32
Dari perspektif bisnis, decision tree dapat dilihat sebagai pembuatan segmentasi dari data
set yang orisinil. Segmentasi ini dilakukan untuk beberapa alasan tertentu, misalnya untuk
prediksi
dari
beberapa
potong
informasi
yang
penting.
Meskipun
decision
tree sendiri
dan
algoritma
yang
membuat
decision tree
itu
mungkin
saja
sangat
kompleks,
namun
hasil
yang
ditampilkan dengan cara yang mudah dimengerti sangat membantu untuk pengguna bisnis.
Decision
tree seringkali dikembangkan untuk
statistician untuk
mengotomatisasi
proses
menentukan
field
mana
dari database
mereka
yang
benar-benar
berguna
atau
terkorelasi
dengan
masalah
tertentu
yang
sedang
mereka
usahakan
untuk
mengerti.
Karena
itu,
algoritma
decision
tree cenderung mengotomatisasi seluruh proses
pembuatan hipotesis dan kemudian melakukan
validasi
yang
lebih
komplit
dalam
cara
yang
lebih
terintegrasi
dibanding
dengan
teknik data
mining
lainnya.
Decision tree biasanya digunakan untuk berbagai kebutuhan:
1. Eksplorasi
Teknologi decision tree dapat digunakan untuk eksplorasi data set dan masalah bisnis. Hal
ini
biasanya
dilakukan
dengan
mencari
predictor
dan
nilai
yang
dipilih
untuk
setiap
bagian / cabang dari
tree
tersebut.
2. Preprocessing data
Teknologi
ini
juga
dapat
digunakan
untuk mengolah dan memproses data yang dapat
digunakan
pada
algoritma
lain,
misalnya neural network,
nearest
neighbour,
dll.
Hal
itu
dikarenakan algoritma lain memerlukan waktu yang relatif lama untuk dijalankan jika
terdapat
jumlah
predictor
dalam jumlah
besar
untuk
digunakan
sebagai
model,
sehingga
teknik decision tree
biasanya digunakan pada tahap pertama
data mining
untuk
menciptakan subset yang
berguna
dari predictor baru
kemudian
hasil
tersebut
akan
 |