- Bagoes Abbiyu A.
- Marcel Barliano.
- Muhamad Irfan A.
- Wahyu Yahya N.
Universitas Esa Unggul Jl. Citra Raya Boulevard No.01, Panongan, Kec. Panongan,
Kabupaten Tangerang, Banten 15711
Pengertian Algoritma dari Decision Tree.
Decision tree adalah jenis algoritma klasifikasi yang strukturnya mirip seperti sebuah
pohon yang memiliki akar, ranting, dan daun. Simpul akar (internal node) mewakili fitur pada
dataset, simpul ranting (branch node) mewakili aturan keputusan (decision rule), dan tiap-tiap
simpul daun (leaf node) mewakili hasil keluaran. Itulah kenapa algoritma ini disebut Decision
tree atau pohon keputusan.
Tujuan penggunaan Decision tree adalah untuk membuat training model yang dapat
digunakan untuk memprediksi kelas atau nilai variabel target dengan mempelajari aturan
keputusan sederhana yang disimpulkan dari data sebelumnya (data training).
Dalam algoritma Decision tree, terdapat 2 node, yakni Decision Node dan Leaf Node.
Decision node digunakan untuk membuat keputusan berdasarkan fitur dari dataset yang
diberikan. Node ini memiliki simpul cabang, bisa berupa decision node atau leaf node.
Leaf node digunakan untuk mewakili keluaran hasil keputusan dari simpul induknya
(decision node). Node ini tidak memiliki simpul cabang.
Diagram di bawah ini menggambarkan struktur umum dari algoritma Decision tree:
Sebagai Kasus terdapat beberapa atribut data seperti Minimal Suhu (Min.Temp), Maksimal
Suhu (Max.Temp), Rata-Rata Suhu (Avg.Temp) dan Tekanan Udara (Pressure). Atribut-atribut
ini akan Menentukan Pandangan (Outlook). Dalam hal ini outputnya adalah Partly Cloudy dan
Sunny.
Gambar.1
Berikut adalah Step by Stepnya :
Dari data pada gambar .1 telah di dapat Nilai Gain tertinggi pada atribut Pressure, maka
Pressure menjadi Root. Dan Pressure pada 1009 dan 1012 telah didapat Leafnya, untuk 1010 dan
1011 belum didapat, maka ;