Chi-square automatic interaction detection (CHAID) analisis

Chi-square automatic interaction detection (CHAID) analisis atau yang sering disebut Tree Decision model (model pohon keputusan) merupakan teknik pohon keputusan, berdasarkan pengujian signifikansi yang disesuaikan (Bonferroni tes). Teknik ini dikembangkan di Afrika Selatan dan diterbitkan pada tahun 1980 oleh Gordon V. Kass, yang telah menyelesaikan tesis PhD tentang topik ini. CHAID dapat digunakan untuk prediksi (dengan cara yang mirip dengan analisis regresi, versi CHAID ini awalnya dikenal sebagai XAID) serta klasifikasi, dan untuk mendeteksi interaksi antara variabel. CHAID didasarkan pada perpanjangan formal prosedur AID (Deteksi Interaksi Otomatis) Amerika Serikat dan THAID (Deteksi Interaksi Otomatis) tahun 1960-an dan 1970-an, yang pada gilirannya merupakan perpanjangan dari penelitian sebelumnya, termasuk yang dilakukan di Inggris pada tahun 1950-an.

Dalam praktiknya, CHAID sering digunakan dalam konteks pemasaran , keuangan, dan manajemen secara langsung untuk memilih kelompok konsumen/ produk/responden dan memprediksi bagaimana tanggapan mereka terhadap beberapa variabel mempengaruhi variabel lain, meskipun aplikasi awal lainnya di bidang penelitian medis dan psikiatris.

Seperti pohon keputusan lain, keuntungan CHAID adalah bahwa outputnya sangat visual dan mudah diinterpretasikan. Karena menggunakan pemisahan multi-jalur secara default, diperlukan ukuran sampel yang agak besar untuk bekerja secara efektif, karena dengan ukuran sampel yang kecil, kelompok responden dapat dengan cepat menjadi terlalu kecil untuk analisis yang andal.

Salah satu keuntungan penting CHAID sebagai  alternatif model seperti halnya regresi berganda adalah bahwa analisis tersebut berupa metode analisis non-parametrik dalam pengambilan keputusan manajemen (baik keuangan, pemasaran,maupun organisasi)

Setelah sebelumnya kita mempelajari apa yang dimaksud dengan decision tree atau pohon keputusan, ada baiknya kita kembali mempelajari metode yang juga erat kaitannya dengan metode tersebut. Adalah classification and regression tree (CART), kedua metode algoritma ini sangat berkaitan dengan proses data dalam pengambilan keputusan.

Kedua metode ini dikembangkan oleh oleh Leo Breiman, Jerome H. Fridman, Richard S. Olshen dan Charles J. Metode klasifikasi CART merupakan metode nonparametrik yang berguna untuk mendapatkan suatu kelompok data yang akurat sebagai penciri dari suatu pengklasifikasian.

Metode klasifikasi CART terdiri dari dua metode yaitu metode regression dan pohon klasifikasi. Jika variabel dependen yang dimiliki bertipe kategorik maka CART menghasilkan pohon klasifikasi (classification trees). Sedangkan jika variabel dependen yang dimiliki bertipe kontinu atau numerik maka CART menghasilkan pohon regresi (regression trees). Namun, jika dijabarkan secara garis besar, classification adalah metode yang paling umum pada data mining.

Persoalan bisnis seperti Churn Analysis, dan Risk Management biasanya lebih melibatkan metode classification dibandingkan regression. Metode ini bekerja dengan mengelompokan setiap pola atau data dalam sebuah kelas-kelas tertentu. Tujuan dari metode classification adalah untuk menemukan model yang dapat menjelaskan class attribute yang terdapat dalam pola yang sudah dikelompokkan tersebut.

Sementara itu, untuk metode regression sendiri memang secara keseluruhan tidak jauh berbeda dengan metode classification. Namun, yang membedakannya hanyalah metode regression tidak bisa mencari pola yang dijabarkan sebagai sebuah kelompok atau kelas.

Metoda regression sendiri bertujuan untuk mecari pola dan menentukan sebuah nilai numerik. Sebuah Teknik Linear Line-fitting sederhana adalah sebuah contoh dari metode regression, dimana hasilnya adalah sebuah fungsi untuk menentukan hasil yang berdasarkan nilai dari input.

Bentuk yang lebih canggih dari regression sudah mendukung input berupa kategori, jadi tidak hanya input berupa numerik. Teknik paling popular yang digunakan untuk regression adalah linear regression dan logistic regression. Teknik lain yang didukung oleh SQL Server Data mining adalah Regression Trees (bagian dari dari algoritma Microsoft Decission Trees) dan Neural Network.

Regression digunakan untuk memecahkan banyak problem bisnis ΓÇö misalnya  dilakukan dengan metode Analisis Rasio Keuangan, Sumber Penggunaan Kas, Perbandingan Laporan Keuangan dalam memperkirakan Kinerja Keuangan berdasarkan temperatur, tekanan udara, dan kelembaban.