1. Apa yang di maksud dengan Tabel
Keputusan
Tabel keputusan (decision table) adalah tabel yang digunakan
sebagai alat bantu untuk menyelesaikan logika dalam program. Algoritma yang
berisi keputusan bertingkat yang banyak sekali sangat sulit untuk digambarkan
langsung dengan structured English atau pseudocode dan dapat dibuat terlebih
dahulu dengan menggunakan tabel keputusan. Dengan demikian tabel keputusan
efektif digunakan bilamana kondisi yang akan diseleksi didalam program
jumlahnya cukup banyak dan rumit.
Ø
STRUKTUR TABEL KEPUTUSAN
Struktur tabel keputusan
terdiri dari empat bagian utama yakni :
1. Condition Stub.
2. Condition Entry.
3. Action Stub.
4. Action Entry.
Gambar. struktur dari tabel keputusan.
Ø Condition
Stub
Bagian ini berisi kondisi
yang akan diseleksi.
Ø Condition
Entry
Bagian ini berisi kemungkinan dari kondisi yang diseleksi, ayitu
terpenuhi (diberi simbol ‘Y’) dan tidak terpenuhi (diberi simbol ‘N’). Setiap
kondisi yang diseleksi akan mempunyai dua kemungkinan kejadian, yaitu terpenuhi
dan tidak terpenuhi. Bila ada x kondisi yang diselesi, maka akan terdapat N
kemungkinan kejadian, yaitu sebesar 2x = N
Ø Action
Stub
Action stub berisi
pernyataan-pernyataan yang akan dikerjakan baik kondisi yang diselesi terpenuhi
maupun tidak terpenuhi.
Ø Action
Entry
Action entry digunakan untuk
memberi tanda tindakan mana yang akan dilakukan dan mana yang tidak akan
dilakukan.
v TAHAPAN
PEMBUATAN TABEL KEPUTUSAN
Untuk
menjelaskan langkah-langkah yang dapat dilakukan untuk membuat tabel keputusan
berikut ini diilustrasikan dengan sebuah contoh sebagai berikut :
Ø PROSES
PEMESANAN
Potongan akan diberikan apabila pesanan barang
melebihi atau sama dengan batas unit minimal pesanan (batas minimal pesanan
untuk mendapatkan potongan). Potongan ini hanya berlaku bagi Dealer. Bila unit
barang persediaan di gudang mencukupi, maka pesanan akan dikirim semuanya
tetapi apabila unit barang persediaan tidak mencukupi, maka yang dikirim adalah
unit barang yang ada dan kemudian dibuatkan catatan mengenai kekurangannya
(back order).
Ø Langkah pembuatan tabel keputusan
1. Menentukan kondisi yang
akan diseleksi.
Dari contoh di atas terdapat
3 (tiga) buah kondisi yang akan diseleksi yakni :
a. Apakah unit dipesan >=
unit minimum potongan?
b. Apakah pemesannya dealer
?
c. Apakah unit persediaan
mencukupi ?
2. Menentukan jumlah
kemungkinan kejadian yang akan terjadi, yaitu sebanyak : 823 = N=
3. Menentukan tindakan yang
akan dilakukan.
Dari contoh di atas,
terdapat 5 (lima) tindakan yang akan dilakukan yaitu :
a. Mendapatkan potongan.
b. Tidak mendapatkan
potongan.
c. Kirim semua yang dipesan.
d. Kirim yang ada saja.
e. Buat catatan
kekurangannya.
4. Mengisi condition entry
Condition
entry diisi sedemikian rupa, sehingga semua kemungkinan kejadian bisa
terwakili, sebagai berikut :
Tabel keputusan
Ø Mengisi action entry
Action entry diisi kolom
demi kolom dari kolom pertama sampai kolom ke N. Misalnya untuk kolom yang
pertama, semua kondisi terpenuhi, yaitu unit yang dipesan melebihi unit minimum
potongan, pemesannya adalah dealer dan unit persediaan mencukupi, maka tindakan
yang akan dilakukan adalah mendapatkan potongan dan kirim semua yang dipesan.
Pada kolom pertama ini kemudian baris tindakan mendapatkan potongan dan baris
tindakan kirim semua yang dipesan diberi tanda sembarang (misalnya “x”).
Lakukan cara yang sama untuk masing-masing rules sampai kolom ke N (8).
hasilnya sebagai berikut :
Rule nomor 5 dan 7 dapat
digabung, karena tindakannya sama, demikian juga rule nomor 6 dan 8 dapat juga
digabung, sihingga tabel keputusan menjadi :
Terlihat rule nomor 5 dan 7
serta rule 6 dan 8 hasil gabungan menunjukan baik itu dealer maupun tidak sudah
tidak berpengaruhlagi, karena unit yang dipesan sudah lebih kecil dari unit
minimum yang mendapatkan potongan
Bentuk structured English
nya sebagai berikut :
IF unit dipesan lebih besar
atau sama dengan unit minimum potongan dan
pemesannya dealer dan unit
persediaan mencukupi
THEN mendapat potongan
kirim semua yang dipesan
ELSE IF unit dipesan lebih
besar atau sama dengan unit minimum potongan dan
pemesannya dealer dan unit
persediaan tidak mencukupi
THEN mendapat potongan
kirim yang yang ada saja
buat catatan kekurangannya
ELSE IF unit dipesan lebih
besar atau sama dengan unit minimum potongan dan
pemesannya bukan dealer dan
unit persediaan mencukupi
THEN tidak mendapat potongan
kirim semua yang dipesan
ELSE IF unit dipesan lebih
besar atau sama dengan unit minimum potongan dan
pemesannya bukan dealer dan
unit persediaan tidak mencukupi
THEN tidak mendapat potongan
kirim yang yang ada saja
buat catatan kekurangannya
ELSE IF unit dipesan lebih
kecil dari unit minimum potongan dan
unit persediaan mencukupi
THEN tidak mendapat potongan
kirim semua yang dipesan
ELSE IF unit dipesan lebih
kecil dari unit minimum potongan dan
unit persediaan tidak
mencukupi
THEN tidak mendapat potongan
kirim yang yang ada saja
buat catatan kekurangannya
2. Pohon keputusan beserta contohnya
Ø
Pengertian Pohon Keputusan
Pohon yang dalam analisis pemecahan
masalah pengambilan keputusan adalah pemetaan mengenai alternatif-alternatif
pemecahan masalah yang dapat diambil dari masalah tersebut. Pohon tersebut juga
memperlihatkan faktor-faktor kemungkinan/probablitas yang akan mempengaruhi
alternatif-alternatif keputusan tersebut, disertai dengan estimasi hasil akhir
yang akan didapat bila kita mengambil alternatif keputusan tersebut.
Ø
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.
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.
Ø
Kelebihan Pohon Keputusan
Kelebihan dari metode pohon
keputusan adalah:
·
Daerah
pengambilan keputusan yang sebelumnya kompleks dan sangat global, dapat diubah
menjadi lebih simpel dan spesifik.
·
Eliminasi
perhitungan-perhitungan yang tidak diperlukan, karena ketika menggunakan metode
pohon keputusan maka sample diuji hanya berdasarkan kriteria atau kelas
tertentu.
·
Fleksibel
untuk memilih fitur dari internal node yang berbeda, fitur yang terpilih
akan
·
Membedakan
suatu kriteria dibandingkan kriteria yang lain dalam node yang sama.
Kefleksibelan metode pohon keputusan ini meningkatkan kualitas keputusan yang
dihasilkan jika dibandingkan ketika menggunakan metode penghitungan satu tahap
yang lebih konvensional
·
Dalam analisis
multivariat, dengan kriteria dan kelas yang jumlahnya sangat banyak, seorang
penguji biasanya perlu untuk mengestimasikan baik itu distribusi dimensi tinggi
ataupun parameter tertentu dari distribusi kelas tersebut. Metode pohon
keputusan dapat menghindari munculnya permasalahan ini dengan menggunakan
criteria yang jumlahnya lebih sedikit pada setiap node internal tanpa banyak
mengurangi kualitas keputusan yang dihasilkan.
Ø
Kekurangan Pohon Keputusan
·
Terjadi
overlap terutama ketika kelas-kelas dan criteria yang digunakan jumlahnya
sangat banyak. 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.
Ø
Model Pohon Keputusan
Pohon keputusan adalah model
prediksi menggunakan struktur pohon atau struktur berhirarki. Contoh dari pohon
keputusan dapat dilihat di Gambar berikut ini.
Disini setiap percabangan menyatakan
kondisi yang harus dipenuhi dan tiap ujung pohon menyatakan kelas data. Contoh
di Gambar 1 adalah identifikasi pembeli komputer,dari pohon keputusan tersebut
diketahui bahwa salah satu kelompok yang potensial membeli komputer adalah
orang yang berusia di bawah 30 tahun dan juga pelajar. Setelah sebuah pohon
keputusan dibangun maka dapat digunakan untuk mengklasifikasikan record yang
belum ada kelasnya. Dimulai dari node root, menggunakan tes terhadap
atribut dari record yang belum ada kelasnya tersebut lalu mengikuti
cabang yang sesuai dengan hasil dari tes tersebut, yang akan membawa kepada internal
node (node yang memiliki satu cabang masuk dan dua atau lebih cabang
yang keluar), dengan cara harus melakukan tes lagi terhadap atribut atau node
daun. Record yang kelasnya tidak diketahui kemudian diberikan kelas
yang sesuai dengan kelas yang ada pada node daun. Pada pohon keputusan
setiap simpul daun menandai label kelas. Proses dalam pohon keputusan yaitu
mengubah bentuk data (tabel) menjadi model pohon (tree) kemudian
mengubah model pohon tersebut menjadi aturan (rule).
