3475 16 decision tree
TRANSCRIPT
KONSEP DECISION TREE Mengubah data menjadi pohon keputusan (decisiontree) dan aturan-aturan keputusan.
DATADECISION
TREE RULE
CONTOH PENGGUNAAN DECISION TREE Diagnosa penyakit: hipertensi, kanker, stroke dll.
Pemilihan produk: kendaraan, komputer dll
Pemilihan pegawai teladan atau mahasiswaberprestasi.
Deteksi gangguan pada komputer
Dan lain sebagainya
KONSEP DATA DECISION TREE Data dinyatakan dalam betuk tabel dengan atribut danrecord.
Atribut menyatakan suatu parameter yang dibuatsebagai kriteria dalam pembentukan tree.
Salah satu atribut merupakan atribut yangmenyatakan data solusi per item data yang disebuttarget atribut.
Atribut memiliki nilai-nilai yang dinamakan denganinstance.
KONSEP DATA DECISION TREENama Cuaca Angin Temperatur Main
Ali Cerah Keras Panas Tidak
Budi Cerah Lambat Panas Ya
Heri Berawan Keras Sedang Tidak
Irma Hujan Keras Dingin Tidak
Diman Cerah Lambat Dingin Ya
Sample/Identity
Atribut TargetAtribut
PROSES DALAM DECISION TREE Mengubah data (tabel) menjadi tree
Mengubah tree menjadi rule
Menyederhanakan Rule (Pruning)
Mengubah data (tabel) menjaditree
Entropy S adalah ruang (data) sample yang digunakan untuk
training.
P+ adalah jumlah yang bersolusi positif (mendukung) pada data sample untuk kriteria tertentu.
P- adalah jumlah yang bersolusi negatif (tidak mendukung) pada sata sample untuk kriteria tertentu.
Besarnya nilai Entropy pada ruang sample (S) diddefinisikan dengan:
Entropy(S) = (-P+ log2 P+) – (P- log2 P-)
MENGUBAH TREE MENJADI RULE
Conjunction & Disjunction
CONTOH KASUS: Penentuan penderita hipertensi menggunakanDecision Tree.
Data terdiri dari 8 sampel, dengan asumsi faktor yangmempengaruhi seseorang menderita hipertensiberdasarkan usia, berat badan dan jenis kelamin.
Kategori (instance):
usia: muda dan tua
berat: underweight, average, overweight
kelamin: pria dan wanita
Langkah mengubah data menjadi tree: Menentukan node terpilih
Menyusun tree
Menentukan Node terpilih Mencari nilai entropy dari setiap kriteria dengan data
sample yang ditentukan
Node terpilih adalah kriteria dengan nilai entropyterkecil
Memilih Node Awal
Memilih Node Awal
Penyusunan Tree Awal
Leaf node berikutnya yang dapat dipilih adalah bagianyang mempunyai nilai + dan -, yaitu berat=overweight
Penentuan Leaf NodeData training untuk berat = overweight
Penyusunan Tree
Leaf node usia dan kelaminmemiliki entropy yang sama, tisakada cara lain selain menggunakanpengetahuan pakar atau memilihpada hasil acak
Hasil Decision Tree
Mengubah Tree Menjadi Rule
Hasil Prediksi
Menyederhanakan dan Menguji Rule Membuat table distribusi terpadu dengan menyatakan
semua nilai kejadian pada setiap rule.
Menghitung tingkat independensi antara kriteria pada suatu rule, yaitu antara atribut dan target atribut.
Mengeliminasi kriteria yang tidak perlu, yaitu yang tingkat independensinya tinggi.
Hasil Prediksi Penyederhanaan