebabkan tidak dapat dilakukan pencabangan lagi berdasarkan
nilai predictor variable.
Sehingga solusinya adalah membentuk leaf node yang disebut
”diverse” leaf node, dengan menyatakan level kepercayaan dari diverse leaf
node tersebut. Misalnya untuk contoh data berikut ini:
Dari training data tersebut kemudian disusunlah alternatif untuk
candidate split, sehingga setiap nilai untuk predictor variable diatas hanya
membentuk 2 cabang, yaitu sebagai berikut:
( ⁄) ∑ | (⁄ ) ( ⁄ )|
Dimana:
A. Kesimpulan
1. Pohon keputusan dapat digunakan untuk keputusan produk baru serta masalah
manajemen lainnyayang beragam ketika menawarkan ditemukan. Pohon
keputusan biasanya membantu ketikaterdapat sejumlah keputusan dan berbagai
hasil yang mengarah ke keputusan selanjutnyayang diikuti oleh hasil lainnya.
2. Pohon keputusan adalah salah satu metode klasifikasi yang paling populer
karena mudah untuk di interprestasikan oleh manusia
3. Pohon keputusan adalah model prediksi menggunakan struktur berhirarki.
Setiap percabangan menyatakan sebuah kondisi yang dipenuhi dan tiap ujung
pohon menyatakan kelas data.
4. Algoritma C4.5 merupakan pengembangan dari ID3. Sedangkan pada perangkat
lunak opensource WEKA mempunyai versi sendiri C4.5 yang dikenal sebagai
J48.
5. Jika tidak terdapat pemisahan lagi yang mungkin dilakukan, maka algoritma
decision tree akan berhenti membentuk decision node yang baru. Seharusnya
setiap branches diakhiri dengan ”pure” leaf node, yaitu leaf node dengan target
variable yang bersifat unary untuk setiap records pada node tersebut. Tetapi,
terdapat kemungkinan decision node memiliki ”diverse” atributes, yaitu bersifat
non-unary untuk nilai target variablenya. Kondisi tersebut menyebabkan tidak
dapat dilakukan pencabangan lagi berdasarkan nilai predictor variable.
DAFTAR PUSTAKA
Dr. Rita Ambarwati, S. M., & Dr. Supardi, S. M. (2021). MANAJEMEN OPERASIONAL
DAN IMPLEMENTASI DALAM INDUSTRI. Sidoarjo: Pustaka Rumah C1nta.
https://veriyenpaone.blogspot.com/2012/11/makalah-pohon-keputusan_18.html
https://accurate.id/ekonomi-keuangan/decision-tree/