Decision Tree pada
knowledge management bagi sistem informasi
perpustakaan
universitas gadjah mada
Decision Tree adalah sebuah metode
untuk menentukan faktor utama berdasarkan perbandingan antar faktor yang satu
dengan yang lainnya. Dalam mengambil keputusan tentunya terdapat berbagai
pertimbangan yang perlu dipikirkan terlebih dahulu. Faktor faktor penunjang
tersebut dibandingkan satu sama lainnya. Untuk mempermudah perbandingan
faktor-faktor ini dikelompokkan menjadi beberapa kategori dengan membuat
persentase masing-masing factor terlebih dahulu. Dari masing-masing kategori
tersebut ditentukan faktor yang paling menunjang. Setelah didapat faktor yang
paling menunjang dari masing-masing kategori maka dapat dilanjutkan dengan
membandingkan faktor dari kategori yang berbeda. Dari hasil perbandingan
tersebut dapat ditentukan faktor utama yang paling menunjang keputusan
tersebut. Keuntungan merupakan hal utama yang perlu dipikiran lebih lanjut
dalam suatu perusahaan. Suatu usaha yang digeluti akan kandas ditengah jalan
apabila keuntungan tidak didapatkan. Ataupun apabila keuntungan tidak sesuai
dengan prediksi bisa saja usaha tersebut dihentikan. Tentunya terdapat banyak
faktor yang menunjang keuntungan suatu perusahaan. Salah satu faktor tersebut
adalah lokasi usaha. Penentuan lokasi usaha melalui pendekatan Tree Decision
menghasilkan prediksi lokasi usaha yang efektif dan efisien sehingga memberikan
keuntungan yang maksimal bagi perusahaan John
von Neumann (1903-1957).
1. Representasi
Tree Decision
Pada awal penentuan lokasi bisnis tentunya harus ditentukan terlebih dahulu adalah bisnis yang akan digeluti. Hal kedua yang perlu ditentukan adalah jenis kantor yang ingin dibuat. Setelah kedua hal ini didapatkan maka hal selanjutnya yang perlu dipikirkan adalah faktor-faktor yang menunjang lokasi bisnis sesuai dengan bidang bisnis dan jenis kantor yangingin dibuat.
Faktor-faktor yang telah ditentukan sebagai faktor-faktor
yang berhubungan dengan pemilihan lokasi bisnis dikelompokkan menjadi beberapa
kelompok. Kelompok kelompok faktor ini harus dibuat berdasarkan persamaan
kategori yang dimiliki masing-masing faktor.
Apabila faktor-faktor ini tidak memiliki kesamaan yang
signifikan maka sebaiknya dikelompokkan menjadi kategori yang lain. Hal ini
dipergunakan agar mempermudah dalam menentukan faktor yang paling menunjang pada
masing-masing kategori.
2. Tree
Decision dengan Pendekatan Tabel
Dari pendekatan tabel dapat diketahui persentase
masing-masing faktor yang menunjang pemilihan lokasi bisnis. Setelah persentase
ini diketahui maka dapat dengan mudah ditentukan faktor yang paling menunjang
dari suatu kategori. Selanjutnya membandingkan faktor-faktor yang paling
menunjang dari masing-masing kategori dengan kategori lainnya.
Walaupun persentase yang dimiliki suatu kategori tinggi
belum tentu faktor inilah yang merupakan faktor utama dalam pemilihan lokasi
bisnis dibidang yang bersangkutan.Dalam hal ini diperlukan pendekatan
parameter-parameter yang lebih terperinci. Misalnya saja pengusaha ingin
memajukan ingin memajukan salah satu bagian dari bidang usaha.
Tentunya kategori ini mempunyai nilai yang lebih dari
kategori-kategori lain. Dari persentase faktor serta kelebihan-kelebihan inilah
dapat ditentukan faktor utama yang paling menunjang pemilihan lokasi bisnis
dibidang yang digeluti.
Gambar 1: Decision Tree
Contoh dari decision tree dapat dilihat di
Gambar 1. Disini setiap percabangan menyatakan kondisi yang harus dipenuhi
dan tiap ujung pohon menyatakan kelas data. Contoh di Gambar 1 adalah
identifikasi pembeli komputer, dari decision tree tsb. diketahui bahwa salah satu
kelompok yang potensial membeli komputer adalah orang yang berusia di bawah 30
tahun dan juga pelajar.
Algoritma decision tree yang paling terkenal
adalah C4.5[7], tetapi akhir-akhir ini telah dikembangkan algoritma yang mampu
menangani data skala besar yang tidak dapat ditampung di main memory seperti
RainForest[3]. Metode-metode classification yang lain adalah Bayesian, neural
network, genetic algorithm, fuzzy, case-based reasoning, dan k-nearest
neighbor.
Proses classification biasanya dibagi menjadi
dua fase : learning dan test. Pada fase learning, sebagian data yang telah
diketahui kelas datanya diumpankan untuk membentuk model perkiraan. Kemudian
pada fase test model yang sudah terbentuk diuji dengan sebagian data lainnya
untuk mengetahui akurasi dari model tsb. Bila akurasinya mencukupi model ini
dapat dipakai untuk prediksi kelas data yang belum diketahui.
sumber : http://en.wikipedia.org/wiki/ decision tree
Tidak ada komentar:
Posting Komentar