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:
