Decision tree merupakan suatu struktur yang digunakan untuk membantu proses pengambilan keputusan. Disebut sebagai “tree” karena struktur ini menyerupai sebuah pohon lengkap dengan akar, batang, dan percabangannya. Dalam data science, struktur decision tree dapat membantu ambil keputusan efektif dan tetap memperhatikan kemungkinan hasil serta konsekuensinya.

Artikel kali ini akan membahas bagaimana cara mengambil keputusan dengan memanfaatkan struktur decision tree ini. Bagaimana tahapannya?

Tahapan membuat model decision tree

Sekarang ini, membuat model decision tree sangat mudah. Sebab, Anda bisa memanfaatkan aplikasi atau software yang memang berfungsi untuk membuat decision tree. Namun, meski Anda menggunakan aplikasi yang praktis, harus tetap mengetahui langkah-langkah pembuatan model decision tree. Dengan begitu, hasil yang didapat nantinya akan akurat. Anda bisa menyimak poin-poin di bawah ini untuk mengetahui tiap langkahnya:

1. Membuat keputusan utama

Mulailah decision tree Anda dengan sebuah keputusan utama. Jika diibaratkan sebuah pohon, ini adalah akarnya. Biasanya, keputusan utama diwakili oleh sebuah kotak kecil. Setelah itu, buat garis di tiap sisi kotak untuk menggambarkan kemungkinan aksi lanjutan atau solusi. Beri label yang sesuai agar mudah dikenali.

2. Tambahkan simpul keputusan

Untuk mulai memperluas pohon, Anda bisa menambahkan simpul keputusan atau node dengan mengikuti ketentuan sebagai berikut:

• Jika muncul keputusan lain, gambar kotak lain.
• Jika hasilnya tidak pasti, gambarlah sebuah lingkaran (lingkaran mewakili simpul kebetulan).
• Jika masalah terpecahkan, biarkan cabang kosong (untuk saat ini).

Dari setiap simpul keputusan, gambarkan solusi yang mungkin diambil. Sedangkan pada tiap simpul yang menggambarkan peluang, Anda bisa menarik garis pada peluang hasil. Namun, jika ingin melakukan analisis numerik terhadap pilihan yang Anda ambil, pastikan untuk menyertakan probabilitas dari setiap hasil.

3. Titik akhir

Terus lanjutkan tiap keputusan hingga mencapai sebuah titik akhir. Titik akhir keputusan berarti tidak ada lagi pilihan yang harus diambil atau peluang yang harus diperhitungkan lagi. Jika sudah, tetapkanlah nilai untuk tiap hasil yang mungkin muncul. Biasanya, titik akhir disimbolkan dengan segitiga.

Sekarang, decision tree sudah siap untuk digunakan dalam menganalisis keputusan-keputusan yang akan Anda ambil.

Tipe decision tree

Decision tree kemudian dibagi menjadi dua tipe sesuai dengan hasil yang diperoleh. Kedua tipe tersebut adalah classification tree dan regression tree.

1. Classification tree

Pada tipe classification tree, hasil yang diprediksi bersifat diskret atau berlawanan. Misalnya, Ya atau Tidak, Benar atau Salah, Kalah atau Menang.

2. Regression tree

Sementara itu, tipe regression tree menghasilkan data kontinu atau masih berhubungan. Hasilnya pun bisa dianggap sebagai bilangan nyata, seperti durasi rawat inap pasien hingga harga rumah di suatu daerah.

Kelebihan decision tree

Ada beberapa kelebihan decision tree jika dibandingkan dengan metode lain dalam menyusun algoritma untuk machine learning, di antaranya:

• Sangat mudah dipahami, diinterpretasikan, dan sangat cocok untuk visualisasi data.
• Bisa menghasilkan informasi yang berguna meski tanpa hard data. Sebab, tiap data yang digunakan dalam prosesnya hanya memerlukan persiapan minimal. Anda bahkan tidak perlu melalui tahap one-hot encoding.
• Opsi baru selalu bisa ditambahkan dengan mudah pada struktur yang sudah ada.
• Mampu memilih opsi yang terbaik dari seluruh opsi yang tersedia.
• Penggunaannya dapat digabungkan dengan alat pengambil keputusan lainnya.
• Dapat bekerja dengan variabel numerik maupun kategoris.
• Pemilihan variabel dilakukan secara otomatis. Itu berarti, jika terdapat variabel yang tidak penting, tidak akan memengaruhi hasil akhir meski sebenarnya ada variabel yang saling bergantung (multikolinearitas).

Kelemahan decision tree

Meski begitu, decision tree pun memiliki kelemahan. Kelemahan utamanya terletak pada struktur itu sendiri. Sifat struktur decision tree yang sangat terbuka dapat membuatnya menjadi sangat rumit, Meski struktur yang rumit bisa menghasilkan hasil yang akurat, namun juga bisa mempersempit fokus hanya pada keputusan dan masukan.