Apa Itu Pohon Keputusan (Decision Tree)? Penjelasan untuk Pemula
Pohon keputusan (decision tree) adalah algoritma pembelajaran terawasi yang membuat prediksi melalui serangkaian pertanyaan ya atau tidak, mengikuti struktur seperti pohon dari simpul akar menuju simpul daun yang berisi hasil akhir.
Versi sederhananya
Bayangkan bermain tebak-tebakan. Setiap pertanyaan mempersempit pilihan sampai tersisa satu jawaban. Pohon keputusan bekerja seperti itu, tetapi pertanyaannya dipelajari dari data, bukan ditebak manual.
Bagian-bagian pohon
| Bagian | Peran |
|---|---|
| Simpul akar | Pertanyaan pertama, mencakup seluruh data |
| Simpul internal | Pertanyaan atau pengujian atribut |
| Cabang | Hasil dari setiap pertanyaan |
| Simpul daun | Prediksi atau kelas akhir |
Cara pohon memilih pertanyaan
Algoritma mencari pertanyaan yang paling memisahkan data, sering menggunakan ukuran seperti Gini atau information gain, sehingga kelompok di setiap cabang menjadi lebih seragam.
Klasifikasi dan regresi
Pohon keputusan dapat dipakai untuk klasifikasi, seperti menandai email spam, maupun regresi, seperti memperkirakan angka penjualan.
Keterbatasan
Satu pohon yang dibiarkan tumbuh terlalu dalam dapat menghafal data latih dan menjadi overfitting. Membatasi kedalaman atau memangkas pohon adalah cara yang umum dipakai untuk menjaga keseimbangan.
FAQ
Mengapa disebut pohon keputusan?
Karena strukturnya bercabang seperti pohon, dengan akar di atas dan daun berisi keputusan di bawah.
Apa itu simpul daun?
Simpul akhir yang tidak bercabang lagi dan berisi hasil prediksi.
Apakah pohon keputusan hanya untuk klasifikasi?
Bukan, ia juga dapat menangani tugas regresi.
Apa kelebihan utamanya?
Hasilnya mudah dibaca dan dijelaskan karena setiap keputusan berupa aturan yang terlihat.
Poin utama
- Pohon keputusan memprediksi lewat pertanyaan berurutan.
- Terdiri dari akar, simpul, cabang, dan daun.
- Dapat untuk klasifikasi dan regresi.
- Pohon yang terlalu dalam berisiko overfitting.
Lanjutkan membaca apa itu overfitting dan apa itu machine learning.
Sources
Learn by doing
Read a guide, then practice with bite-sized AI lessons you can take offline.
Start learning free