Pohon keputusan adalah alat pendukung dengan struktur seperti pohon yang memodelkan kemungkinan hasil, biaya sumber daya, utilitas, dan kemungkinan konsekuensi. Pohon keputusan menyediakan cara untuk menyajikan algoritma Algoritma (Algos) Algoritma (Algos) adalah sekumpulan instruksi yang diperkenalkan untuk melakukan suatu tugas. . Mereka termasuk cabang yang mewakili langkah pengambilan keputusan yang dapat mengarah pada hasil yang menguntungkan.
Gambar 1. Pohon Keputusan Sederhana (Sumber)
Struktur diagram alur mencakup node internal yang mewakili tes atau atribut di setiap tahap. Setiap cabang mewakili hasil dari atribut, sedangkan jalur dari daun ke akar mewakili aturan klasifikasi.
Pohon keputusan adalah salah satu bentuk algoritma pembelajaran terbaik berdasarkan berbagai metode pembelajaran. Mereka meningkatkan model prediktif dengan akurasi, kemudahan dalam interpretasi, dan stabilitas. Alat tersebut juga efektif dalam menyesuaikan hubungan non-linier karena mereka mampu menyelesaikan tantangan pemasangan data, seperti regresi dan klasifikasi.
Ringkasan
- Pohon keputusan digunakan untuk menangani kumpulan data non-linier secara efektif.
- Alat pohon keputusan digunakan dalam kehidupan nyata di banyak bidang, seperti teknik, perencanaan sipil, hukum, dan bisnis.
- Pohon keputusan dapat dibagi menjadi dua jenis; variabel kategori dan pohon keputusan variabel kontinu.
Jenis Keputusan
Terdapat dua jenis pohon keputusan utama yang didasarkan pada variabel target, yaitu pohon keputusan variabel kategori dan pohon keputusan variabel kontinu.
1. Pohon keputusan variabel kategori
Sebuah pohon keputusan variabel kategoris mencakup variabel target kategoris yang dibagi ke dalam beberapa kategori. Misalnya, kategorinya bisa ya atau tidak. Kategori tersebut berarti bahwa setiap tahap proses keputusan termasuk dalam salah satu kategori, dan tidak ada perantara.
2. Pohon keputusan variabel kontinu
Pohon keputusan variabel kontinu adalah pohon keputusan dengan variabel target kontinu. Misalnya, pendapatan individu yang pendapatannya tidak diketahui dapat diprediksi berdasarkan informasi yang tersedia seperti pekerjaan, usia, dan variabel berkelanjutan lainnya.
Aplikasi Pohon Keputusan
1. Menilai peluang pertumbuhan prospektif
Salah satu penerapan pohon keputusan melibatkan evaluasi peluang pertumbuhan prospektif untuk bisnis berdasarkan data historis. Data historis tentang penjualan dapat digunakan dalam pohon keputusan yang dapat mengarah pada perubahan radikal dalam strategi bisnis untuk membantu membantu perluasan dan pertumbuhan.
2. Menggunakan data demografis untuk mencari calon klien
Penerapan lain dari pohon keputusan adalah dalam penggunaan data demografis. Demografi Demografi mengacu pada karakteristik sosio-ekonomi suatu populasi yang digunakan bisnis untuk mengidentifikasi preferensi produk dan perilaku pembelian pelanggan. Dengan ciri pasar sasaran mereka, perusahaan dapat membangun profil untuk basis pelanggan mereka. untuk mencari calon klien. Mereka dapat membantu merampingkan anggaran pemasaran dan membuat keputusan berdasarkan informasi tentang pasar sasaran yang menjadi fokus bisnis. Dengan tidak adanya pohon keputusan, bisnis dapat membelanjakan pasar pemasarannya tanpa memikirkan demografis tertentu, yang akan memengaruhi pendapatannya secara keseluruhan.
3. Berperan sebagai alat pendukung di beberapa bidang
Pemberi pinjaman juga menggunakan pohon keputusan untuk memprediksi kemungkinan pelanggan gagal membayar pinjaman, dengan menerapkan pembuatan model prediktif menggunakan data klien sebelumnya. Penggunaan alat pendukung pohon keputusan dapat membantu pemberi pinjaman dalam mengevaluasi kelayakan kredit pelanggan untuk mencegah kerugian.
Pohon keputusan juga dapat digunakan dalam riset operasi dalam perencanaan logistik dan manajemen strategis Manajemen Strategis Manajemen strategis adalah perumusan dan implementasi dari tujuan utama dan inisiatif yang diambil oleh manajemen puncak organisasi atas namanya. Mereka dapat membantu dalam menentukan strategi yang tepat yang akan membantu perusahaan mencapai tujuan yang dimaksudkan. Bidang lain di mana pohon keputusan dapat diterapkan termasuk teknik, pendidikan, hukum, bisnis, perawatan kesehatan, dan keuangan.
Keuntungan Pohon Keputusan
1. Mudah dibaca dan ditafsirkan
Salah satu keuntungan pohon keputusan adalah keluarannya mudah dibaca dan ditafsirkan, bahkan tanpa memerlukan pengetahuan statistik. Misalnya, saat menggunakan pohon keputusan untuk menyajikan informasi demografis tentang pelanggan, staf departemen pemasaran dapat membaca dan menafsirkan representasi grafis dari data tersebut tanpa memerlukan pengetahuan statistik.
Data juga dapat digunakan untuk menghasilkan wawasan penting tentang probabilitas, biaya, dan alternatif untuk berbagai strategi yang dirumuskan oleh departemen pemasaran.
2. Mudah disiapkan
Dibandingkan dengan teknik pengambilan keputusan lainnya, pohon keputusan membutuhkan lebih sedikit upaya untuk persiapan data. Pengguna, bagaimanapun, perlu memiliki informasi yang siap untuk membuat variabel baru dengan kekuatan untuk memprediksi variabel target. Mereka juga dapat membuat klasifikasi data tanpa harus menghitung kalkulasi yang rumit. Untuk situasi yang kompleks, pengguna dapat menggabungkan pohon keputusan dengan metode lain.
3. Lebih sedikit pembersihan data yang dibutuhkan
Keuntungan lain dari pohon keputusan adalah, setelah variabel dibuat, pembersihan data lebih sedikit. Kasus nilai yang hilang dan pencilan memiliki signifikansi yang lebih rendah pada data pohon keputusan.
Kerugian dari Pohon Keputusan
1. Sifat tidak stabil
Salah satu keterbatasan pohon keputusan adalah bahwa mereka sebagian besar tidak stabil dibandingkan dengan prediktor keputusan lainnya. Perubahan kecil pada data dapat mengakibatkan perubahan besar dalam struktur pohon keputusan, yang dapat menyampaikan hasil yang berbeda dari apa yang akan diperoleh pengguna dalam peristiwa normal. Perubahan yang dihasilkan dalam hasil dapat dikelola oleh algoritma pembelajaran mesin, seperti boosting Boosting Boosting adalah algoritma yang membantu mengurangi varians dan bias dalam ansambel pembelajaran mesin. Algoritme membantu dalam konversi pelajar yang lemah dan mengantongi Bagging (Bootstrap Aggregation) Pembelajaran mesin Ensemble dapat dikategorikan menjadi bagging dan boosting. Teknik bagging berguna untuk regresi dan statistik.
2. Kurang efektif dalam memprediksi hasil variabel kontinu
Selain itu, pohon keputusan kurang efektif dalam membuat prediksi jika tujuan utamanya adalah memprediksi hasil dari variabel kontinu. Ini karena pohon keputusan cenderung kehilangan informasi saat mengkategorikan variabel ke dalam beberapa kategori.
Sumber Daya Lainnya
Keuangan adalah penyedia resmi Sertifikasi Perbankan & Analis Kredit (CBCA) ™ CBCA ™ Akreditasi Perbankan & Analis Kredit Bersertifikat (CBCA) ™ adalah standar global untuk analis kredit yang mencakup keuangan, akuntansi, analisis kredit, analisis arus kas, model perjanjian, pembayaran kembali pinjaman, dan banyak lagi. program sertifikasi, yang dirancang untuk mengubah siapa pun menjadi analis keuangan kelas dunia.
Untuk terus mempelajari dan mengembangkan pengetahuan Anda tentang analisis keuangan, kami sangat merekomendasikan sumber daya Keuangan tambahan di bawah ini:
- Peristiwa Independen Peristiwa Independen Dalam teori statistik dan probabilitas, peristiwa independen adalah dua peristiwa di mana terjadinya satu peristiwa tidak mempengaruhi terjadinya peristiwa lain.
- Template Flowchart Template Flowchart Flowchart sangat bagus untuk menjelaskan proses bisnis secara ringkas tanpa mengorbankan struktur dan detail. Di bawah ini adalah empat contoh template diagram alur
- Peristiwa Saling Eksklusif Peristiwa Saling Eksklusif Dalam statistik dan teori probabilitas, dua peristiwa saling eksklusif jika tidak dapat terjadi pada waktu yang sama. Contoh paling sederhana dari saling eksklusif
- Diagram Pohon Diagram Pohon Diagram pohon digunakan dalam matematika - lebih khusus lagi, dalam teori probabilitas - sebagai alat untuk membantu menghitung dan memberikan representasi visual dari
