MAKALAH

“MENGAPLIKASIKAN PENERAPAN POHON KEPUTUSAN UNTUK

DESAIN PRODUK”

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

PROGRAM STUDI MANAJEMEN

FAKULTAS BISNIS HUKUM DAN ILMU SOSIAL
UNIVERSITAS MUHAMMADIYAH SIDOARJO
 KATA PENGANTAR

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.

Sidoarjo, 02 April 2023

Kelompok 2
 DAFTAR ISI

KATA PENGANTAR ..............................................................................................

DAFTAR ISI.............................................................................................................
BAB I PENDAHULUAN .........................................................................................
A. Latar Belakang ...............................................................................................
B. Rumusan Masalah ..........................................................................................
C. Tujuan Penulisan ............................................................................................
BAB II PEMBAHASAN ..........................................................................................
A. Pengertian Pohon Keputusan .........................................................................
B. Manfaat Pohon Keputusan .............................................................................
C. Kelebihan Pohon Keputusan ..........................................................................
D. Kekurangan Pohon Keputusan .......................................................................
E. Model Pohon Keputusan ................................................................................
F. Algoritma C4.5 ..............................................................................................
G. Contoh Aplikasi .............................................................................................
BAB III PENUTUP ..................................................................................................
A. Kesimpulan ....................................................................................................
DAFTAR PUSTAKA ...............................................................................................
 BAB I
PENDAHULUAN

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

A. Pengertian Pohon Keputusan

Pohon yang dalam analisis pemecahan masalah pengambilan keputusan adalah
pemetaan mengenai alternatif-alternatif pemecahan masalah yang dapat diambil dari
masalah tersebut. Pohon tersebut juga memperlihatkan faktor-faktor kemungkinan
atau probablitas yang mempengaruhi alternatif-alternatif keputusan tersebut, disertai
dengan estimasi hasil akhir yang akan didapat bila kita mengambil alternatif
keputusan tersebut.

B. Manfaat Pohon Keputusan

Pohon keputusan adalah salah satu metode klasifikasi yang paling populer
karena mudah untuk di interprestasikan oleh manusia. Manfaat utama dari
penggunaan pohon keputusan adalah kemampuanya untuk mem-break down proses
pengambilan keputusan yang kompleks menjadi lebih simpel sehingga pengambil
keputusan akn lebih menginterprestasikan solusi dari permasalahan. 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.

C. Kelebihan Pohon Keputusan

Kelebihan dari metode pohon keputusan adalah:
1. Daerah pengambilan keputusan yang sebelumnya kompleks dan sangat
global, dapat diubah menjadi lebih simpel dan spesifik.
2. Eliminasi perhitungan-perhitungan yang tidak diperlukan, karena
ketika menggunakan metode pohon keputusan maka sample diuji
hanya berdasarkan kriteria atau kelas tertentu.
3. 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 perhitungan satu tahap
yang lebih konvensional.
4. 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.

D. Kekurangan Pohon Keputusan

Kekurangan metode pohon keputusan, yaitu:
1. 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.
2. Pengakumulasian jumlah eror dari setiap tingkat dalam sebuah pohon
keputusan yang besar.2
3. Kesulitan dalam mendesain pohon keputusan yang optimal. Hasil
kualitas keputusan yang didapatkan dari metode pohon keputusan
sangat tergantung pada bagaimana pohon tersebut di desain.
4. 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.

E. Model Pohon Keputusan

Pohon keputusan adalah model prediksi menggunakan struktur berhirarki.
Setiap percabangan menyatakan sebuah kondisi yang dipenuhi dan tiap ujung pohon
menyatakan kelas data.

Model Pohon Keputusan (Pramudiono,2008)

 Contoh gambar 1 ialah identifikasi pembeli komputer, dari poohon keputusan
tersebut diketahui bahwa salah satu kelompok yang potensial mmembeli komputer
adaalah orang yang berusia dibawah 30 tahun dan masih pelajar. Setelah itu sebuah
pohon keputusan dibangun maka dapat digunakan untuk mengklasifikasikan record
yang belum mempunyai kelas. Dimulai dari node root, menggunakan tes terhadap
atribut dari recor yang belum ada kelasnya tersebut lalu mengikuti cabang yang sesuai
dengan hasil dari tes tersebut, yang akan membawa pada interval 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.
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. 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.

( )

S adalah ruang (data) sampel yang digunakan untuk pelatihan, p+ adalah

jumlah yang bersolusi positif atau mendukung pada data sampel untuk kriteria
tertentu dan p- adalah jumlah yang bersolusi negatif atau tidak mendukung pada data
sampel untuk kriteria tertentu.
Entropi split yang membagi S dengan n record menjadi himpunan-himpunan
S1 dengan n1 baris dan S2 dengan n2 baris adalah:
 ( ) ( ) ( )

Kemudian menghitung perolehan informasi dari output data atau variabel

dependent y yang dikelompokkan berdasarkan atribut A, dinotasikan dengan gain
(y,A). Perolehan informasi, gain (y,A), dari atribut A relative terhadap output data y
adalah:

( ) ( ) ∑ ( )
( )

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:

( ) ∑

Bahwa S1 sampai Sc adalah c subset yang dihasilkan dari pemecahan S dengan

menggunakan atribut A yang mempunyai sebanyak c nilai. Selanjutnya rasio
perolehan (gain ratio) 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:

Kemudian untuk setiap candidat split diatas, dihitung variable-variable

berikut berdasarkan training data yang dimiliki. Adapun variable-variable
tersebut, yaitu:

( ⁄) ∑ | (⁄ ) ( ⁄ )|
 Dimana:

Adapun contoh hasil perhitungannya adalah sebagai berikut:

Dapat dilihat dari contoh perhitungan diatas, bahwa yang memiliki

nilai goodness of split * ( ) + yang terbesar, yaitu split 4 dengan nilai
0,64275. Oleh karena itu split 4 lah yang akan digunakan pada root node, yaitu
split dengan : asset = low dengan asset = {medium, high}.
Sehingga pencabangan untuk asset = {medium, high} memiliki
decision node baru. Adapun pemilihan split yang akan digunakan, yaitu
dengan menyusun perhitungan nilai ( ) yang baru tanpa melihat split 4,
record 2 dan 7.
 Demikian seterusnya hingga akhirnya dibentuk leaf node dan
membentuk decision tree yang utuh (fully grown form) seperti dibawah ini:

 Sistem Pakar Diagnosa Penyakit (Kusrini)

Dalam aplikasi ini terdapat tabel-tabel sebagai berikut:
 Tabel Rekam_Medis, berisi data asli rekam medis pasien
 Tabel kasus, berisi data variable yang dapat mempengaruhi kesimpulan
diagnosis dari pasien-pasien yang ada, misalnya Jenis Kelamin, Umur,
Daerah_Tinggal, Gejala_1 s/d gejala_n, Hasil_Tes_1 s/d Hasil_Tes_n.
Selain itu dalam tabel ini juga memiliki field Hasil_Diagnosis.
 Tabel Aturan, berisi aturan hasil ekstrak dari pohon keputusan.
Proses akuisisi pengetahuan yang secara biasanya dalam sistem pakar
dilakukan oleh sistem pakar, dalam sistem ini akan dilakukan dengan urutan
proses ditunjukkan pada gambar berikut:
 Hasil pembentukan pohon keputusan bisa seperti pohon keputusan
yang tampak pada gambar:

Lambang bulat pada pohon keputusan melambangkan sebagai node

akar atau cabang (bukan daun) sedangkan kotak melambangkan node daun.
Jika pengetahuan yang terbentuk berupa kaidah produksi dengan format:
Jika Premis Maka Konklusi Node-node akar akan menjadi Premis dari
aturan sedangkan node daun akan menjadi bagian konklusinya. Dari gambar
pohon keputusan pada gambar 4, dapat dibentuk aturan sebagai berikut:
1. Jika Atr_1 = N_1
Dan Atr_2 = N_4
 Dan Atr_3 = N_9
Maka H_1
2. Jika Atr_1 = N_1
Dan Atr_2 = N_4
Dan Atr_3 = N_10
Dan Atr_4 = N_11
Maka H_2
3. Jika Atr_1 = N_1
Dan Atr_2 = N_4
Dan Atr_3 = N_10
Dan Atr_4 = N_12
Maka H_2
4. Jika Atr_1 = N_1
Dan Atr_2 = N_5
Maka H_4
5. Jika Atr_1 = N_2
Maka H_5
6. Jika Atr_1 = N_3
Dan Atr_5 = N_6
Maka H_6
7. Jika Atr_1 = N_3
Dan Atr_5 = N_7
Maka H_7
8. Jika Atr_1 = N_3
Dan Atr_5 = N_8
Maka H_8
Model casebased reasoning dapat digunakan sebagai metode akuisisi
pengetahuan dalam aplikasi system pakar diagnosis penyakit. Aturan yang
dihasilkan system ini mampu digunakan untuk mendiagnosis penyakit
didasarkan pada data-data pasien. Dalam penentuan diagnosis penyakit belum
diimplementasikan derajat kepercayaan terhadap hasil diagnosis tersebut.
 BAB III
PENUTUP

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/