ANALISIS KEPUTUSAN DAN

POHON KEPUTUSAN

Disusun Oleh Kelompok 12:

• Rizqi Dewi Anggraini (201911130)
• Ricky Wahyudi (201911373)
• Ari Mujiyanto (201911374)
• Nila Hayunda Rahmawati (201911376)
• M. Nurjayanto Setiawan (201911382)
Kelas 2-O
Manajemen - FEB UMK
PENGERTIAN DAN LANGKAH-LANGKAH
DALAM ANALISIS KEPUTUSAN
• Analisis keputusan adalah pola berpikir sistematis dalam pengambilan keputusan,
yang bertujuan untuk mengidentifikasi apa yang harus dilakukan, pengembangan
kriteria khusus untuk mencapai tujuan, mengevaluasi alternatif tindakan yang tersedia
yang berhubungan dengan kriteria dan mengidentifikasi kemungkinan resiko yang
melekat pada suatu keputusan tersebut.

• Untuk itu, dilakukan analisis keputusan dengan mengikuti langkah-langkah sebagai

berikut :
• > Merumuskan Pernyataan Keputusan
• > Menetapkan Kriteria Keputusan
• > Menetapkan Alternatif Keputusan
• > Menentukan Bobot Masing-Masing  Kriteria
• > Membuat Matriks Penilaian
• > Menentukan Tindakan Terpilih
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/probablitas yang akan mempengaruhi alternatif-
alternatif keputusan tersebut, disertai dengan estimasi hasil akhir yang akan
didapat bila kita mengambil alternatif keputusan tersebut.
MANFAAT POHON 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.
KELEBIHAN POHON KEPUTUSAN

• Kelebihan dari metode pohon keputusan adalah:

• Ø  Daerah pengambilan keputusan yang sebelumnya kompleks dan sangat global, dapat diubah menjadi lebih simpel dan spesifik.
• Ø  Eliminasi perhitungan-perhitungan yang tidak diperlukan, karena ketika menggunakan metode pohon keputusan maka sample
diuji hanya berdasarkan kriteria atau kelas tertentu.
• 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.
KEKURANGAN POHON KEPUTUSAN

• Ø  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.
• Ø  Pengakumulasian jumlah eror dari setiap tingkat dalam sebuah pohon keputusan
yang besar.
• Ø  Kesulitan dalam mendesain pohon keputusan yang optimal.
• Ø  Hasil kualitas keputusan yang didapatkan dari metode pohon keputusan sangat
tergantung pada bagaimana pohon tersebut didesain.
PROSEDUR PEMBENTUKAN POHON
KEPUTUSAN
• 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).
•  Strategi pembentukan decision tree dengan algoritma ID3  adalah:        
• 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.
ANALISIS POHON KEPUTUSAN

• . Menganalisis masalah dengan pohon keputusan mencakup 5 hal, yaitu

• 1)      Mendefinisikan Masalah
• 2)      Menggambar Pohon Keputusan
• 3)      Menentukan peluang untuk kondisi ilmiah
• 4)      Memperkirakan imbalan bagi setiap kombinasi alternatif keputusan dan kondisi ilmiah
yang mungkin
• 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.
 CONTOH KASUS DAN PEMBAHASAN

Asumsikan anda mempunyai sejumlah dana untuk

diinvestasikan pada dua alternatif proyek, yaitu proyek
A dan B. Peluang proyek A akan memberikan
keuntungan adalah 20% dengan nilai keuntungan 50
juta. Peluang proyek B akan memberikan keuntungan
adalah 45% dengan nilai keuntungan 10 juta.Buatlah
pohon keputusan untuk membantu anda dalam
mengambil keputusan
SOLUSI KASUS
 EXPECTED MONETARY
VALUE : DASAR
PENGAMBILAN KEPUTUSAN

Pengambilan keputusan didasarkan pada

yang nilai ekonomi
(expected monetary
diharapkan value,EMV)

tertinggi.

Formula EMV :
EMV = Σ (probability x nilai payoff yg diharapkan)
 EMV KASUS

EMVA = Σ (probability x nilai payoff yg

diharapkan)
= (0.20x50.000.000) + (0.80x0) = 10.000.000
EMVB = Σ (probability x nilai payoff yg diharapkan)
= (0.45x10.000.000) + (0.55x0) = 4.500.000
Kesimpulan : pilih proyek A
•SEKIAN DAN TERIMAKASIH