Belajar Keputusan Berbasis Data untuk Manajer di Perusahaan Gaya Baru bersama Profesor Dutta dari Amerika Serikat Part 4

Belajar Keputusan Berbasis Data untuk Manajer di Perusahaan Gaya Baru bersama Profesor Dutta dari Amerika Serikat Part 4


Perkembangan teknologi informasi saat ini sangat membantu dalam bisnis perusahaan. Namun demikian kalau kita tidak paham tipe teknologi yang dibutuhkan bisa saja kita akan salah memilih teknologi. Khususnya dalam bidang pengambilan keputusan untuk perusahaan terdapat salah satu produk teknologi informasi yang sangat membantu, yaitu sistem pendukung keputusan.


Usaha universitas STEKOM untuk memiliki jangkauan global diantarnya dengan mengadakan webinar dalam skala internasional. Pada kesempatan kali ini kita akan membahas sebuah webinar internasional yang diadakan oleh Universitas STEKOM yang salah satu narasumbernya adalah seorang profesor dari Amerika Serikat. Narasumber tersebut adalah Kaushik Dutta yang merupakan seorang Professor dan School Director di Universitas Florida Selatan. Profesor Dutta dalam presentasinya menyampaikan materi tentang sistem pendukung keputusan yang merupakan produk IT yang sangat berguna dalam bisnis perusahaan.


Materi yang disampaikan oleh profesor Dutta meliputi Framework, Applications for Business, Techniques, dan Infrastructure. Karena materi yang disampaikan cukup panjang, artikel berita yang membahas tentang presentasi Profesor Dutta kita bagi menjadi beberapa bagian. Saat ini kita memasuki part ke 4. Jika pembaca ingin tahu presentasi sebelumnya, silahkan lihat beberapa part sebelumnya pada judul artikel yang sama.


Bersambung dari part sebelum, selanjutnya Profesor Dutta menjelaskan tentang pendekatan teknik analisis data. Dalam penjelasannya, terdapat dua teknik yaitu :
- Machine learning (Supervised dan Unsupervised)
- Pendekatan Statistik


Pada pendekatan machine learnig, dalam penjelasan Profesor Dutta, salah satu contohnya adalah decision tree. Decision tree adalah algoritma machine learning yang menggunakan seperangkat aturan untuk membuat keputusan dengan struktur seperti pohon yang memodelkan kemungkinan hasil, biaya sumber daya, utilitas dan kemungkinan konsekuensi atau resiko. Konsepnya adalah dengan cara menyajikan algoritma dengan pernyataan bersyarat, yang meliputi cabang untuk mewakili langkah-langkah pengambilan keputusan yang dapat mengarah pada hasil yang menguntungkan.


Dimana setiap cabang mewakili hasil untuk atribut, sedangkan jalur dari daun ke akar mewakili aturan untuk klasifikasi. That"s why algoritma ini disebut decision tree karena pilihannya bercabang, membentuk struktur yang terlihat seperti pohon. Kamu bisa membuat pohon keputusan baik itu secara vertikal atau horizontal tergantung pada preferensi kamu. Membaca pohon keputusan horizontal dari kiri ke kanan dan pohon keputusan vertikal dari atas ke bawah.


Terdapat dua alasan alasan kenapa kita menggunakan algoritma decision tree; 1) Decision tree biasanya meniru kemampuan berpikir manusia saat membuat keputusan, sehingga mudah dimengerti; 2) Logika dibalik decision tree dapat dengan mudah dipahami karena menunjukkan struktur seperti pohon.

Sementara itu, beberapa kekurangan dalam algoritma decission tree adalah 1) Sifatnya tidak stabil, ini menjadi salah satu keterbatasan dari algoritma decision tree ketika terdapat perubahan kecil pada data dapat menghasilkan perubahan besar dalam struktur pohon keputusan; 2) Kurang efektif dalam memprediksi hasil dari variabel kontinu.


Kekurangan dan kelebihan algoritma decission tree bisa dipertimbangkan berdasarkan kasus yang sedang dihadapi dan teknologi sebelumnya yang digunakan dalam perusahaan. Jika variabel pada kasus yang dihadapi cenderung konstan dan tidak berubah-ubah, maka algoritma ini sangat cocok untuk diimplementasikan. Namun jika karakteristik dari variabelnya berubah-ubah, maka sebaiknya hindari penggunaan algoritma ini agar nantinya tidak kerepotan saat terjadi perubahan variabel saat sistem digunakan.


Algotrima Decision tree cukup mudah dipahami oleh pemula. Bagi pembaca yang merupakan pemula dalam mempelajari analisis data atau machine learning, maka algoritma ini sangat cocok untuk dijadikan contoh algoritma yang dipelajari di awal. Setelah mempelajari algoritma ini, kita bisa mempelajari algoritma lainnya yang lebih rumit dan fungsional pada berbagai kasus yang berbeda.


Bersambung...