METODE
PENELITIAN
POHON
KEPUTUSAN (DECISION TREE)
Disusun
oleh :
Nama : Guntur Dwi Saputra
Kelas : 3ID10
NPM :
33413792
JURUSAN
TEKNIK INDUSTRI
FAKULTAS
TEKNIK INDUSTRI
UNIVERSITAS
GUNADARMA
BEKASI
2015
1.1 LANDASAN TEORI
Pohon yang dalam analisis pemecahan masalah pengambilan
keputusan adalah pemetaan mengenai alternatif-alternatif pemecahan masalah yang
dapat diambil dari masalah tersebut. Pohon tersebut juga memperlihatkan
faktor-faktor kemungkinan/probablitas yang akan mempengaruhi
alternatif-alternatif keputusan tersebut, disertai dengan estimasi hasil akhir
yang akan didapat bila kita mengambil alternatif keputusan tersebut.
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. 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.
Kelebihan dari metode
pohon keputusan adalah:
• 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
1.2 REVIEW JURNAL
Jurnal
1
|
Judul Jurnal
|
:
|
Analisis peramalan
penjualan dan pen ggunaan metode linear
programing dan decision tree guna mengoptimalkan keuntungan pada PT
PRIMAJAYA PANTES GARMENT
|
|
Vol & Halaman
|
:
|
Vol 14 & 113-119
|
|
Tahun
|
:
|
2013
|
|
Penulis
|
:
|
Inti Sariani Jianta
Djie
|
|
Latar Belakang
|
:
|
Permintaan konsumen
yang tidak menentu seiring dengan
pergantian fashion yang berubah dengan cepat, hal ini membuat
persaingan menjadi makin ketat karena competitor sangat mudah untuk masuk dan
bersaing dalam industry. Akibatnya, industry manufaktur makro mengalami penurunan
produksi sebesar 16,95% pada triwulan I tahun 2012, sehingga membuat
perusahaan yang berkecimpung dalam industry pakaian harus mempersiapkan
strategi yang matang, oleh karena itu perusahaan membutuhkan peramalan
penjualan yang tepat ditunjang dengan penggunaan metode line programming serta decision
tree.
|
|
Tujuan
|
:
|
Untuk mengetahui
metode peramalan yang paling tepat digunakan, untuk nengetahui keuntungan optimal
dan untuk mengetahui alternative yang dapat dipilih oleh PT PRIMAJAYA PANTES
GARMENT
|
|
Metode
|
:
|
line
programming serta decision tree.
|
|
Hasil
|
:
|
Berdasarkan
perhitungan, nilai harapan B2 lebih besar dari pada B1. Hal ini menunjukkan
bahwa keuntungan yang didapat perusahaan lebih besar jika memilih alternative
B2, oleh karena itu berdasarkan pohon keputusan alternative yang sebaiknya
dipilih oleh perusahaan adalah alternative B2 yaitu meningkatkan kapasitas
produksi.
|
|
Kesimpulan
|
:
|
Berdasarkan hasil
analisis bahwa metode yang paling tepat untuk digunakan oleh perusahaan
adalah metode regresi liniear dengan nilai MAD dan MSE terkecil. Dengan perhitungan
metode linear programing laba maksimal yang didapat sebesar Rp.
157.089.900,00 dengan memproduksi 1065 lembar polo shirt pria, 579 lembar
polo shirt wanita, 293 polo shirt anak-anak. Selain itu tekardapat slack pada bahan baku kain sebesar 703,6567m2 dan pada jam kerja
sebesar 4223,6617 jam.
|
Jurnal
2
|
Judul Jurnal
|
:
|
Decision tree
berbasis algoritma untuk pengambilan keputusan
|
|
Vol & Halaman
|
:
|
Vol 12 & 157-164
|
|
Tahun
|
:
|
2013
|
|
Penulis
|
:
|
Zulfian azmi dan
Muhammad dahria
|
|
Latar Belakang
|
:
|
Data mining merupakan
proses yang diulang dan memerlukan interaksi manusia dalam prosesnya untuk
menemukan pola atau model baru yang dapat digeneralisasi untuk masa yang akan
datang. Data mining berisikan pencarian pola yang diinginkan dalam database
besar untuk membantu dalam pengambilan keputusan waktu yang akan datang. Salah
satu teknik dari bagian data mining
adalah klasifikasi. Salah satu bagian dari klasifikasi adalah pohon
keputusan.
|
|
Tujuan
|
:
|
Pohon keputusan dapat
menghindari munculnya permasalahan dengan menggunakan kriteria yang jumlahnya
lebih sedikit pada setiap mode internal tanpa banyak mengurangi kualitas
keputusan yang dihasilkan.
|
|
Metode
|
:
|
Pohon keputusan (decision tree)
|
|
Hasil
|
:
|
|
|
Kesimpulan
|
:
|
Pohon keputusan
merupakan sistem yang dikembangkan untuk membantu mencari dan membuat
keputusan untuk suatu permasalahan dan dengan memperhitungkan berbagai macam
faktor yang ada dalam lingkup masalah tersebut. Pohon keputusan juga dapat
menganalisa nilai resiko dan nilai suatu informasi yang terdapat dalam suatu alternative
pemecahan masalah.
|
Link jurnal : http://lppm.trigunadharma.ac.id/public/fileJurnal/hp7mJurnal%2012-3-2013_1%20zulfian.pdf
Jurnal
3
|
Judul Jurnal
|
:
|
Penggunaan Pohon
Keputusan untuk Klasifikasi Tingkat Kualitas Mahasiwa Berdasarkan Jalur Masuk
Kuliah
|
|
Vol & Halaman
|
:
|
E7-E13
|
|
Tahun
|
:
|
2014
|
|
Penulis
|
:
|
Selly artaty zega
|
|
Latar Belakang
|
:
|
Kualitas mahasiswa
menjadi tolak ukur dalam menghasilkan sumber daya manusia yang kompeten.
Kualitas tersebut dapat dilihat dari IPK, kemampuan untuk menyelesaikan
perkuliahan tepat waktu, Surat Peringatan (SP) dan faktor lainnya. Salah satu
faktor yang dapat dikaji adalah jalur masuk kuliah yang memberikan informasi
proses seleksi calon mahasiswa. Politeknik Negeri Batam memiliki dua jalur
masuk kuliah, yaitu melaui Ujian Masuk Politeknik Negeri Batam (UMPB) dan
melalui Penelusuran Minat dan Keterampilan (PMDK). Jalur masuk kuliah menjadi
sarana yang digunakan untuk menjaring mahasiswa masuk perguruan tinggi.
Masingmasing jalur masuk kuliah memiliki kualifikasi yang berbeda. Pohon keputusan atau decision tree
merupakan teknik data mining yang digunakan untuk mengeksplorasi data dengan
membagi kumpulan data yang besar menjadi himpunan record yang lebih kecil dan
memperhatikan variabel tujuannya. Oleh karena itu, dengan menggunakan teknik
pohon keputusan terhadap data yang ada, penulis memandang perlu dilakukan
suatu analisis untuk memperoleh informasi tentang parameter yang mempengaruhi
tingkat kualitas mahasiwa serta tingkat kualitas mahasiswa berdasarkan jalur
masuk kuliah di Politeknik Negeri Batam. Hasilnya dapat digunakan sebagai
perbaikan terhadap metode jalur masuk kuliah yang selama ini digunakan.
|
|
Tujuan
|
:
|
Bertujuan untuk
mengetahui kemampuan yang dimiliki calon mahasiswa sebelum menjadi mahasiswa
di perguruan tinggi tersebut.
|
|
Metode
|
:
|
Pohon keputusan (decision tree)
|
|
Hasil
|
:
|
1)
Data mahasiswa dengan jalur masuk PMDK memiliki persentase lebih besar dalam
menghasilkan mahasiswa yang berkualitas dibandingkan dengan jalur masuk UMPB.
Sebaliknya, mahasiswa dengan jalur masuk UMPB memiliki persentase yang lebih
lebih besar dalam menghasilkan mahasiswa yang tidak berkualitas dibandingkan
jalur masuk PMDK. 2) Persentase mahasiswa yang berkualitas dari data yang
diperoleh tergolong besar, hal ini dapat dilihat dari persentase mahasiswa
tidak berkualitas yang tidak mencapai setengah dari persentase mahasiswa
berkualitas.
|
|
Kesimpulan
|
:
|
1)
Proses learning dan classification menghasilkan 2 model decision tree yang
memenuhi persyaratan, yaitu iterasi 4 dan 7.
2)
Berdasarkan model decision tree iterasi ke 7, PMDK memiliki persentase yang
lebih besar dalam menghasilkan mahasiswa yang berkualitas yaitu sebesar 90%,
sedangkan melalui UMPB sebesar 78,96%. Hal ini sesuai dengan hasil angket
bahwa 7 dari 13 responden memilih lajur masuk PMDK yang menghasilkan
mahasiswa berkualitas.
3)
Berdasarkan model decision tree iterasi ke 4, PMDK memiliki persentase yang
lebih kecil dalam menghasilkan mahasiswa yang berkualitas yaitu sebesar
57,89%, Seminar Nasional Aplikasi Teknologi Informasi (SNATI) Yogyakarta, 21
Juni 2014 E-13 ISSN: 1907 - 5022 sedangkan melalui UMPB sebesar 80,77%. Hal
ini bertolak belakang dengan hasil klasifikasi menggunakan rule iterasi 7.
4)
Jalur masuk kuliah memiliki pengaruh dalam mengklasifikasikan tingkat
kualitas mahasiswa, namun hanya untuk penggunaan rule iterasi 7.
5)
Berdasarkan decision tree iterasi 4 dan 7 terlihat bahwa jalur masuk PMDK
memiliki presentasi yang lebih besar dalam menghasilkan mahasiswa yang
berkualitas yaitu 90% pada iterasi 7 dibandingkan dengan UMPB pada iterasi 4
sebesar 80,77%. A
|
Tidak ada komentar:
Posting Komentar