PENERAPAN POHON KEPUTUSAN PADA DESAIN PRODUKPohon keputusan dapat digunakan untuk keputusan produk baru serta masalah manajemen lain yang beragam ketika ketidakpastian ditemukan. Pohon keputusan biasanya membantu ketika terdapat sejumlah keputusan dan berbagai hasil yang mengarah kepada keputusan selanjutnya yang diikuti oleh hasil lain. Untuk membentuk pohon keputusan, terdapat beberapa prosedur sebagai berikut :1. Pastikan bahwa semua alternative yang mungkin dan keadaan alamiahnya (dimulai dari kiri dan bergerak ke kanan) disertakan dalam pohon. Hal ini mencakup alternative tidak melakukan apa pun.2. Hasil dimasukkan di akhir cabang yang tepat. Ini adalah tempat untuk mengembangkan hasil pencapaian cabang ini.3. Tujuannya adalah untuk menentukan nilai yang diharapkan di setiap tindakan. Kita memenuhinya dengan memulai dari akhir pohon (sisi kanan) dan bergerak kea rah awal pohon (kiri), menghitung nilai pada setiap langkah dan memangkas alternative yang tidak sebaik alternative lain dari simpul yang sama.

Contoh Pohon Keputusan

Contoh Aplikasi Pohon KeputusanBerikut ini merupakan contoh dari salah satu kasus resiko kredit (credit risk) yang menggunakandecision treeuntuk menentukan apakah seorangpotential customerdengan karakteristiksaving,assetdanincometertentu memilikigood credit riskataubad credit risk.

Dapat dilihat pada gambar tersebut, bahwa target variable dari decision tree tersebut atau variable yang akan diprediksi adalah credit risk dengan menggunakan predictor variable : saving, asset, dan income. Setiap nilai atribut dari predictor variable akan memiliki cabang menuju predictor variable selanjutnya, dan seterusnya hingga tidak dapat dipecah dan menuju pada target variable.Penentuan apakah diteruskan menuju predictor variable (decision node) atau menuju target variable (leaf node) tergantung pada keyakinan (knowledge) apakah potential customer dengan nilai atribut variable keputusan tertentu memiliki keakuratan nilai target variable 100% atau tidak. Misalnya pada kasus di atas untuk saving medium, ternyata knowledge yang dimiliki bahwa untuk seluruh potential customer dengan saving medium memiliki credit risk yang baik dengan keakuratan 100%. Sedangkan untuk nilai low asset terdapat kemungkinan good credit risk dan bad credit risk.Jika tidak terdapat pemisahan lagi yang mungkin dilakukan, maka algoritma decision tree akan berhenti membentuk decision node yang baru. Seharusnya setiap branches diakhiri dengan pure leaf node, yaitu leaf node dengan target variable yang bersifat unary untuk setiap records pada node tersebut, di mana untuk setiap nilai predictor variable yang sama akan memiliki nilai target variable yang sama. Tetapi, terdapat kemungkinan decision node memiliki diverse atributes, yaitu bersifat nonunary untuk nilai target variablenya, di mana untuk setiap record dengan nilai predictor variable yang sama ternyata memiliki nilai target variable yang berbeda. Kondisi tersebut menyebabkan tidak dapat dilakukan pencabangan lagi berdasarkan nilai predictor variable. Sehingga solusinya adalah membentuk leaf node yang disebut diverse leaf node, dengan menyatakan level kepercayaan dari diverse leaf node tersebut. Misalnya untuk contoh data berikut ini :

Dari training data tersebut kemudian disusunlah alternatif untuk candidate split, sehingga setiap nilai untuk predictor variable di atas hanya membentuk 2 cabang, yaitu sebagai berikut:

Kemudian untuk setiap candidate split di atas, dihitung variabelvariabel berikut berdasarkan training data yang dimiliki. Adapun variabelvariabel tersebut, yaitu :

,di mana

Adapun contoh hasil perhitungannya adalah sebagai berikut :

Dapat dilihat dari contoh perhitungan di atas, bahwa yang memiliki nilai goodness of split * (s/t) + yang terbesar, yaitu split 4 dengan nilai 0.64275. Oleh karena itu split 4 lah yang akan digunakan pada root node, yaitu split dengan : assets = low dengan assets = {medium, high}.Untuk penentuan pencabangan, dapat dilihat bahwa dengan assets=low maka didapatkan pure node leaf, yaitu bad risk (untuk record 2 dan 7). Sedangkan untuk assets = {medium, high} masih terdapat 2 nilai, yaitu good credit risk dan bad credit risk. Sehingga pencabangan untuk assets = {medium, high} memiliki decision node baru. Adapun pemilihan split yang akan digunakan, yaitu dengan menyusun perhitungan nilai (s/t) yang baru tanpa melihat split 4, record 2 dan 7.

Demikian seterusnya hingga akhirnya dibentuk leaf node dan membentuk decision tree yang utuh (fully grown form) seperti di bawah ini :

SISTEM PAKAR DIAGNOSA PENYAKIT (KUSRINI)Dalam aplikasi ini terdapat tabel-tabel sebagai berikut: Tabel Rekam_Medis, berisi data asli rekam medis pasien Tabel Kasus, beisi data variabel yang dapat mempengaruhi kesimpulan diagnosis dari pasien-pasien yang ada, misalnya Jenis Kelamin, Umur, Daerah_Tinggal, Gejala_1 s/d gejala_n, Hasil_Tes_1 s/d Hasi_Tes_n. Selain itu dalam tabel ini juga memiliki field Hasil_Diagnosis. Tabel Aturan, berisi aturan hasil ekstrak dari pohon keputusan.Proses akuisisi pengetahuan yang secara biasanya dalam sistem pakar dilakukan oleh sistem pakar, dalam sistem ini akan dillakukan dengan urutan proses ditunjukkan pada gambar berikut:

Hasil pembentukan pohon keputusan bisa seperti pohon keputusan yang tampak pada gambar:

Lambang bulat pada pohon keputusan melambangkan sebagai node akar atau cabang (bukan daun) sedangkan kotakmelambangkan node daun. Jika pengetahuan yang terbentuk beruka kaidah produksi dengan format:Jika Premis Maka Konklusi Node-node akar akan menjadi Premis dari aturan sedangkan node daun akan menjadi bagian konklusinya. Dari gambar pohon keputusan pada gambar 4, dapat dibentuk aturan sebagai berikut:1. Jika Atr_1 = N_1Dan Atr_2 = N_4Dan Atr_3 = N_9Maka H_12. Jika Atr_1 = N_1Dan Atr_2 = N_4Dan Atr_3 = N_10Dan Atr_4 = N_11Maka H_23. Jika Atr_1 = N_1Dan Atr_2 = N_4Dan Atr_3 = N_10Dan Atr_4 = N_12Maka H_24. Jika Atr_1 = N_1Dan Atr_2 = N_5Maka H_45. Jika Atr_1 = N_2Maka H_56. Jika Atr_1 = N_3Dan Atr_5 = N_6Maka H_67. Jika Atr_1 = N_3Dan Atr_5 = N_7Maka H_78. Jika Atr_1 = N_3Dan Atr_5 = N_8Maka H_8Model case based reasoning dapat digunakan sebagai metode akuisisi pengetahuan dalam aplikasi system pakar diagnosis penyakit. Aturan yagn dihasilkan system ini mampu digunakan untuk mendiagnosis penyakit didasarkan pada data-data pasien. Dalam penentuan diagnosis penyakit belum diimplementasikan derajat kepercayaan terhadap hasil diagnosis tersebut.