Decision Tree

Kelompok 5
202113 Fajar Putra Ramadhan
202114 Rosliana Limbong
202116 Akhmad Maruf Amna
 Apa itu Decision Tree
Decision tree adalah alat pendukung dengan struktur seperti pohon yang memodelkan kemungkinan hasil,
biaya sumber daya, utilitas, dan kemungkinan konsekuensi.

Decision tree menyediakan cara untuk menyajikan algoritma dengan pernyataan kontrol bersyarat. Mereka
termasuk cabang yang mewakili langkah-langkah pengambilan keputusan yang dapat mengarah pada hasil
yang menguntungkan.

Struktur flowchart mencakup node internal yang mewakili tes atau atribut pada setiap tahap. Setiap cabang
mewakili hasil untuk atribut, sedangkan jalur dari daun ke akar mewakili aturan untuk klasifikasi.

Decision tree merupakan salah satu bentuk algoritma pembelajaran terbaik berdasarkan
berbagai metode pembelajaran.

Meningkatkan model prediktif dengan akurasi, kemudahan dalam interpretasi, dan stabilitas. Alat ini juga
efektif dalam menyesuaikan hubungan non-linier karena mampu memecahkan tantangan penyesuaian data,
seperti regresi dan klasifikasi.
KEKURANGAN DECISION TREE
Pohon keputusan bekerja paling baik ketika Anda mengikuti aturan diagram alur
dasar:

01. Persegi panjang atau bujur sangkar

Tunjukkan awal pohon tempat Anda menulis pertanyaan

02. Garis
Mewakili cabang-cabang pohon. Ini semua adalah
kemungkinan tindakan

03. Lingkaran
Menandakan hasil yang tidak pasti bahwa Anda akan
membutuhkan cabang tambahan untuk diklarifikasi

04. Segitiga
Berikan jawaban yang jelas dan final. Mereka juga disebut
“daun”
Jenis Keputusan
1. Decision tree variabel kategori
Sebuah pohon keputusan variabel kategori termasuk
variabel target kategoris yang dibagi ke dalam kategori.
Misalnya, kategorinya bisa ya atau tidak. Kategori berarti
bahwa setiap tahap proses keputusan jatuh ke dalam salah
satu kategori, dan tidak ada di antaranya.
2. Decision tree variabel kontinu
Pohon keputusan variabel kontinu adalah pohon keputusan
dengan variabel target kontinu. Misalnya, pendapatan
individu yang pendapatannya tidak diketahui dapat
diprediksi berdasarkan informasi yang tersedia seperti
pekerjaan, usia, dan variabel kontinu lainnya.
Contoh Pengaplikasian Decision Tree
1. Menilai peluang pertumbuhan prospektif
Salah satu penerapan decision tree melibatkan evaluasi peluang pertumbuhan prospektif untuk bisnis berdasarkan data
historis.
Data historis tentang penjualan dapat digunakan dalam pohon keputusan yang dapat menyebabkan perubahan radikal
dalam strategi bisnis untuk membantu ekspansi dan pertumbuhan.
2. Menggunakan data demografi untuk menemukan calon klien
Aplikasi lain dari alat ini adalah dalam penggunaan data demografis untuk menemukan calon klien. Mereka dapat
membantu dalam merampingkan anggaran pemasaran dan dalam membuat keputusan yang tepat tentang pasar sasaran
yang menjadi fokus bisnis.
Dengan tidak adanya decision tree, bisnis dapat menghabiskan pasar pemasarannya tanpa mempertimbangkan
demografi tertentu, yang akan mempengaruhi pendapatannya secara keseluruhan.
3. Berfungsi sebagai alat pendukung di beberapa bidang
Pemberi pinjaman juga menggunakan decision tree untuk memprediksi kemungkinan pelanggan gagal membayar
pinjaman, dengan menerapkan pembuatan model prediktif menggunakan data masa lalu klien.
Penggunaan alat pendukung pohon keputusan dapat membantu pemberi pinjaman dalam mengevaluasi kelayakan
kredit pelanggan untuk mencegah kerugian.
Alat ini juga dapat digunakan dalam riset operasi dalam perencanaan logistik dan manajemen strategis. Mereka dapat
membantu dalam menentukan strategi yang tepat yang akan membantu perusahaan mencapai tujuan yang diinginkan.
Bidang lain di mana decision tree dapat diterapkan termasuk teknik, pendidikan, hukum, bisnis, kesehatan, dan
keuangan.
Cara Membuat Decision Tree
1. Mulailah dengan pertanyaan atau ide
Gambarlah persegi panjang, dan tulis pertanyaan atau ide Anda di dalamnya. Jika Anda ingin membuat pohon horizontal,
gambar persegi panjang Anda di sisi kiri halaman sehingga Anda memiliki ruang untuk menggambar garis.
Untuk pohon vertikal, gambar kotak di bagian atas halaman dan turunkan. Misalnya, jika Anda ingin menentukan apakah
Anda harus meminta kenaikan gaji, Anda dapat menggambar persegi panjang di bagian atas halaman dan menulis, “Meminta
kenaikan gaji?” di dalamnya.

2. Tambahkan cabang
Gambarlah garis sebanyak yang Anda butuhkan dari kotak untuk menentukan tindakan. Untuk melanjutkan contoh, Anda
dapat menggambar dua cabang di bawah persegi panjang Anda dan memberi label “Ya” dan “Tidak.” Ini menandakan bahwa
Anda meminta atau tidak meminta kenaikan gaji.

3. Tambahkan simpul keputusan ke cabang

Lingkaran menunjukkan bahwa hasil dari cabang belum jelas dan Anda perlu mengajukan lebih banyak pertanyaan. Segitiga
menunjukkan bahwa hasilnya hampir pasti.
Contohnya, Anda dapat menambahkan lingkaran di akhir cabang “Ya” dan “Tidak”. Di lingkaran “Ya”, Anda dapat menulis
“Dapatkan kenaikan gaji?” untuk menentukan apakah manajer Anda akan memberi Anda kenaikan gaji dan di lingkaran
“Tidak”, Anda dapat menulis, “Dapatkan kenaikan gaji di masa mendatang?” untuk menentukan apakah Anda yakin akan
mendapatkan kenaikan gaji tanpa meminta di masa mendatang.

4. Lanjutkan seperlunya
Lanjutkan decision tree Anda sampai Anda benar-benar memeriksa semua kemungkinan hasil dan dapat membuat keputusan
yang tepat. Dalam contoh, Anda akan melanjutkan sampai Anda mencapai jawaban apakah Anda harus meminta kenaikan
gaji.
 Keuntungan Menggunakan Decision Tree

1. Mudah dibaca dan ditafsirkan

Salah satu keuntungan dari pohon keputusan adalah outputnya mudah dibaca dan diinterpretasikan, bahkan tanpa
memerlukan pengetahuan statistik.
Misalnya, ketika menggunakan pohon keputusan untuk menyajikan informasi demografis pada pelanggan, staf
departemen pemasaran dapat membaca dan menafsirkan representasi grafis dari data tanpa memerlukan pengetahuan
statistik.
Data juga dapat digunakan untuk menghasilkan wawasan penting tentang probabilitas, biaya, dan alternatif untuk
berbagai strategi yang dirumuskan oleh departemen pemasaran.

2. Mudah disiapkan
Dibandingkan dengan teknik keputusan lainnya, pohon keputusan membutuhkan sedikit usaha untuk persiapan data.
Pengguna, bagaimanapun, perlu memiliki informasi yang siap untuk membuat variabel baru dengan kekuatan untuk
memprediksi variabel target.
Mereka juga dapat membuat klasifikasi data tanpa harus menghitung perhitungan yang rumit. Untuk situasi yang
kompleks, pengguna dapat menggabungkan pohon keputusan dengan metode lain.

3. Lebih sedikit pembersihan data yang diperlukan

Keuntungan lain dari pohon keputusan adalah, setelah variabel dibuat, pembersihan data lebih sedikit diperlukan. Kasus
nilai yang hilang dan outlier kurang signifikan pada data pohon keputusan.
 1. Sifat tidak stabil
Salah satu keterbatasan pohon keputusan adalah bahwa mereka sebagian besar tidak stabil
dibandingkan dengan prediktor keputusan lainnya.
Perubahan kecil pada data dapat menghasilkan perubahan besar dalam struktur pohon keputusan,
yang dapat menyampaikan hasil yang berbeda dari apa yang akan diperoleh pengguna dalam
peristiwa normal. Perubahan hasil yang dihasilkan dapat dikelola oleh algoritme pembelajaran
mesin, seperti boosting dan bagging.

2. Kurang efektif dalam memprediksi hasil dari variabel kontinu

Selain itu, decision tree 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.
 • Decision tree digunakan untuk
menangani kumpulan data non-
linier secara efektif.
• Decision tree digunakan dalam
kehidupan nyata di banyak bidang,
Kesimpulan seperti teknik, perencanaan sipil,
hukum, dan bisnis.
• Decision tree dapat dibagi menjadi
dua jenis; variabel kategori dan
pohon keputusan variabel kontinu.
Terimakasih