3475 16 decision tree

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