Reva Hindami F
Elgames A
Fatma
Miftah Mulya K
Reza Achmad F
Rifqi Huwaidi
Decison Tree / Pohon Keputusan
Pohon keputusan adalah sistem pendukung keputusan yang menggunakan templat keputusan yang berbentuk seperti daun. Pohon keputusan memetakan berbagai alternatif yang mungkin untuk mengatasi suatu masalah, dan ketika memilih suatu alternatif, ada juga faktor-faktor yang mungkin memengaruhi alternatif tersebut beserta estimasi akhirnya. Pohon keputusan adalah salah satu cara menampilkan algoritma yang hanya dapat digunakan untuk pernyataan kontrol bersyarat.
Penggunaan Decision tree ini umunya dalam riset operasi, khususnya dalam analisis keputusan. Tujuan dalam menggunakan Decision tree untuk membantu mengidentifikasi strategi yang paling mungkin untuk mencapai tujuan dan merupakan alat yang populer dalam machine learning.
Decision tree merupakan struktur seperti bagan alur dimana setiap simpul internal mewakili kemungkinan yang ada pada atribut, setiap cabang mewakili hasil dari kemungkinan tersebut, dan setiap simpul daun mewakili label kelas (keputusan diambil setelah menghitung semua atribut). Jalur dari root ke daun mewakili aturan klasifikasi.
Dalam analisis keputusan, decision tree dan diagram yang terkait dengan itu digunakan sebagai alat pendukung keputusan visual dan analitis, dimana akan dihitungnya nilai atau utilitas yang diharapkan dari alternatif yang ada.an tingkat tinggi merujuk level kedekatan sebuah bahasa pemrograman ke kode-kode listrik yang dipakai komputer. Sebuah bahasa pemrograman disebut sebagai bahasa pemrograman tingkat tinggi (high-level programming language) karena perintah atau kode program yang dipakai sudah mirip dengan bahasa manusia
Dalam konteks regresi, decision tree adalah regresi yang bersifat non-linear dan non-kontinu (diskret).
contoh dari decision tree

Keuntungan dari metode pohon keputusan adalah:
- Daerah membuat keputusan yang sebelumnya sangat kompleks dan sangat global yang dapat diubah agar lebih sederhana dan lebih spesifik.
- Penghapusan perhitungan yang tidak perlu, karena kompilasi menggunakan metode pohon keputusan, sampel persetujuan hanya didasarkan pada kriteria atau kelas tertentu.
- Fleksibel untuk memilih fitur dari node internal yang berbeda, fitur yang dipilih akan menentukan opsi lain yang dipilih dalam node yang sama. Fleksibilitas metode pohon keputusan meningkatkan kualitas keputusan yang dihasilkan menggunakan perbandingan menggunakan metode perhitungan satu gelas yang lebih konvensional
- Seorang pemeriksa perlu memperkirakan dengan benar distribusi dimensi tinggi atau parameter tertentu dari distribusi kelas dalam analisis multivariat dengan kriteria dan kelas yang sangat penting. Pendekatan pohon keputusan dapat dibebaskan dari konflik ini dengan menggunakan lebih banyak parameter di setiap simpul bagian dalam tanpa mengurangi kualitas keputusan yang dibuat
Kekurangan Pohon Keputusan
• Overlap terjadi terutama ketika kelas dan kriteria yang sangat besar digunakan. Ini juga dapat menyebabkan peningkatan waktu dan memori yang dibutuhkan untuk membuat keputusan.
• Akumulasi kesalahan dalam pohon keputusan besar dari setiap poin.
• Kesulitan dalam merancang pohon keputusan terbaik.
• Hasil kinerja keputusan yang diperoleh dari metode pohon keputusan sangat tergantung pada bagaimana pohon itu dibangun.