Algoritma dan Model Pohon Keputusan

MODEL POHON KEPUTUSAN

Pohon keputusan adalah model prediksi menggunakan struktur pohon atau struktur berhirarki. Contoh dari pohon keputusan dapat dilihat di Gambar berikut ini:

Disini, setiap percabangan menyatakan kondisi yang harus dipenuhi dan tiap ujung pohon menyatakan kelas data. Contoh di Gambar adalah identifikasi pembeli komputer,dari pohon keputusan tersebut diketahui bahwa salah satu kelompok yang potensial membeli komputer adalah orang yang berusia di bawah 30 tahun dan juga pelajar. Setelah sebuah pohon keputusan dibangun maka dapat digunakan untuk mengklasifikasikan record yang belum ada kelasnya.

Dimulai dari node root, menggunakan tes terhadap atribut dari record yang belum ada kelasnya tersebut lalu mengikuti cabang yang sesuai dengan hasil dari tes tersebut, yang akan membawa kepada internal 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. Record yang kelasnya tidak diketahui kemudian diberikan kelas yang sesuai dengan kelas yang ada pada 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).

ALGORITMA DALAM POHON KEPUTUSAN

Metode ini terus dan semakin berkembang, ada beberapa metode yaitu ID3, C4.5, C5, cart, Sprint, SLIQ Public, ClS, naive bayes, Random Forest, Random Tree, id3+, Oci dan Clouds. Dari sekian algoritma tersebut, yang nantinya akan dikembangkan dan digunakan adalah id3, c4.5, cart dan naive bayes. 4 algor tersebutlah yang umum dan banyak digunakan saat ini.

Sumber:
http://tutorcollection.com/konsep-pohon-keputusan-decision-tree-data-mining/
http://dua7an.blogspot.co.id/2013/12/tentang-pohon-keputusan-decision-tree.html

Pohon Keputusan

KELEBIHAN DAN KEKURANGAN POHON KEPUTUSAN

Kelebihan dari metode pohon keputusan:

Daerah pengambilan keputusan yang sebelumnya kompleks dan sangat global, dapat diubah menjadi lebih simpel dan spesifik.
Eliminasi perhitungan-perhitungan yang tidak diperlukan, karena ketika menggunakan metode pohon keputusan maka sample diuji hanya berdasarkan kriteria atau kelas tertentu.
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
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 kriteria yang jumlahnya lebih sedikit pada setiap node internal tanpa banyak mengurangi kualitas keputusan yang dihasilkan.

Kekurangan dari metode pohon keputusan:

Terjadi overlap terutama ketika kelas-kelas dan kriteria yang digunakan jumlahnya sangat banyak. Hal tersebut juga dapat menyebabkan meningkatnya waktu pengambilan keputusan dan jumlah memori yang diperlukan.
Pengakumulasian jumlah error dari setiap tingkat dalam sebuah pohon keputusan yang besar.
Kesulitan dalam mendesain pohon keputusan yang optimal.
Hasil kualitas keputusan yang didapatkan dari metode pohon keputusan sangat tergantung pada bagaimana pohon tersebut didesain

Pengertian dan Manfaat Pohon Keputusan

POHON KEPUTUSAN

Pohon keputusan adalah salah satu metode klasifikasi yang paling populer karena mudah untuk diinterpretasi oleh manusia. Pohon keputusan adalah model prediksi menggunakan struktur pohon atau struktur berhirarki. Konsep dari pohon keputusan adalah mengubah data menjadi pohon keputusan dan aturan-aturan keputusan. Atau secara sederhana, pohon keputusan ini merupakan sebuah metode klasifikasi yang dibangun untuk mendapatkan sebuah kesimpulan dari sejumlah data. Penarikan kesimpulan dibuat dalam bentuk pohon, dimana nantinya hasil kesimpulan berbentuk hirarki pohon yaitu dari akar, batang dan daun yang merepresentasikan hasil keputusan didapat.

Pohon keputusan adalah sebuah stuktur flowchart yang setiap node nya merepresentasikan test dalam atribut (contoh, koin bila kita bolak balikan akan menghasilkan kepala, atau ekor), Setiap cabang (branch) mewakili hasil test dan setiap daun node (leaf) mewakili kelas label (hasil keputusan setelah menghitung semua atribut).  Bagian dari akar (root) hingga ke daun merepresentasikan dari rules (aturan) yang terbentuk.

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. Dalam beberapa aplikasi, akurasi dari sebuah klasifikasi atau prediksi adalah satu-satunya hal yang ditonjolkan, misalnya sebuah perusahaan direct mail membuat sebuah model yang akurat untuk memprediksi anggota mana yang berpotensi untuk merespon permintaan,tanpa memperhatikan bagaimana atau mengapa model tersebut bekerja.

BC

Backward Chaining

Backward chaining merupakan strategi pengambilan keputusan atau kesimpulan dengan pencocokan fakta atau pernyataan yang dimulai dari bagian sebelah kanan (Then lebih dahulu). Dengan kata lain, penalaran dimulai dari hipotesis terlebih dahulu, dan untuk menguji kebenaranhipotesis tersebut harus dicari fakta-fakta yang ada dalam basis pengetahuan. Backward chaining memulai proses pencarian dengan suatu tujuan sehingga strategi ini disebut juga goal-driven.

Sebagai contoh penalaran mundur (backward chaining) adalah pengecekan kerusakan mesin yang tidak dimulai dari pengecekan macam-macam kerusakan, tetapi dimulai dengan hipotesis akhir, bahwa tekanan kompresi di dalam silinder mesin terlalu rendah dan ingin dibuktikan bahwa kerusakan tersebut merupakan kerusakan mesin akibat kehilangan daya. Oleh sebab itu penalaran akan dimulai dari hipotesis hingga kemudian sampai pada pembuktiannya.

Contoh lain, diketahui sistem pakar dengan aturan-aturan sebagai berikut :

R1       : IF suku bunga turun THEN harga obligasi naik

R2       : IF suku bunga naik THEN harga obligasi turun

R3       : IF suku bunga tidak berubah THEN harga obligasi tidak berubah

R4       : IF dolar naik THEN suku bunga turun

R5       : IF dolar turun THEN suku bunga naik

R6       : IF harga obligasi turun THEN beli obligasi

Apabila diketahui bahwa dolar turun, maka untuk memutuskan apakah akan membeli obligasi atau tidak dapat ditunjukkan sebagai berikut:

• Penyelesaian dengan Forward Chaining

• Penyelesaian dengan Backward Chaining

 

Sumber :

http://hatta-cules.blogspot.co.id/2014/09/definisi-forward-dan-backward-chaining.html

FC

Forward Chaining

Forward chaining merupakan metode pencarian yang memulai proses pencarian dari sekumpulan fakta atau dari bagian sebelah kiri dulu (IF), dari fakta-fakta tersebut dicari suatu kesimpulan yang menjadi solusi dari permasalahan yang dihadapi. Mesin inferensi mencari kaidah-kaidah dalam basis pengetahuan yang premisnya sesuai dengan fakta-fakta tersebut, kemudian dari aturan-aturan tersebut diperoleh suatu kesimpulan.

Forward chaining kadang disebut data-driven karena inference engine menggunakan informasi yang ditentukan oleh user untuk memindahkan ke seluruh jaringan dari logika ‘AND’ dan ‘OR’ sampai sebuah terminal ditentukan sebagai objek. Bila inference engine tidak dapat menentukan objek maka akan meminta informasi lain. Aturan (Rule) dimana menentukan objek, membentuk path (lintasan) yang mengarah ke objek. Oleh karena itu, hanya satu cara untuk mencapai satu objek adalah memenuhi semua aturan.

Forward chaining merupakan grup dari multiple inferensi yang melakukan pencarian dari suatu masalah kepada solusinya. Jika klausa premis sesuai dengan situasi (bernilai True), maka proses akan meng-assert konklusi. Jika suatu aplikasi menghasilkan tree yang lebar dan tidak dalam, maka gunakan forward chaining.

IE

Mesin Inferensi (Inference Engine)

Mesin inferensi berperan sebagai otak dari sistem pakar. Mesin inferensi berfungsi untuk memandu proses penalaran terhadap suatu kondisi, berdasarkan pada basis pengetahuan yang tersedia. Di dalam mesin inferensi terjadi proses untuk memanipulasi dan mengarahkan kaidah, model, dan fakta yang disimpan dalam basis pengetahuan dalam rangka mencapai solusi atau kesimpulan. Dalam prosesnya, mesin inferensi menggunakan strategi penalaran dan strategi pengendalian.

Strategi penalaran terdiri dari strategi penalaran pasti (Exact Reasoning) dan strategi penalaran tak pasti (Inexact Reasoning). Exact reasoning akan dilakukan jika semua data yang dibutuhkan untuk menarik suatu kesimpulan tersedia, sedangkan inexact reasoning dilakukan pada keadaan sebaliknya. Strategi pengendalian berfungsi sebagai panduan arah dalam melakukan prose penalaran. Terdapat tiga teknik pengendalian yang sering digunakan, yaitu forward chaining, backward chaining, dan gabungan dari kedua teknik pengendalian tersebut. Proses chaining (forward chainingdan backward chaining). Kedua metode ini mempunyai kelebihan tersendiri, semuanya itu tergantung terutama dari kondisi permasalahan yang dihadapi dan basis pengetahuan.

Materi Knowledge base

PERAN KNOWLEDGE BASE

Sistem cerdas yang banyak dipakai dalam aplikasi bisnis adalah sistem pakar (expert system), yaitu sistem yang meniru kepakaran (keahlian) seseorang dalam bidang tertentu dalam menyelesaikan suatu permasalahan (Horn, J986). Sering kali sistem pakar juga disebut sistem berbasis penge­tahuan (knowledge based system). Namun, sebenarnya sistem pakar hanyalah salah satu macam sistem yang berbasis pengetahuan.

Dalam hal memformulasikan dan memecahkan masalah, maka knowledge ini berperan untuk memecahkan masalah – masalah yang sedang terjadi pada komputer. Apabila sistem pakar tidak memiliki knowledge base maka sistem pakar sulit untuk memecahkan masalah yang terjadi karena knowledge base digunakan untuk dapat membantu manusia dalam menyelesaikan masalah yang dihadapi dengan berdasarkan atas pengetahuan yang telah diprogramkan ke sistem tersebut.

Ada 3 modul sistem kerja pakar, yaitu:

Modul Penerimaan Pengetahuan

Untuk mendapatkan pengetahuan sistem pakar dilakukan proses penerimaan pengetahuan. Proses ini dilakukakan melalui interaksi dengan pakar penerimaan pengetahuan dilakukan dengan bantuan Knowledge Engineer (KE), yaitu seorang spesialis sistem yang menterjemahkan pengetahuan yang dimiliki seorang pakar menjadi pengetahuan yang akan tersimpan dalam basis pengetahuan pada sebuah sistem pakar

Modul Konsultasi

Sistem pakar pada modul konsultasi apabila sistem memberikan konsultasi berupa jawaban atas permasalahan yang diajukan oleh pemakai pada modul ini pemakai yang awam berinteraksi dengan sistem dengan memasukkan data dan jawaban-jawaban pertanyaan sistem.Data yang dimasukkan oleh pemakai ditempatkan dalam database sistem dan kemudian diakses oleh pembangkit inference untuk mendapatkan kesimpulan.

Modul Penjelasan

Modul Penjelasan adalah menjelaskan proses pengambilan keputusan yang dilakukan oleh sistem.