Pohon Keputusan atau dikenal Dengan Decision Tree adalah salah satu metode klasifikasi yang menggunakan representrasi suatu struktur pohon yang berisi alternatif-alternatif untuk pemecahan suatu masalah. Pohon ini juga menunjukkan faktor-faktor yang mempengaruhi hasil alternatif dari keputusan tersebut disertai dengan estimasi hasil akhir bila kita mengambil keputusan tersebut. Peranan pohon keputusan ini adalah sebagai Decision Support Tool untuk membantu manusia dalam mengambil suatu keputusan. Manfaat dari Decision Tree adalah melakukan break down proses pengambilan keputusan yang kompleks menjadi lebih simple sehingga orang yang mengambil keputusan akan lebih menginterpretasikan solusi dari permasalahan. Konsep yang digunakan oleh decision tree adalah mengubah data menjadi suatu keputusan pohon dan aturan-aturan keputusan (rule).
Decision tree menggunakan struktur hierarki untuk pembelajaran suvervised.
Proses dari decision tree dimulai dari root node hingga leaf node yang dilakukan secara rekursif. Dimana setiap percabangan menyatakan suatu kondisi yang harus dipenuhi dan pada setiap ujung pohon menyatakan kelas dari suatu data.
Paada decision tree terdiri dari tiga bagian yaitu : 1. Root node
Node ini merupakan node yang terletak paling atas dari suatu pohon.
2. Internal node
Kelebihan dan Kekurangan Decision Tree (Pohon Keputusan)
Kelebihan :
1. Daerah pengambilan keputusan yang sebelum nya kompleks dan sangat global, dapat di ubah menjadi lebih simple dan spesifik.
19
2. Eliminasi perhitungan-perhitungan yang tidak diperlukan, karena tidak menggunakan metode pohon keputusan maka simple di uji hanya berdasarkan kriteria atau kelas tertentu.
3. Fleksibel untuk memilih fitur dari internal node yang berbeda, fitur yang dipilih 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
4. Dalam analisis multivatiat, dengan kriteria dan kelas yang jumlahnya sangat banyak, seorang penguji biasanya perlu untuk mengestimasikan baik itu distribusi dimensi tinggi ataupun parameter tertentu dari distribusi kelas tersebut. Metode pohon keputusan dapat menghindari munculnya permasalahan ini dengan menggunakan kriteria yang jumlhnya lebih sedikit pada setiap node internal tanpa banyak mengurangi kualitas keputusan yang dihasilkan.
Kekurangan :
1. Terjadi overlap terutama ketika kelas-kelas dan kriteria yang digunakan jumlahnya sangat banyak, Hal tersebut juga dapat menyebabkan meningkatnya waktu pengambilan keputusan dan jumlah memori yang diperlukan.
2. Pengakumulasi jumlah eror dari setiap tingkat dalam sebuah pohon keputusan yang besar.
3. Kesulitan dalam mendesain pohon keputusan yang optimal
4. Hasil kualitas keputusan yang didapat dari metode pohon keputusan sangat tergantung pada bagaimana pohon tersebut didesain.
Model Pohon Keputusan
Pohon keputusan adalah model prediksi menggunakan struktur pohon atau truktur berhirarki. Contoh dari pohon keputusan dapat dilihat dari gambar berikut:
age ?
< = 30 31…40
>40
20
Gambar 2.10 Model Pohon Keputusan (Pramudiono, 2008)
Disini setiap pencabangan menyatakan kondisi yang harus dipenuhi dan tiap ujung pohon menyatakan kelas data. contoh pada gambar di atas adalah identifikasi pembeli komputer, dari pohon keputusan tersebut diketahui bahwa salah satu kelompok yang potensial membeli komputer adalah orang yang berusia dibawah 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 record yang belum ada kelasnya tersebut lalu mengikuti cabang yang sesuai dengan hasil dari tes tersebut, yang akan membawak kepada internal node dengan cara harus melakukan tes lagi terhadap atribut atau node daun Record yang kelasnya tidak diketahui kemudian diberikan tes 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 mode pohon tersebut menjadi aturan (rule).
Contoh : Diketahui data pada tabel 2.1.
Tabel 2.1 Klasifikasi Pengguna Komputer (Pramudiono, 2008)
age income student Credit_rating Buys_computer
<= 30 High No Fair no
21
Dari data tersebut dapat di lakukan klasifikasi yang akan menghasilkan sebagai berikut :
Gambar 2.11 Klasifikasi Decision Tree (Pramudiono, 2008) 2.7 Penelitian Terdahulu
Penelitian tentang sistem otomasi lampu dan pendingin ruangan (AC) ini telah banyak dilakukan dengan beberapa metode. Pada umumnya penelitian ini di lakukan untuk dapat menghemat penggunaan listrik agar penggunaannya lebih efisien.
Desi damayanti dkk (2011)melakukan sebuah penelitian yang berjudul perancangan dan realisasi sistem pengatur suhu AC otomatis berbasis mikrokontroler, pada penelitian ini akan mengatur suhu AC secara otomatis
age?
<=30
31 s.d 40 >40
student? yes credit_rating?
Do yes
no yes
sss
22
sesuai dengan jumlah orang yang ada di dalam ruangan, perubahan jumlah orang ditampilkan pada LCD. Penelitian ini menggunakan sensor inframerah sebagai penghitung jumlah orang dan juga sensor LM35 sebagai sensor suhunya.
Pada penelitian lainnya juga dilakukan oleh Achmad Miftachudin (2007) judul dari penelitian ini adalah Simulator penghitung jumlah orang pada pintu masuk dan keluar gedung, alat ini bisa digunakan disebuah pabrik ataupun tempat-tempat hiburan, cara kerjanya yaitu menghitung jumlah orang yang keluar masuk ruangan dengan menggunakan sensor LDR sehingga didapat laporan hasil yang sesuai dengan kapasitas sebuah gedung atau bisa juga digunakan pada sebuah kapal.
Selanjutnya Handry Khoswanto dkk (2004) dengan judul penelitian sistem pengatur AC otomatis, penelitian ini berfungsi mengatur suhu AC dengan menyesuaikan jumlah orang yang ada disekitarnya , mematikan otomatis serta mengidupkan otomatis dengan menggunakan sensor inframerah dan mikrocontroler MCS-51.
Penelitian selanjutnya Desnanjaya dkk (2013) melakukan penelitian yang berjudul Rancang Bangun Sistem Control Air Conditioning Automatis Berbasis Passive Infrared Receiver , yang dapat membaca gerakan dan setiap signyal hasil pembacaan akan dikirim ke mikrokontroler ATmega16 kemudian akan mengirimkan signyal ke AC. Setelah AC menyala LCD akan menampilkan hasil pembacaan PIR dan LM35 yang bekerja sebagai sensor suhu. Bila suhu pada AC tidak sesuai dengan yang diinginkan pengguna dapat merubah sesuai dengan keinginan, agar tidak mengurangi rasa kenyamanan penggunana.
Selanjutnya Julpan welman (2013) melakukan penulitian yang berjudul Prototype Penerangan Rumah Otomatis Mikrokontroler ATMega8535, pada penelitian ini dimaksud untuk menghemat energi listrik dengan cara menghidupkan dan mematikan lampu secara otomatis, menggunakan sensor PIR, Relay dan Mikrokonroler ATMega8535.
Tabel 2.2 Penelitian Terdahulu
23
No Peneliti Tahun Keterangan
1 orang yang ada di dalam ruangan, perubahan jumlah sebuah gedung atau bisa juga digunakan pada sebuah kapal
5 Julpan Welman. 2013 Menghidupkan dan mematikan lampu secara otomatis
25