Knowledge Codification Tools

Knowledge Codification Tools

Lecturer : Leon Abdillah

Membangun Perpustakaan Berbasis Konsep Knowledge Management

Transformasi Menuju Research College dan Perguruan Tinggi Berkualitas Internasional

Pengertian Tree Decision

Tree Decision adalah sebuah metode untuk menentukan faktor utama berdasarkan perbandingan antar faktor yang satu dengan yang lainnya. Dalam mengambil keputusan tentunya terdapat berbagai pertimbangan yang perlu dipikirkan terlebih dahulu. Faktor faktor penunjang tersebut dibandingkan satu sama lainnya. Untuk mempermudah perbandingan faktor-faktor ini dikelompokkan menjadi beberapa kategori dengan membuat persentase masing-masing factor terlebih dahulu. Dari masing-masing kategori tersebut ditentukan faktor yang paling menunjang.

Setelah didapat faktor yang paling menunjang dari masing-masing kategori maka dapat dilanjutkan dengan membandingkan faktor dari kategori yang berbeda. Dari hasil perbandingan tersebut dapat ditentukan faktor utama yang paling menunjang keputusan tersebut. Keuntungan merupakan hal utama yang perlu dipikiran lebih lanjut dalam suatu perusahaan. Suatu usaha yang digeluti akan kandas ditengah jalan apabila keuntungan tidak didapatkan. Ataupun apabila keuntungan tidak sesuai dengan prediksi bisa saja usaha tersebut dihentikan. Tentunya terdapat banyak faktor yang menunjang keuntungan suatu perusahaan. Salah satu faktor tersebut adalah lokasi usaha. Penentuan lokasi usaha melalui pendekatan Tree Decision menghasilkan prediksi lokasi usaha yang efektif dan efisien sehingga memberikan keuntungan yang maksimal bagi perusahaan.

1. Representasi Tree Decision

Pada awal penentuan lokasi bisnis tentunya harus ditentukan terlebih dahulu adalah bisnis yang akan digeluti. Hal kedua yang perlu ditentukan adalah jenis kantor yang ingin dibuat. Setelah kedua hal ini didapatkan maka hal selanjutnya yang perlu dipikirkan adalah faktor-faktor yang menunjang lokasi bisnis sesuai dengan bidang bisnis dan jenis kantor yangingin dibuat.

Faktor-faktor yang telah ditentukan sebagai faktor-faktor yang berhubungan dengan pemilihan lokasi bisnis dikelompokkan menjadi beberapa kelompok. Kelompok kelompok faktor ini harus dibuat berdasarkan persamaan kategori yang dimiliki masing-masing faktor.

Apabila faktor-faktor ini tidak memiliki kesamaan yang signifikan maka sebaiknya dikelompokkan menjadi kategori yang lain. Hal ini dipergunakan agar mempermudah dalam menentukan faktor yang paling menunjang pada masing-masing kategori.

2. Tree Decision dengan Pendekatan Tabel

Dari pendekatan tabel dapat diketahui persentase masing-masing faktor yang menunjang pemilihan lokasi bisnis. Setelah persentase ini diketahui maka dapat dengan mudah ditentukan faktor yang paling menunjang dari suatu kategori. Selanjutnya membandingkan faktor-faktor yang paling menunjang dari masing-masing kategori dengan kategori lainnya.

Walaupun persentase yang dimiliki suatu kategori tinggi belum tentu faktor inilah yang merupakan faktor utama dalam pemilihan lokasi bisnis dibidang yang bersangkutan.Dalam hal ini diperlukan pendekatan parameter-parameter yang lebih terperinci. Misalnya saja pengusaha ingin memajukan ingin memajukan salah satu bagian dari bidang usaha.

Tentunya kategori ini mempunyai nilai yang lebih dari kategori-kategori lain. Dari persentase faktor serta kelebihan-kelebihan inilah dapat ditentukan faktor utama yang paling menunjang pemilihan lokasi bisnis dibidang yang digeluti.

Secara konsep Decision tree adalah salah satu dari teknik decision analysis.Tries sendiri pertama kali diperkenalkan pada tahun 1960-an oleh Fredkin. Trie atau digital tree berasal dari kata retrival (pengambilan kembali) sesuai dengan fungsinya. Secara etimologi kata ini diucapkan sebagai ‘tree’. Meskipun mirip dengan penggunaan kata ‘try’ tetapi hal ini bertujuan untuk membedakannya dari general tree. Dalam ilmu komputer, trie, atau prefix tree adalah sebuah struktur data dengan representasi ordered tree yang digunakan untuk menyimpan associative array yang berupa string. Berbeda dengan binary search tree (BST) yang tidak ada node di tree yang menyimpan elemen yang berhubungan dengan node sebelumnya dan, posisi setiap elemen di tree sangat menentukan. Semua keturunan dari suatu node mempunyai prefix string yang mengandung elemen dari node itu, dengan root merupakan string kosong. Values biasanya tidak terkandung di setiap node, hanya di daun dan beberapa node di tengah yang cocok dengan elemen tertentu.

Secara singkat bahwa Decision Tree merupakan salah satu metode klasifikasi pada Text Mining. Klasifikasi adalah proses menemukan kumpulan pola atau fungsi-fungsi yang mendeskripsikan dan memisahkan kelas data satu dengan lainnya, untuk dapat digunakan untuk memprediksi data yang belum memiliki kelas data tertentu (Jianwei Han, 2001).

Decision Tree adalah sebuah struktur pohon, dimana setiap node pohon merepresentasikan atribut yang telah diuji, setiap cabang merupakan suatu pembagian hasil uji, dan node daun (leaf) merepresentasikan kelompok kelas tertentu. Level node teratas dari sebuah Decision Tree adalah node akar (root) yang biasanya berupa atribut yang paling memiliki pengaruh terbesar pada suatu kelas tertentu. Pada umumnya Decision Tree melakukan strategi pencarian secara top-down untuk solusinya. Pada proses mengklasifikasi data yang tidak diketahui, nilai atribut akan diuji dengan cara melacak jalur dari node akar (root) sampai node akhir (daun) dan kemudian akan diprediksi kelas yang dimiliki oleh suatu data baru tertentu.

Decision Tree menggunakan algoritma ID3 atau C4.5, yang diperkenalkan dan dikembangkan pertama kali oleh Quinlan yang merupakan singkatan dari Iterative Dichotomiser 3 atau Induction of Decision “3″ (baca: Tree).

Algoritma ID3 membentuk pohon keputusan dengan metode divide-and-conquer data secara rekursif dari atas ke bawah. Strategi pembentukan Decision Tree dengan algoritma ID3 adalah:
     • Pohon dimulai sebagai node tunggal (akar/root) yang merepresentasikan semua data..
   • Sesudah node root dibentuk, maka data pada node akar akan diukur dengan information gain untuk dipilih atribut mana yang akan dijadikan atribut pembaginya.
   • Sebuah cabang dibentuk dari atribut yang dipilih menjadi pembagi dan data akan didistribusikan ke dalam cabang masing-masing.

    • Algoritma ini akan terus menggunakan proses yang sama atau bersifat rekursif untuk dapat membentuk sebuah Decision Tree. Ketika sebuah atribut telah dipilih menjadi node pembagi atau cabang, maka atribut tersebut tidak diikutkan lagi dalam penghitungan nilai informasi.
    • Proses pembagian rekursif akan berhenti jika salah satu dari kondisi dibawah ini terpenuhi:

1.      Semua data dari anak cabang telah termasuk dalam kelas yang sama.

2.      Semua atribut telah dipakai, tetapi masih tersisa data dalam kelas yang berbeda. Dalam kasus ini, diambil data yang mewakili kelas yang terbanyak untuk menjadi label kelas pada node daun.

3.      Tidak terdapat data pada anak cabang yang baru. Dalam kasus ini, node daun akan dipilih pada cabang sebelumnya dan diambil data yang mewakili kelas terbanyak untuk dijadikan label kelas.

Beberapa contoh pemakaian Decision Tree,yaitu :

• Diagnosa penyakit tertentu, seperti hipertensi, kanker, stroke dan lain-lain
• Pemilihan produk seperti rumah, kendaraan, komputerdanlain-lain

• Pemilihan pegawai teladan sesuai dengan kriteria tertentu

• Deteksi gangguan pada computer atau jaringan computer seperti Deteksi Entrusi, deteksi virus (Trojan dan varians),dan lain-lain

Pada project ini,Kami mencoba mengakali konsep decision tree dengan cara,mengubah implementasinya pada penjumlahan nilai dari tiap kepribadian.
Jadi gini, Kunci dari program kami terletak pada pertanyaan utama.Jadi gini,4 kepribadian itu dibagi menjadi 2 golongan besar, yaitu :

Ekstrovert : sanguinis dan Koleris

Introvert : Melankolis dan Plegmatis

Nilai Ekstrovert : sanguinis + Koleris

Nilia Introvert : Melankolis + Plegmatis

pertanyaan pertama pada aplikasi kami adalah mengkondisikan apakah jumlah nilai ekstrovert >= introvert.

apabila benar maka,tinggal membandingkan nilai sanguinis dan koleris,en klo jawabannya salah,maka program akan membandingkan nilai melankolis dan plegmatis.
Hasilnya adalah nilai kepribadian yang paling besar.setiap Nilai yang didapat akan disimpan kedalam temp,dan akan dimunculkan dalam bentuk grafik di program.

Kodifikasi Pengetahuan :

• Pengorganisasian dan mewakili pengetahuan sebelum diakses oleh personil yang berwenang.
• Bagian pengorganisasian biasanya dalam bentuk pohon keputusan, tabel keputusan, atau bingkai.
• Konversi pengetahuan tacit ke pengetahuan eksplisit dalam bentuk yang dapat digunakan.
• Konversi informasi tidak terdokumentasi menjadi informasi yang didokumentasikan.
• Membuat perusahaan-spesifik pengetahuan yang terlihat, mudah diakses, dan digunakan untuk pengambilan keputusan.

Teknik dan Metode Kodifikasi Pengetahuan (alat dan prosedur)

Pohon Keputusan

• Diatur sebuah jaringan semantik hierarkis,
• Terdiri dari node yang mewakili tujuan dan link mewakili keputusan atau hasil,
• Baca dari kiri ke kanan, dengan akar berada di sebelah kiri,
• Semua node kecuali simpul akar adalah contoh dari tujuan utama. Lihat Gambar dibawah,
• Langkah pertama sebelum kodifikasi yang sebenarnya,
• Kemampuan untuk memverifikasi logika grafis dalam masalah yang melibatkan situasi yang kompleks yang menghasilkan sejumlah tindakan,

Taksonomi pengetahuan membuat pengetahuan dapat secara gambar direpresentasikan sehingga merefleksikan organisasi konsep dalam bidang keahlian khusus atau untuk organisasi secara lebih luas.

Taksonomi adalah sistem klasifikasi dasar yang membuat kita dapat menggambarkan konsep dan ketergantungannya-biasanya dalam bentuk hierarki.  Makin tinggi konsep diletakkan, makin umum atau generik konsep tersebut.   Makin rendah suatu konsep ditempatkan, makin spesifik hal tersebut pada kategori level tinggi.

Konstruksi taksonomi melibatkan identifikasi, mendefinisikan, membandingkan dan mengelompokkan elemen.

REFERENSI :

http://yeyekh.wordpress.com/2009/01/20/decision-tree/

http://matakuliahmanajemenpengetahuan.wordpress.com/2013/04/08/tugas-7-3/

Group Member : 
 1. Randhy Pratama - 10141217
 2. Rano Karno - 10141020
 3. M. Muslim - 11141275
 4. Endang Kurnia - 10141025
 5. M. Roland Zen - 10141129
 6. Elsa Oktarina - 10141019

Share on Google Plus

About Randhy Pratama

This is a short description in the author block about the author. You edit it by entering text in the "Biographical Info" field in the user admin panel.