Manfaat
Pohon Keputusan
Pohon keputusan adalah salah satu metode
klasifikasi yang paling populer karena mudah untuk diinterpretasi oleh manusia.
Pohon keputusan adalah model prediksi menggunakan struktur pohon atau struktur
berhirarki. Konsep dari pohon keputusan adalah mengubah data menjadi pohon keputusan
dan aturan-aturan keputusan. Manfaat utama dari penggunaan pohon keputusan
adalah kemampuannya untuk mem-break down proses pengambilan keputusan yang
kompleks menjadi lebih simpel sehingga pengambil keputusan akan lebih menginterpretasikan
solusi dari permasalahan. Pohon Keputusan juga berguna untuk mengeksplorasi
data, menemukan hubungan tersembunyi antara sejumlah calon variabel input
dengan sebuah variabel target. Pohon keputusan memadukan antara eksplorasi data
dan pemodelan, sehingga sangat bagus sebagai langkah awal dalam proses
pemodelan bahkan ketika dijadikan sebagai model akhir dari beberapa teknik
lain. Sering terjadi tawar menawar antara keakuratan model dengan transparansi
model. Dalam beberapa aplikasi, akurasi dari sebuah klasifikasi atau prediksi
adalah satu-satunya hal yang ditonjolkan, misalnya sebuah perusahaan direct
mail membuat sebuah model yang akurat untuk memprediksi anggota mana yang
berpotensi untuk merespon permintaan, tanpa memperhatikan bagaimana atau
mengapa model tersebut bekerja.
Kelebihan
- Menghilangkan
perhitungan-perhitungan yang tidak dibutuhkan. Sample yang diuji hanya
berdasarkan kriteria atau kelas tertentu.
- Pengambilan
keputusan yang sebelumnya kompleks dan sangat global diubah lebih simpel
dan spesifik.
- Metode
ini menghindari munculnya permasalahan ini dengan menggunakan
kriteria yang jumlahnya lebih sedikit pada setiap node internal tanpa
banyak mengurangi kualitas keputusan yang dihasilkan.
- Bersifat fleksibel, memilih fitur dari internal node yang berbeda, fitur yang terpilih akan membedakan suatu kriteria dibandingkan kriteria yang lain dalam node yang sama. Kefleksibelan metode ini meningkatkan kualitas keputusan yang dihasilkan.
Kekurangan
- Terjadi
overlap, hal ini sering saya temui ketika menggunakan kelas-kelas dan
kriteria yang digunakan dalam jumlah besar. Hal tersebut juga dapat
menyebabkan meningkatnya waktu pengambilan keputusan dan jumlah memori
yang diperlukan.
- Pengakumulasian
jumlah eror dari setiap tingkat dalam sebuah pohon keputusan yang besar.
- Kesulitan
dalam mendesain pohon keputusan yang optimal.
- Hasil
kualitas keputusan yang didapatkan dari metode pohon keputusan sangat
tergantung pada bagaimana pohon tersebut didesain.
Sumber: