Knowledge Management System
Lecture : Leon Abdillah
Decision
Tree pada
knowledge
management bagi sistem informasi perpustakaan
universitas
gadjah mada
Decision Tree adalah sebuah metode
untuk menentukan faktor utama berdasarkan perbandingan antar faktor yang satu
dengan yang lainnya. Dalam mengambil keputusan tentunya terdapat berbagai
pertimbangan yang perlu dipikirkan terlebih dahulu. Faktor faktor penunjang
tersebut dibandingkan satu sama lainnya. Untuk mempermudah perbandingan
faktor-faktor ini dikelompokkan menjadi beberapa kategori dengan membuat
persentase masing-masing factor terlebih dahulu. Dari masing-masing kategori
tersebut ditentukan faktor yang paling menunjang. Setelah didapat faktor yang
paling menunjang dari masing-masing kategori maka dapat dilanjutkan dengan
membandingkan faktor dari kategori yang berbeda. Dari hasil perbandingan
tersebut dapat ditentukan faktor utama yang paling menunjang keputusan
tersebut. Keuntungan merupakan hal utama yang perlu dipikiran lebih lanjut
dalam suatu perusahaan. Suatu usaha yang digeluti akan kandas ditengah jalan
apabila keuntungan tidak didapatkan. Ataupun apabila keuntungan tidak sesuai
dengan prediksi bisa saja usaha tersebut dihentikan. Tentunya terdapat banyak
faktor yang menunjang keuntungan suatu perusahaan. Salah satu faktor tersebut
adalah lokasi usaha. Penentuan lokasi usaha melalui pendekatan Tree Decision
menghasilkan prediksi lokasi usaha yang efektif dan efisien sehingga memberikan
keuntungan yang maksimal bagi perusahaan John von Neumann (1903-1957).
1. Representasi Tree Decision
Pada awal penentuan lokasi bisnis tentunya harus ditentukan terlebih dahulu adalah bisnis yang akan digeluti. Hal kedua yang perlu ditentukan adalah jenis kantor yang ingin dibuat. Setelah kedua hal ini didapatkan maka hal selanjutnya yang perlu dipikirkan adalah faktor-faktor yang menunjang lokasi bisnis sesuai dengan bidang bisnis dan jenis kantor yangingin dibuat.
Faktor-faktor
yang telah ditentukan sebagai faktor-faktor yang berhubungan dengan pemilihan
lokasi bisnis dikelompokkan menjadi beberapa kelompok. Kelompok kelompok faktor
ini harus dibuat berdasarkan persamaan kategori yang dimiliki masing-masing
faktor.
Apabila
faktor-faktor ini tidak memiliki kesamaan yang signifikan maka sebaiknya
dikelompokkan menjadi kategori yang lain. Hal ini dipergunakan agar mempermudah
dalam menentukan faktor yang paling menunjang pada masing-masing kategori.
2. Tree Decision dengan Pendekatan Tabel
Dari
pendekatan tabel dapat diketahui persentase masing-masing faktor yang menunjang
pemilihan lokasi bisnis. Setelah persentase ini diketahui maka dapat dengan
mudah ditentukan faktor yang paling menunjang dari suatu kategori. Selanjutnya
membandingkan faktor-faktor yang paling menunjang dari masing-masing kategori
dengan kategori lainnya.
Walaupun
persentase yang dimiliki suatu kategori tinggi belum tentu faktor inilah yang
merupakan faktor utama dalam pemilihan lokasi bisnis dibidang yang
bersangkutan.Dalam hal ini diperlukan pendekatan parameter-parameter yang lebih
terperinci. Misalnya saja pengusaha ingin memajukan ingin memajukan salah satu
bagian dari bidang usaha.
Tentunya
kategori ini mempunyai nilai yang lebih dari kategori-kategori lain. Dari
persentase faktor serta kelebihan-kelebihan inilah dapat ditentukan faktor
utama yang paling menunjang pemilihan lokasi bisnis dibidang yang digeluti.
Gambar
1: Decision Tree
Contoh dari decision tree dapat dilihat di Gambar 1. Disini
setiap percabangan menyatakan kondisi yang harus dipenuhi dan tiap ujung pohon
menyatakan kelas data. Contoh di Gambar 1 adalah identifikasi pembeli komputer,
dari decision tree tsb. diketahui bahwa salah satu kelompok yang potensial
membeli komputer adalah orang yang berusia di bawah 30 tahun dan juga pelajar.
Algoritma decision tree yang paling terkenal adalah C4.5[7],
tetapi akhir-akhir ini telah dikembangkan algoritma yang mampu menangani data
skala besar yang tidak dapat ditampung di main memory seperti RainForest[3].
Metode-metode classification yang lain adalah Bayesian, neural network, genetic
algorithm, fuzzy, case-based reasoning, dan k-nearest neighbor.
Proses classification biasanya dibagi menjadi dua fase : learning
dan test. Pada fase learning, sebagian data yang telah diketahui kelas datanya
diumpankan untuk membentuk model perkiraan. Kemudian pada fase test model yang
sudah terbentuk diuji dengan sebagian data lainnya untuk mengetahui akurasi
dari model tsb. Bila akurasinya mencukupi model ini dapat dipakai untuk
prediksi kelas data yang belum diketahui.
Tidak ada komentar:
Posting Komentar