Apa Itu Random Forest (Hutan Acak)? Penjelasan untuk Pemula
Random forest (hutan acak) adalah algoritma pembelajaran terawasi yang menggabungkan banyak pohon keputusan, lalu mengambil hasil melalui voting mayoritas untuk klasifikasi atau rata-rata untuk regresi, sehingga prediksi cenderung lebih stabil dibanding satu pohon.
Versi sederhananya
Bayangkan meminta pendapat banyak orang, bukan satu orang. Setiap orang melihat sebagian data yang berbeda dan memberi jawaban. Kesalahan tiap orang mengarah ke berbagai sisi dan saling meniadakan, sehingga jawaban bersama lebih dapat diandalkan.
Dua sumber keacakan
| Sumber keacakan | Cara kerja |
|---|---|
| Sampel bootstrap | Setiap pohon dilatih pada sampel data yang diambil ulang secara acak |
| Pemilihan fitur acak | Setiap percabangan hanya mempertimbangkan sebagian fitur yang dipilih acak |
Keacakan ini membuat pohon-pohon tidak terlalu mirip dan menurunkan korelasi antar pohon.
Cara hasil akhir diambil
Setiap pohon memberikan satu suara. Untuk klasifikasi, kelas dengan suara terbanyak menjadi prediksi; untuk regresi, hasil dari seluruh pohon dirata-ratakan.
Kapan umum dipakai
Random forest dipakai untuk data tabular, deteksi penipuan, segmentasi pelanggan, dan masalah yang membutuhkan model yang cukup kuat dengan sedikit penyetelan.
Keterbatasan
Model dengan banyak pohon dapat memakan waktu dan memori lebih besar, serta kurang cocok untuk penjelasan sederhana karena keputusan akhir tersebar di banyak pohon.
FAQ
Apa bedanya random forest dengan satu pohon keputusan?
Random forest menggabungkan banyak pohon dan mengurangi risiko overfitting, sedangkan satu pohon yang terlalu dalam mudah menghafal data latih.
Apa itu voting mayoritas?
Pengambilan kelas yang paling banyak dipilih oleh pohon-pohon dalam hutan.
Apakah random forest hanya untuk klasifikasi?
Bukan, ia juga menangani regresi dengan merata-ratakan hasil pohon.
Apa itu sampel bootstrap?
Sampel yang diambil dari data latih dengan pengembalian, sehingga tiap pohon menerima data yang sedikit berbeda.
Poin utama
- Random forest adalah metode ensemble dari banyak pohon keputusan.
- Keacakan datang dari sampel bootstrap dan pemilihan fitur.
- Klasifikasi memakai voting, regresi memakai rata-rata.
- Ia cenderung lebih stabil dan lebih rentan overfitting yang lebih rendah.
Lanjutkan membaca apa itu pohon keputusan dan apa itu overfitting.
Sources
Learn by doing
Read a guide, then practice with bite-sized AI lessons you can take offline.
Start learning free