RESUME PAPER

Penerapan Pohon Untuk Machine Learning

Disusun Guna Memenuhi Tugas Besar Mata Kuliah Matematika Informatika
Dosen Pengampu : Ibu Farida Nurmala Sihotang, S.Si., M.Si.

Disusun Oleh :
Kelompok 2 TIF RP 22B
( 225522012039 ) – Aulia Wira Yudha Mustopa
(22552011246) - Evi Fauziah
( 225520053 ) – Hendry Akmaludin
( 22552011057 ) - Ifqy Gifha Azhar
( 22552011077 ) - Muhammad Prasetya Nugroho

TEKNIK INFORMATIKA

SEKOLAH TINGGI TEKNOLOGI BANDUNG

2022 / 2023
Paper : Makalah IF2091 Strategi Algoritmik
Judul : Penerapan Pohon Untuk Machine Learning
Halaman :1-3
Tahun : 2009
Penulis : Muhammad Noor Adityana

A. Abstrak
Makalah ini membahas salah satu penggunaan pohon dalam bidang informatika, tepatnya pada bidang
intelegensia buatan. Penggunaan pohon yang akan dibahas dalam makalah ini adalah dalam hal machine
learning. Salah satu metode dari machine learning adalah menggunakan decision tree. Sesuai namanya,
decision tree merupakan salah satu aplikasi dari pohon.

B. Latar Belakang
Kecerdasan buatan atau Artificial Intellegence telah berkembang sangat pesat pada beberapa waktu terakhir.
AI merujuk di kemampuan mesin yang meniru kecerdasan manusia yang dapat melaksanakan tugas
sebelumnya hanya dapat dilakukan oleh manusia. satu cabang primer AI merupakan Machine Learning.
dalam Machine Learning, komputer diberikan akses ke data dan memakai algoritma untuk menemukan pola
dan membuat prediksi ( keputusan) berdasarkan data. peran Machine Learning poly membantu manusia
dalam berbagai bidang. Bahkan saat ini penerapan Machine Learning bisa dengan simpel pada temukan pada
kehidupan sehari hari. Paper ini membahas mengenai penggunaan pohon dalam Machine Learning.
Metode yang dipergunakan di Machine Learning adalah Decision Tree yang ialah suatu konsep dari pohon
yang di pakai dalam penyelesaian masalah klasifikasi dan regresi. Penerapan decision tree membantu
mempercepat proses pengambilan keputusan secara singkat . Decision Tree menjadi algoritma yang sangat
fleksibel serta poly pada pakai pada aneka macam persoalan Machine Learning.

C. Rumusan Masalah
Berikut adalah sedikit penjabaran mengenai permasalahan dalam Learning Decision Tree :
Di berikan sekumpulan pernyataan yang dapat diambil menjadi beberapa keputusan. Terdapat juga
sekumpulan atribut yang menjelaskan pernyataan yang sudah ada, dan setiap atribut memiliki nilai yang
terhingga. Kita ingin menggunakan pernyataan yang ada tersebut untuk mempelajari struktur dari sebuah
pohon keputusan yang dapat digunakan untuk menentukan keputusan dari pernyataan yang belum ada
unseen example.

D. Tujuan Penulisan Jurnal

Tujuan dari pembuatan jurnal ini adalah untuk mengetahui pembuatan sebuah keputusan pada Machine
Learning dengan menggunakan Decision Tree. dengan menggabungkan rumus entropy dan informasi gain
agar hasil dari sebuah keputusan itu sempurna. Information gain bertujuan untuk memecahkan masalah
dalam menentukan atribut terbaik untuk simpul tertentu pada pohon dan menggunakan entropy untuk
mendapatkan sebuah information gain.

E. Metodologi Penelitian
Metode Kuantitatif yaitu metode yang di lakukan secara sistematis dan menggunakan model - model yang
bersifat matematis. Sifat dari penelitian ini adalah objektif dan analitis.
F. Hasil
perhatikan gambar berikut :

Gambar 2. Pohon Keputusan ( Decision Tree )

Kedudukan akar / paling atas di tempati oleh simpul ”parent visiting”. Alasan mengapa simpul “ parent
visiting ” di posisikan sebagai akar belum di ketahui, begitupun proses pembuatan pohon keputusan nya.
Namun dari kondisi pada gambar jika “ Parent ” akan pergi berkunjung, maka sudah dapat dipastikan
berkunjung ke Cinema. Dari kondisi tersebut kita dapat menyimpulkan bahwa pilihan “ Parent visiting ” dapat
di taruh di paling atas atau di posisikan sebagai akar tanpa memperdulikan kemungkinan yang lain. Konsep
inilah yang menjadi dasar algoritma ID3.
Pembuatan pohon keputusan adalah perkara memilih atribut yang harus diuji pada setiap simpul. Proses ini
di namakan information gain, fungsinya untuk menentukan atribut yang akan digunakan pada setiap simpul.
Information Gain itu sendiri didapatkan dari perhitungan menggunakan satuan yang disebut entropy. Rumus
sebagai berikut :

Namun masalahnya adalah penentuan atribut terbaik untuk simpul tertentu pada pohon.Berikut terdapat
Pesamaan untuk menghitung sebuah nilai atribut A, pada sebuah kumpulan pernyataan S. Nilai dari atribut A
akan berkisar pada himpunan kemungkinan yang biasa disebut Values (A). Untuk sebuah nilai v, yaitu sebuah
nilai pada Values (A), kita dapat menuliskan Sv, ( himpunan pernyataan yang memiliki nilai v pada atribut A ).
Contoh :
Terdapat sekumpulan pernyataan S = {s1,s2,s3,s4} yang memiliki kategori positif dan negatif, dimana s1 positif
dan sisanya negatif. Selanjutnya kita menghitung information gain dari atribut A, dan A dapat memiliki values
{v1,v2,v3}. Ditentukan :
s1 memiliki nilai v2 untuk A
s2 memiliki nilai v2 untuk A
s3 memiliki nilai v3 untuk A
s4 memiliki nilai v1 untuk A
information gain,di dapatkan dengan kita menghitung entropy dari pernyataan S. Kita harus mengetahui
berapa jumlah positif jumlah positif dan negatif pada pernyataan S. Setelah di telusuri dari soal terlihat bahwa
positif = 1/4 dan negatif = 3/4,
Dengan begitu kita bisa menghitung :
Entropy(S)
= - (1/4)log2(1/4) – (3/4)log2(3/4)
= - (1/4)(-2) – (3/4)(-0,415)
= 0,5 + 0,311
= 0,811
Selanjutnya kita perlu menghitung Entropi (Sv) untuk setiap nilai v = v1, v2, v3, v4. Sv merupakan kumpulan
dari pernyataan pada S yang memiliki nilai v pada atribut A, atau dapat ditulisakan sebagai berikut :
𝑆𝑣1 = {s4}, 𝑆𝑣2={s1, s2}, 𝑆𝑣3 = {s3}
Sekarang, kita dapat menyelesaikan persamaan berikut :
(|𝑆𝑣1|/|S|) * Entropy(𝑆𝑣1) = (1/4) * (-(0/1)log2(0/1) - (1/1)log2(1/1))
= (1/4)(-0 -(1)log2(1)) = (1/4)(-0 -0)
= 0 (|Sv2|/|S|) * Entropy(Sv2)
= (2/4) * (-(1/2)log2(1/2) - (1/2)log2(1/2))
= (1/2) * (-(1/2)*(-1) - (1/2)*(-1))
= (1/2) * (1) = 1/2 (|𝑆𝑣3|/|S|) * Entropy(𝑆𝑣3)
= (1/4) * (-(0/1)log2(0/1) - (1/1)log2(1/1))
= (1/4)(-0 -(1)log2(1))
= (1/4)(-0 -0)
=0

Setelh itu bisa menambahkan ketiga nilai tersebut dan mendapatkan Entropy(S) untuk hasil akhir : Gain(S,A)
= 0.811 - (0 + 1/2 + 0) = 0.311

Berikut adalah algoritma ID3. Misal diberikan sekumpulan pernyataan S, yang dikelompokkan dalam
sekumpulan kategori 𝐶𝑖, maka :
• Tentukan simpul akar yang merupakan atribut A yang memiliki nilai information gain terbesar pada S
• Untuk setiap nilai V yang mungkin dimiliki A, gambarkan cabang untuk simpul tersebut
• Untuk setiap cabang dari A yang berkorespondensi dengan nilai , hitung 𝑆𝑣.
− Jika 𝑆𝑣 kosong, pilih kategori 𝑐𝑑𝑒𝑓𝑎𝑢𝑙𝑡 yang mempunyai paling banyak contoh pada S, dan letakan
pada simpul daun yang mengakhiri cabang tersebut.
− Jika 𝑆𝑣 hanya mengandung contoh dari kategori c, maka letakan c sebagai simpul daun yang
mengakhiri cabang tersebut.
• Selain itu, hilangkan A dari kumpulan atribut yang bisa diletakan pada simpul. letakan simpul baru pada
decision tree,atribut baru yang diletakan adalah atribut memiliki information gain terbesar terhadap 𝑆𝑣.
 • Ulangi langkah diatas dengan mengganti S dengan 𝑆𝑣 Algoritma diatas berhenti jika atribut sudah habis,
atau decision tree sudah mengklasifikasi contoh dengan sempurna. Ilustrasi dari algoritma ID3 berada
pada gambar 3.

Gambar 3. Algoritma ID3

D. Kesimpulan
• Kesimpulan peneliti
Kegunaan pohon dalam bidang informatika sangat banyak. Salah satunya untuk membuat decision tree
learning. Decision tree learning secara garis besar mirip dengan pohon n-ary dengan sedikit tambahan
rumus-rumus perhitungan entropy dan information gain.
• Kesimpulan Penyusun
Konsep dari penggunaan pohon itu dibutuhkan dalam pembuata sebuah machine learning karena dengan
menggunakan konsep tersebut kita dapat membuat sebuah decision tree learning yang di mana berguna
untuk mengambil sebuah keputusan dari beberapa pilihan yang ada .

E. Saran
Berikut beberapa saran yang dapat di berikan penyusun kepada peneliti :
• Struktur penulisan kurang lengkap. Untuk contoh entropy dan algoritma ID3 dapat lebih di diperbanyak
lagi.
• Pembahasan mengenai Machine Learning kurang mendalam. Oleh karena itu di harapkan isi daripada
paper dapat di perdalam kembali.
• Menggunakan gambar yang lebih jelas untuk membantu memahami maksud dari gambar yang disajikan