Pohon Keputusan

Pohon keputusan dalam aturan keputusan (decision rule)
merupakan metodologi data mining yang banyak diterapkan sebagai solusi untuk
klasifikasi. Decision tree merupakan suatu metode klasifikasi yang
menggunakan struktur pohon, dimana setiap node merepresentasikan
atribut dan cabangnya merepresentasikan nilai dari atribut, sedangkan daunnya
digunakan untuk merepresentasikan kelas. Node teratas dari decision
tree ini disebut dengan root.

Breiman et al. (1984) menyatakan bahwa metode ini
merupakan metode yang sangat populer untuk digunakan karena hasil dari model
yang terbentuk mudah untuk dipahami. Dinamakan pohon keputusan karena aturan
yang terbentuk mirip dengan bentuk pohon. Pohon terbentuk dari proses pemilahan
rekursif biner pada suatu gugus data sehingga nilai variabel respon pada setiap
gugus data hasil pemilahan akan lebih homogen. Pada pohon keputusan terdapat
tiga jenis node, antara lain :

1. Akar

Merupakan node teratas, pada node ini tidak ada input dan
dapat tidak mempunyai output atau dapat mempunyai output lebih dari satu.

2. Internal node

Merupakan node percabangan, pada node ini hanya terdapat
satu input dan mempunyai output minimal dua.

3. Daun

Merupakan node akhir atau terminal node, pada node ini
hanya terdapat satu input dan tidak mempunyai output (simpul terminal).

Sebagai contoh suatu pohon disusun oleh simpul t1, t2,
…, t4 dengan rincian terdapat 3 daun, 1 akar, dan 1 internal node.
Setiap pemilah (split) memilah simpul nonterminal menjadi dua simpul yang
saling lepas. Hasil prediksi respon suatu amatan terdapat pada simpul terminal
(daun).

Konsep dari pohon keputusan adalah mengubah data menjadi
pohon keputusan dan aturan-aturan keputusan. Pohon keputusan merupakan himpunan
aturan if — then, dimana setiap path dalam pohon dihubungkan
dengan sebuah aturan dimana premis terdiri atas sekumpulan node yang
ditemui dan kesimpulan dari aturan terdiri atas kelas yang dihubungkan dengan
daun dari path. Pembentukan pohon keputusan terdiri dari beberapa tahap :

1. Konstruksi pohon diawali dengan pembentukan akar
(terletak paling atas). Kemudian data dibagi berdasarkan atribut-atribut yang
cocok untuk dijadikan daun.

2. Pemangkasan pohon (tree pruning) yaitu mengidentifikasikan
dan membuang cabang yang tidak diperlukan pada pohon yang telah terbentuk. Hal
ini dikarenakan pohon keputusan yang dikontruksi dapat berukuran besar, maka
dapat disederhanakan dengan melakukan pemangkasan berdasarkan nilai kepercayaan
(confident level). Pemangkasan pohon dilakukan selain untuk pengurangan ukuran
pohon juga bertujuan untuk mengurangi tingkat kesalahan prediksi pada kasus
baru dari hasil pemecahan yang dilakukan dengan divide and conquer. Pruning ada
dua pendekatan yaitu :

a. Pre-pruning yaitu menghentikan pembangunan
suatu subtree lebih awal (dengan memutuskan untuk tidak lebih jauh
mempartisi data training). Saat seketika berhenti, maka node berubah
menjadi leaf (node akhir). Node akhir ini menjadi kelas
yang paling sering muncul di antara subset sampel.

b. Post-pruning yaitu menyederhanakan tree dengan
cara membuang beberapa cabang subtree setelah tree selesai
dibangun. Node yang jarang dipotong akan menjadi leaf (node
akhir) dengan kelas yang paling sering muncul.

3. Pembentukan aturan keputusan yaitu membuat
aturan keputusan dari pohon yang telah dibentuk. Aturan tersebut dapat dalam
bentuk if — then diturunkan dari pohon keputusan dengan melakukan
penelusuran dari akar sampai ke daun. Untuk setiap simpul dan percabangannya
akan diberikan di if, sedangkan nilai pada daun akan ditulis di then.
Setelah semua aturan dibuat maka aturan dapat disederhanakan atau digabung.

Decision tree adalah suatu model klasifikasi yang
paling populer karena mudah diinterpretasikan oleh manusia. Banyak algoritma
yang dapat digunakan dalam pembentukan pohon keputusan seperti ID3, C4.5, CART,
dan GUIDE. Algoritma decision tree banyak digunakan dalam proses data
mining karena memiliki beberapa kelebihan :

1. Mudah mengintegrasikan dengan sistem basis data.

2. Memiliki ketelitian yang baik.

3. Dapat menemukan gabungan tak terduga dari suatu data.

4. Daerah pengambilan keputusan yang sebelumnya kompleks dan sangat global
dapat diubah menjadi lebih sederhana dan spesifik.

5. Dapat melakukan eliminasi untuk perhitungan-perhitungan yang tidak
diperlukan. Karena ketika menggunakan metode ini maka sampel hanya diuji
berdasarkan kriteria atau kelas tertentu.

6. Fleksibel untuk memilih fitur dari internal node yang
berbeda, fitur yang terpilih akan membedakan suatu kriteria dibandingkan
kriteria yang lain dalam node yang sama.

Kekurangan pohon keputusan adalah.

1. 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.

2. Pengakumulasian jumlah error dari setiap tingkat dalam sebuah pohon
keputusan yang besar.

3. Kesulitan dalam mendesain pohon keputusan yang optimal.

4. Hasil kualitas keputusan yang didapatkan dari metode pohon keputusan
sangat bergantung pada bagaimana pohon tersebut didesain.

DAFTAR
PUSTAKA

Breiman, L., Friedman, JH., Olshen, RA., Stone, CJ.,
1984, Classification and Regression Trees, Chapman &Hall/CRC, New
York.

Mubarok, Muhammad I., 2018, Pohon Regresi dengan
Pendekatan Generalized Unbiased Interaction Detection Estimation (Guide) untuk
Data Multirespon, Skripsi, Program Studi Statistika FMIPA UGM, Yogyakarta.

Firmani, Alfina N., 2016, Penyelesaian Regresi
Semiparametrik dengan Menggunakan Regresi Random Forest, Skripsi, Program Studi
Statistika FMIPA UGM, Yogyakarta.