Lompat ke isi

Pohon keputusan: Perbedaan antara revisi

Ensiklopedia Pengetahuan Universitas Islam Sultan Agung

Maintenance script (bicara | kontrib)

37.956 suntingan
Maintenance script (bicara | kontrib)
37.956 suntingan
Impor teks terkontrol dari Wikipedia bahasa Indonesia; revisi 28712448; atribusi sumber disertakan.
 
Maintenance script (bicara | kontrib)
37.956 suntingan
Presentation V4: sitasi, referensi, Math, Wikimedia Commons, dan atribusi
 
Baris 1: Baris 1:
'''Pohon keputusan''' atau ([[bahasa Inggris]]: '''''decision tree''')'' merupakan [[metode klasifikasi]] menjadi salah satu yang terpopuler karena mudah dipahami. Pohon keputusan adalah metode pengambilan keputusan yang menyusun setiap opsi menjadi bentuk yang bercabang. Dengan begitu  membuat metode ini disebut pohon keputusan. Karena bentuknya seperti pohon dan mempunyai banyak cabang dibagian ranting maupun bagian akarnya.
[[File:Pohon_keputusan.jpg|thumb|right|280px|Pohon keputusan]]
 
'''Pohon keputusan''' atau ([[bahasa Inggris]]: '''''decision tree''')'' merupakan [[metode klasifikasi]] menjadi salah satu yang terpopuler karena mudah dipahami. Pohon keputusan adalah metode pengambilan keputusan yang menyusun setiap opsi menjadi bentuk yang bercabang. Dengan begitu  membuat metode ini disebut pohon keputusan. Karena bentuknya seperti pohon dan mempunyai banyak cabang dibagian ranting maupun bagian akarnya.<ref>A. B. Makar. [https://pubmed.ncbi.nlm.nih.gov/1 Formate assay in body fluids: application in methanol poisoning]. ''Biochemical Medicine''. 1975-06. Vol. 13 (2). hlm. 117–126. doi:10.1016/0006-2944(75)90147-7.</ref>


== Konsep ==
== Konsep ==
Konsep dari pohon keputusan adalah dilihat dari cara menyajikan algoritma dengan pernyataan bersyarat, yang terdiri dari beberapa  cabang yang mewakili langkah-langkah  dalam pengambilan keputusan yang mengarah pada hasil yang menguntungkan.
Konsep dari pohon keputusan adalah dilihat dari cara menyajikan algoritma dengan pernyataan bersyarat, yang terdiri dari beberapa  cabang yang mewakili langkah-langkah  dalam pengambilan keputusan yang mengarah pada hasil yang menguntungkan.<ref>Rizal Hans. [https://www.dqlab.id/intip-jenis-teknik-analisis-data-yang-sedang-trend-decision-tree Intip Jenis Teknik Analisis Data yang Sedang Trend, Decision Tree!]. ''www.dqlab.id''.</ref>


Pohon keputusan bekerja paling baik  apabila mengikuti aturan [[diagram]] alur dasar:
Pohon keputusan bekerja paling baik  apabila mengikuti aturan [[diagram]] alur dasar:
Baris 9: Baris 11:
# [[Garis]]: merupakan perwakilan dari cabang-cabang pohon.
# [[Garis]]: merupakan perwakilan dari cabang-cabang pohon.
# [[Lingkaran]]: merupakan penanda hasil yang tidak pasti bahwa saudara membutuhkan cabang tambahan yang digunakan untuk klarifikasi.
# [[Lingkaran]]: merupakan penanda hasil yang tidak pasti bahwa saudara membutuhkan cabang tambahan yang digunakan untuk klarifikasi.
# [[Segitiga]]: berikan jawaban yang jelas dan final. Segitiga disebut juga daun.
# [[Segitiga]]: berikan jawaban yang jelas dan final. Segitiga disebut juga daun.<ref>Rizal Hans. [https://www.dqlab.id/intip-jenis-teknik-analisis-data-yang-sedang-trend-decision-tree Intip Jenis Teknik Analisis Data yang Sedang Trend, Decision Tree!]. ''www.dqlab.id''.</ref>


== Metode ==
== Metode ==
Metode ''decision tree'' terdiri dari 3 komponen yakni akar (''root node''), ranting (''branches'') dan daun (''leaf node''). Berikut ini penjelasan dari komponen-komponen tersebut:
Metode ''decision tree'' terdiri dari 3 komponen yakni akar (''root node''), ranting (''branches'') dan daun (''leaf node''). Berikut ini penjelasan dari komponen-komponen tersebut:<ref>R. J. Smith. [https://pubmed.ncbi.nlm.nih.gov/3 Metal substitutions incarbonic anhydrase: a halide ion probe study]. ''Biochemical and Biophysical Research Communications''. 1975-10-27. Vol. 66 (4). hlm. 1281–1286. doi:10.1016/0006-291x(75)90498-2.</ref>


# ''Root node'' atau akar: keputusan apa yang ingin di ambil
# ''Root node'' atau akar: keputusan apa yang ingin di ambil
Baris 18: Baris 20:
# ''Leaf Node'' atau daun: saudara harus membuat cabang tambahan yang disebut dengan leaf node atau daun yang digunakan untuk menjelaskan masing-masing konsekuensi atau Tindakan yang saudara pilih.
# ''Leaf Node'' atau daun: saudara harus membuat cabang tambahan yang disebut dengan leaf node atau daun yang digunakan untuk menjelaskan masing-masing konsekuensi atau Tindakan yang saudara pilih.


Manfaat utama dari penggunaan ''decision tree'' adalah  kemampuannya dalam ''mem-break down'' proses pengambilan keputusan yang kompleks menjadi sederhana  sehingga pengambilan keputusan  akan memberikan solusi dari suatu masalah.
Manfaat utama dari penggunaan ''decision tree'' adalah  kemampuannya dalam ''mem-break down'' proses pengambilan keputusan yang kompleks menjadi sederhana  sehingga pengambilan keputusan  akan memberikan solusi dari suatu masalah.<ref>R. J. Smith. [https://pubmed.ncbi.nlm.nih.gov/3 Metal substitutions incarbonic anhydrase: a halide ion probe study]. ''Biochemical and Biophysical Research Communications''. 1975-10-27. Vol. 66 (4). hlm. 1281–1286. doi:10.1016/0006-291x(75)90498-2.</ref>


== Jenis pohon keputusan ==
== Jenis pohon keputusan ==
Ada 2 jenis pohon keputusan atau ''decision tree'' didasarkan pada variabel target yakni:
Ada 2 jenis pohon keputusan atau ''decision tree'' didasarkan pada variabel target yakni:<ref>U. N. Wiesmann. [https://pubmed.ncbi.nlm.nih.gov/4 Effect of chloroquine on cultured fibroblasts: release of lysosomal hydrolases and inhibition of their uptake]. ''Biochemical and Biophysical Research Communications''. 1975-10-27. Vol. 66 (4). hlm. 1338–1343. doi:10.1016/0006-291x(75)90506-9.</ref>


# Pohon keputusan (''decision tree'') variabel kategori merupakan pohon keputusan variabel kategori termasuk bagian dari [[Variabel (ilmu komputer)|variabel]] target kategori yang dibagi ke dalam kategori contohnya, kategorinya bisa ya atau tidak. Kategori bermakna bahwa setiap proses keputusan jatuh kedalam salah satu kategori.
# Pohon keputusan (''decision tree'') variabel kategori merupakan pohon keputusan variabel kategori termasuk bagian dari [[Variabel (ilmu komputer)|variabel]] target kategori yang dibagi ke dalam kategori contohnya, kategorinya bisa ya atau tidak. Kategori bermakna bahwa setiap proses keputusan jatuh kedalam salah satu kategori.
# Pohon keputusan (''decision tree'') variabel kontinu merupakan pohon keputusan dengan variabel target kontinu. Contohnya pendapatan individu yang pendapatannya tidak diketahui  tetapi dapat diprediksi berdasarkan informasi seperti pekerjaan, usia, produk dan berbagai variabel lainnya.
# Pohon keputusan (''decision tree'') variabel kontinu merupakan pohon keputusan dengan variabel target kontinu. Contohnya pendapatan individu yang pendapatannya tidak diketahui  tetapi dapat diprediksi berdasarkan informasi seperti pekerjaan, usia, produk dan berbagai variabel lainnya.<ref>U. N. Wiesmann. [https://pubmed.ncbi.nlm.nih.gov/4 Effect of chloroquine on cultured fibroblasts: release of lysosomal hydrolases and inhibition of their uptake]. ''Biochemical and Biophysical Research Communications''. 1975-10-27. Vol. 66 (4). hlm. 1338–1343. doi:10.1016/0006-291x(75)90506-9.</ref>


Dari dua jenis pohon keputusan di atas dapat disimpulkan bahwa variabel kategori memiliki target sesuai dengan kategori yang ada dan dipilih, sedangkan variabe kontinu bersifat tidak dapat diprediksi sesuai dengan informasi yang telah ada.
Dari dua jenis pohon keputusan di atas dapat disimpulkan bahwa variabel kategori memiliki target sesuai dengan kategori yang ada dan dipilih, sedangkan variabe kontinu bersifat tidak dapat diprediksi sesuai dengan informasi yang telah ada.<ref>U. N. Wiesmann. [https://pubmed.ncbi.nlm.nih.gov/4 Effect of chloroquine on cultured fibroblasts: release of lysosomal hydrolases and inhibition of their uptake]. ''Biochemical and Biophysical Research Communications''. 1975-10-27. Vol. 66 (4). hlm. 1338–1343. doi:10.1016/0006-291x(75)90506-9.</ref>


== Cara membuat pohon keputusan ==
== Cara membuat pohon keputusan ==
Cara membuat ''decision tree'' harus menetapkan variabel dan nilai yang mana nanti akan dirangkum sehingga variabel dan nilai tersebut dapat ditentukan melalui ''decision tree'' tersebut. Berikut adalah cara membuat ''decision tree''.
Cara membuat ''decision tree'' harus menetapkan variabel dan nilai yang mana nanti akan dirangkum sehingga variabel dan nilai tersebut dapat ditentukan melalui ''decision tree'' tersebut. Berikut adalah cara membuat ''decision tree''.<ref>W. A. Hendrickson. [https://pubmed.ncbi.nlm.nih.gov/5 Atomic models for the polypeptide backbones of myohemerythrin and hemerythrin]. ''Biochemical and Biophysical Research Communications''. 1975-10-27. Vol. 66 (4). hlm. 1349–1356. doi:10.1016/0006-291x(75)90508-2.</ref>


* Dimulai dengan membuat pertanyaan atau ide, langkah pertama ini berguna demi membuat gambaran awal apa yang akan dilakukan. Biasanya dimulai dengan menggambar persegi panjang untuk membuat pertanyaan ataupun ide di dalam persegi panjang tersebut.
* Dimulai dengan membuat pertanyaan atau ide, langkah pertama ini berguna demi membuat gambaran awal apa yang akan dilakukan. Biasanya dimulai dengan menggambar persegi panjang untuk membuat pertanyaan ataupun ide di dalam persegi panjang tersebut.
Baris 37: Baris 39:
** Jika perlu membuat keputusan lain, maka gambarlah persegi di ujung garis.
** Jika perlu membuat keputusan lain, maka gambarlah persegi di ujung garis.
** Apabila solusi telah selesai diakhir garis, maka biarkan ujung garis kosong.
** Apabila solusi telah selesai diakhir garis, maka biarkan ujung garis kosong.
* Tetapkan nilai, hal ini dilakukan jika semua garis sudah menemukan solusinya, maka tahap selanjutnya yakni menetapkan nilai untuk setiap hasil. Dan jangan lupa tambahkan segitiga untuk menambahkan titik akhir.
* Tetapkan nilai, hal ini dilakukan jika semua garis sudah menemukan solusinya, maka tahap selanjutnya yakni menetapkan nilai untuk setiap hasil. Dan jangan lupa tambahkan segitiga untuk menambahkan titik akhir.<ref>W. A. Hendrickson. [https://pubmed.ncbi.nlm.nih.gov/5 Atomic models for the polypeptide backbones of myohemerythrin and hemerythrin]. ''Biochemical and Biophysical Research Communications''. 1975-10-27. Vol. 66 (4). hlm. 1349–1356. doi:10.1016/0006-291x(75)90508-2.</ref>


== Kelebihan dan Kelemahan ==
== Kelebihan dan Kelemahan ==
Pohon keputusan atau ''decision tree'' memiliki kelebihan dan kekurangan sebagai berikut.
Pohon keputusan atau ''decision tree'' memiliki kelebihan dan kekurangan sebagai berikut.<ref>Y. W. Chow. [https://pubmed.ncbi.nlm.nih.gov/6 Studies of oxygen binding energy to hemoglobin molecule]. ''Biochemical and Biophysical Research Communications''. 1975-10-27. Vol. 66 (4). hlm. 1424–1431. doi:10.1016/0006-291x(75)90518-5.</ref>


Kelebihan dari metode pohon keputusan
Kelebihan dari metode pohon keputusan
Baris 46: Baris 48:
# Dari pengambilan keputusan sebelumnya yang rumit maka dapat diubah kedalam bentuk yang lebih sederhana dan spesifik.
# Dari pengambilan keputusan sebelumnya yang rumit maka dapat diubah kedalam bentuk yang lebih sederhana dan spesifik.
# Dapat digunakan untuk mengeliminasi data yang tidak diperlukan.
# Dapat digunakan untuk mengeliminasi data yang tidak diperlukan.
# Lebih mudah memperoleh sebuah kesimpulan.
# Lebih mudah memperoleh sebuah kesimpulan.<ref>Y. W. Chow. [https://pubmed.ncbi.nlm.nih.gov/6 Studies of oxygen binding energy to hemoglobin molecule]. ''Biochemical and Biophysical Research Communications''. 1975-10-27. Vol. 66 (4). hlm. 1424–1431. doi:10.1016/0006-291x(75)90518-5.</ref>


Kelemahan dari metode pohon keputusan
Kelemahan dari metode pohon keputusan
Baris 52: Baris 54:
# Terjadinya overlap jika terlalu banyak data yang digunakan.
# Terjadinya overlap jika terlalu banyak data yang digunakan.
# Sulit mendesain pohon keputusan yang optimal.
# Sulit mendesain pohon keputusan yang optimal.
# Hasil kualitas keputusan sangat bergantung pada bagaimana pohon keputusan tersebut didesain.
# Hasil kualitas keputusan sangat bergantung pada bagaimana pohon keputusan tersebut didesain.<ref>Y. W. Chow. [https://pubmed.ncbi.nlm.nih.gov/6 Studies of oxygen binding energy to hemoglobin molecule]. ''Biochemical and Biophysical Research Communications''. 1975-10-27. Vol. 66 (4). hlm. 1424–1431. doi:10.1016/0006-291x(75)90518-5.</ref>


== Referensi ==
== Referensi ==
<references />


== Sumber dan atribusi ==


Konten artikel ini diadaptasi dari [https://id.wikipedia.org/w/index.php?title=Pohon+keputusan&oldid=28712448 Wikipedia bahasa Indonesia], revisi 28712448 (2025-12-18T01:50:32Z), yang tersedia berdasarkan lisensi Creative Commons Atribusi-BerbagiSerupa (CC BY-SA). Gambar pada artikel ini bersumber dari Wikimedia Commons dan mengikuti ketentuan lisensi masing-masing berkas. Mohon gunakan konten dan media secara bijak serta sesuai dengan ketentuan lisensi yang berlaku.


== Sumber dan atribusi ==
<!-- WIKI_UNISSULA_PRESENTATION_V4 -->
 
Konten artikel ini diadaptasi dari [https://id.wikipedia.org/w/index.php?title=Pohon+keputusan&oldid=28712448 Wikipedia bahasa Indonesia], revisi 28712448 (2025-12-18T01:50:32Z), yang tersedia berdasarkan lisensi Creative Commons Atribusi-BerbagiSerupa (CC BY-SA). Mohon gunakan konten ini secara bijak serta sesuai dengan ketentuan lisensi yang berlaku.

Revisi terkini sejak 23 Agustus 2026 18.06

Pohon keputusan

Pohon keputusan atau (bahasa Inggris: decision tree) merupakan metode klasifikasi menjadi salah satu yang terpopuler karena mudah dipahami. Pohon keputusan adalah metode pengambilan keputusan yang menyusun setiap opsi menjadi bentuk yang bercabang. Dengan begitu membuat metode ini disebut pohon keputusan. Karena bentuknya seperti pohon dan mempunyai banyak cabang dibagian ranting maupun bagian akarnya.[1]

Konsep

Konsep dari pohon keputusan adalah dilihat dari cara menyajikan algoritma dengan pernyataan bersyarat, yang terdiri dari beberapa cabang yang mewakili langkah-langkah dalam pengambilan keputusan yang mengarah pada hasil yang menguntungkan.[2]

Pohon keputusan bekerja paling baik apabila mengikuti aturan diagram alur dasar:

  1. Persegi panjang atau bujur sangkar: merupakan awal pohon tempat di mana menulis pertanyaan.
  2. Garis: merupakan perwakilan dari cabang-cabang pohon.
  3. Lingkaran: merupakan penanda hasil yang tidak pasti bahwa saudara membutuhkan cabang tambahan yang digunakan untuk klarifikasi.
  4. Segitiga: berikan jawaban yang jelas dan final. Segitiga disebut juga daun.[3]

Metode

Metode decision tree terdiri dari 3 komponen yakni akar (root node), ranting (branches) dan daun (leaf node). Berikut ini penjelasan dari komponen-komponen tersebut:[4]

  1. Root node atau akar: keputusan apa yang ingin di ambil
  2. Branches atau ranting: Root node akan membuat cabang baru yang disebut dengan ranting. Dan pada komponen ini juga saudara membuat berbagai macam kemungkinan atau konsekuensi yang diperoleh dari pengambilan keputusan tersebut.
  3. Leaf Node atau daun: saudara harus membuat cabang tambahan yang disebut dengan leaf node atau daun yang digunakan untuk menjelaskan masing-masing konsekuensi atau Tindakan yang saudara pilih.

Manfaat utama dari penggunaan decision tree adalah kemampuannya dalam mem-break down proses pengambilan keputusan yang kompleks menjadi sederhana sehingga pengambilan keputusan akan memberikan solusi dari suatu masalah.[5]

Jenis pohon keputusan

Ada 2 jenis pohon keputusan atau decision tree didasarkan pada variabel target yakni:[6]

  1. Pohon keputusan (decision tree) variabel kategori merupakan pohon keputusan variabel kategori termasuk bagian dari variabel target kategori yang dibagi ke dalam kategori contohnya, kategorinya bisa ya atau tidak. Kategori bermakna bahwa setiap proses keputusan jatuh kedalam salah satu kategori.
  2. Pohon keputusan (decision tree) variabel kontinu merupakan pohon keputusan dengan variabel target kontinu. Contohnya pendapatan individu yang pendapatannya tidak diketahui tetapi dapat diprediksi berdasarkan informasi seperti pekerjaan, usia, produk dan berbagai variabel lainnya.[7]

Dari dua jenis pohon keputusan di atas dapat disimpulkan bahwa variabel kategori memiliki target sesuai dengan kategori yang ada dan dipilih, sedangkan variabe kontinu bersifat tidak dapat diprediksi sesuai dengan informasi yang telah ada.[8]

Cara membuat pohon keputusan

Cara membuat decision tree harus menetapkan variabel dan nilai yang mana nanti akan dirangkum sehingga variabel dan nilai tersebut dapat ditentukan melalui decision tree tersebut. Berikut adalah cara membuat decision tree.[9]

  • Dimulai dengan membuat pertanyaan atau ide, langkah pertama ini berguna demi membuat gambaran awal apa yang akan dilakukan. Biasanya dimulai dengan menggambar persegi panjang untuk membuat pertanyaan ataupun ide di dalam persegi panjang tersebut.
  • Tambahkan cabang, dengan menambahkan cabang akan menentukan suatu tindakan apa yang akan diambil pada decision tree tersebut.
  • Tambahkan simpul keputusan cabang, dengan menambahkan simpul keputusan cabang, maka pertimbankanlah hasilnya dengan menambahkan node yang aka digunakan dalam decision tree dengan ketentuan sebagai berikut:
    • Apabila keputusannya belum jelas, maka gambarlah lingkaran kecil di ujung garis.
    • Jika perlu membuat keputusan lain, maka gambarlah persegi di ujung garis.
    • Apabila solusi telah selesai diakhir garis, maka biarkan ujung garis kosong.
  • Tetapkan nilai, hal ini dilakukan jika semua garis sudah menemukan solusinya, maka tahap selanjutnya yakni menetapkan nilai untuk setiap hasil. Dan jangan lupa tambahkan segitiga untuk menambahkan titik akhir.[10]

Kelebihan dan Kelemahan

Pohon keputusan atau decision tree memiliki kelebihan dan kekurangan sebagai berikut.[11]

Kelebihan dari metode pohon keputusan

  1. Dari pengambilan keputusan sebelumnya yang rumit maka dapat diubah kedalam bentuk yang lebih sederhana dan spesifik.
  2. Dapat digunakan untuk mengeliminasi data yang tidak diperlukan.
  3. Lebih mudah memperoleh sebuah kesimpulan.[12]

Kelemahan dari metode pohon keputusan

  1. Terjadinya overlap jika terlalu banyak data yang digunakan.
  2. Sulit mendesain pohon keputusan yang optimal.
  3. Hasil kualitas keputusan sangat bergantung pada bagaimana pohon keputusan tersebut didesain.[13]

Referensi

  1. ↑ A. B. Makar. Formate assay in body fluids: application in methanol poisoning. Biochemical Medicine. 1975-06. Vol. 13 (2). hlm. 117–126. doi:10.1016/0006-2944(75)90147-7.
  2. ↑ Rizal Hans. Intip Jenis Teknik Analisis Data yang Sedang Trend, Decision Tree!. www.dqlab.id.
  3. ↑ Rizal Hans. Intip Jenis Teknik Analisis Data yang Sedang Trend, Decision Tree!. www.dqlab.id.
  4. ↑ R. J. Smith. Metal substitutions incarbonic anhydrase: a halide ion probe study. Biochemical and Biophysical Research Communications. 1975-10-27. Vol. 66 (4). hlm. 1281–1286. doi:10.1016/0006-291x(75)90498-2.
  5. ↑ R. J. Smith. Metal substitutions incarbonic anhydrase: a halide ion probe study. Biochemical and Biophysical Research Communications. 1975-10-27. Vol. 66 (4). hlm. 1281–1286. doi:10.1016/0006-291x(75)90498-2.
  6. ↑ U. N. Wiesmann. Effect of chloroquine on cultured fibroblasts: release of lysosomal hydrolases and inhibition of their uptake. Biochemical and Biophysical Research Communications. 1975-10-27. Vol. 66 (4). hlm. 1338–1343. doi:10.1016/0006-291x(75)90506-9.
  7. ↑ U. N. Wiesmann. Effect of chloroquine on cultured fibroblasts: release of lysosomal hydrolases and inhibition of their uptake. Biochemical and Biophysical Research Communications. 1975-10-27. Vol. 66 (4). hlm. 1338–1343. doi:10.1016/0006-291x(75)90506-9.
  8. ↑ U. N. Wiesmann. Effect of chloroquine on cultured fibroblasts: release of lysosomal hydrolases and inhibition of their uptake. Biochemical and Biophysical Research Communications. 1975-10-27. Vol. 66 (4). hlm. 1338–1343. doi:10.1016/0006-291x(75)90506-9.
  9. ↑ W. A. Hendrickson. Atomic models for the polypeptide backbones of myohemerythrin and hemerythrin. Biochemical and Biophysical Research Communications. 1975-10-27. Vol. 66 (4). hlm. 1349–1356. doi:10.1016/0006-291x(75)90508-2.
  10. ↑ W. A. Hendrickson. Atomic models for the polypeptide backbones of myohemerythrin and hemerythrin. Biochemical and Biophysical Research Communications. 1975-10-27. Vol. 66 (4). hlm. 1349–1356. doi:10.1016/0006-291x(75)90508-2.
  11. ↑ Y. W. Chow. Studies of oxygen binding energy to hemoglobin molecule. Biochemical and Biophysical Research Communications. 1975-10-27. Vol. 66 (4). hlm. 1424–1431. doi:10.1016/0006-291x(75)90518-5.
  12. ↑ Y. W. Chow. Studies of oxygen binding energy to hemoglobin molecule. Biochemical and Biophysical Research Communications. 1975-10-27. Vol. 66 (4). hlm. 1424–1431. doi:10.1016/0006-291x(75)90518-5.
  13. ↑ Y. W. Chow. Studies of oxygen binding energy to hemoglobin molecule. Biochemical and Biophysical Research Communications. 1975-10-27. Vol. 66 (4). hlm. 1424–1431. doi:10.1016/0006-291x(75)90518-5.

Sumber dan atribusi

Konten artikel ini diadaptasi dari Wikipedia bahasa Indonesia, revisi 28712448 (2025-12-18T01:50:32Z), yang tersedia berdasarkan lisensi Creative Commons Atribusi-BerbagiSerupa (CC BY-SA). Gambar pada artikel ini bersumber dari Wikimedia Commons dan mengikuti ketentuan lisensi masing-masing berkas. Mohon gunakan konten dan media secara bijak serta sesuai dengan ketentuan lisensi yang berlaku.


Diperoleh dari "https://wiki.unissula.ac.id/index.php?title=Pohon_keputusan&oldid=3573"