Decision Tree in Machine Learning
Decision Tree adalah sebuah tipe model yang digunakan untuk Supervised Learning pada bidang Machine Learning. Decision Tree dapat digunakan untuk menyelesaikan masalah klasifikasi dan regresi, namun lebih sering digunakan untuk masalah klasifikasi. Decision Tree memiliki bentuk seperti pohon, dimana tree memiliki node akar (root node), decision node dan node daun (leaf node). Leaf node adalah node akhir yang tidak dapat dipecah dan yang akan menentukan hasil prediksi decision tree.
Decision Tree bekerja dengan melakukan klasifikasi berdasarkan atribut yang paling membedakan. Algoritma decision tree akan mulai pada node akar, kemudian akan melakukan perbandingan antara nilai yang ada pada dataset dan data yang ingin diprediksi. Berdasarkan perbandingan tersebut, algoritma akan turun ke bawah dan melanjutkan ke sub-node yang lebih dalam. Algoritma ini akan berulang hingga mencapai leaf node, dimana keputusan prediksi bisa dibuat.
Kelebihan Decision Tree
- Model simpel dan mudah dimengerti (mirip seperti cara manusia membuat keputusan),
- Dapat digunakan untuk mencari semua kemungkinan keputusan, dan
- Tidak perlu melakukan banyak pembersihan atau augmentasi data.
Kekurangan Decision Tree
- Tree dapat memiliki banyak layer, yang membuat model kompleks,
- Dapat memiliki masalah overfitting, dan
- Untuk klasifikasi dengan banyak label, akan membuat komputasi model lebih kompleks.
Contoh decision tree
Sumber :
https://www.xoriant.com/blog/product-engineering/decision-trees-machine-learning-algorithm.html
https://en.wikipedia.org/wiki/Decision_tree_learning
https://www.javatpoint.com/machine-learning-decision-tree-classification-algorithm
https://adityagoel123.medium.com/binary-classification-using-decision-tree-model-c4e20c8a5afb
https://miro.medium.com/max/720/1*XMId5sJqPtm8-RIwVVz2tg.png
