Group Culinary
- Decision Tables
- Decision Tree
- Decision Tables
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.
Struktur tabel keputusan terdiri dari empat bagian utama yakni :
- Condition Stub
- Condition Entry
- Action Stub
- Action Entry
- Condition Stub
Bagian ini berisi kondisi yang akan diseleksi.
- Condition Entry
Bagian ini berisi kemungkinan dari kondisi yang diseleksi, yaitu 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 diseleksi, maka akan terdapat N kemungkinan kejadian, yaitu sebesar
N=2x
- Action Stub
Action stub berisi pernyataan-pernyataan yang akan dikerjakan baik kondisi yang diselesi terpenuhi maupun tidak terpenuhi.
- Action Entry
Action entry digunakan untuk memberi tanda tindakan mana yang akan dilakukan dan mana yang tidak akan dilakukan.
TAHAPAN PEMBUATAN TABEL KEPUTUSAN
Untuk menjelaskan langkah-langkah yang dapat dilakukan untukmembuat tabel keputusan berikut ini diilustrasikan dengan sebuah contoh sebagai berikut :
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).
Langkah pembuatan tabel keputusan
- Menentukan kondisi yang akan diseleksi.
Dari contoh di atas terdapat 3 (tiga) buah kondisi yang akan
diseleksi yakni :
- Apakah unit dipesan >= unit minimum potongan?
- Apakah pemesannya dealer ?
- Apakah unit persediaan mencukupi ?
- Menentukan jumlah kemungkinan kejadian yang akan terjadi, yaitu sebanyak : N =23 = 8
- Menentukan tindakan yang akan dilakukan.
Dari contoh di atas, terdapat 5 (lima) tindakan yang akan dilakukan yaitu :
- Mendapatkan potongan.
- Tidak mendapatkan potongan.
- Kirim semua yang dipesan.
- Kirim yang ada saja.
- Buat catatan kekurangannya.
- Mengisi condition entry
Condition entry diisi sedemikian rupa, sehingga semua kemungkinan kejadian bisa terwakili, sebagai berikut :
Gambar 2. Condition entry
- 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 :
Gambar 3. Mengisi action entry
Rule nomor 5 dan 7 dapat digabung, karena tindakannya sama, demikian juga rule nomor 6 dan 8 dapat juga digabung, sehingga tabel keputusan menjadi :
Gambar 3. Tabel keputusan yang telah difinalisasi
- Decision Tree
Decision tree adalah salah satu metode klasifikasi yang paling populer, karena mudah untuk diinterpretasi oleh manusia. Decision tree adalah model prediksi menggunakan struktur pohon atau struktur berhirarki.
Konsep dari pohon keputusan adalah mengubah data menjadi decision tree dan aturan-aturan keputusan. Manfaat utama dari penggunaan decision tree adalah kemampuannya untuk mem-break down proses pengambilan keputusan yang kompleks menjadi lebih simple, sehingga pengambil keputusan akan lebih menginterpretasikan solusi dari permasalahan.
Nama lain dari decision tree adalah CART (Classification and Regression Tree). Dimana metode ini merupakan gabungan dari dua jenis pohon, yaitu classification tree dan juga regression tree. Untuk memudahkan, berikut ilustrasi dari keduanya.
Gambar 4. Contoh Classification Tree
Gambar 5. Contoh Regretion Tree
Decision tree juga berguna untuk mengeksplorasi data, menemukan hubungan tersembunyi antara sejumlah calon variabel input dengan sebuah variabel target. Decision tree 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.
Dalam beberapa aplikasi, akurasi dari sebuah klasifikasi atau prediksi adalah satu-satunya hal yang ditonjolkan dalam metode ini, 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.
Gambar 6. Contoh Decision Tree
Kelebihan lain dari metode ini adalah mampu mengeliminasi perhitungan atau data-data yang kiranya tidak diperlukan. Sebab, sampel yang ada biasanya hanya diuji berdasarkan kriteria atau kelas tertentu saja.
Meski memiliki banyak kelebihan, namun bukan berarti metode ini tidak memiliki kekurangan. Decision tree ini bisa terjadi overlap, terutama ketika kelas dan kriteria yang digunakan sangat banyak tentu saja dapat meningkatkan waktu pengambilan keputusan sesuai dengan jumlah memori yang dibutuhkan.
Dalam hal akumulasi, decision tree juga seringkali mengalami kendala eror terutama dalam jumlah besar. Selain itu, terdapat pula kesulitan dalam mendesain decision tree yang optimal. Apalagi mengingat kualitas keputusan yang didapatkan dari metode decision tree sangat tergantung pada bagaimana pohon tersebut didesain.
Zahrunisa Qorry 