Decision tree, atau pohon keputusan, adalah salah satu algoritma machine learning yang paling intuitif dan mudah dipahami. Struktur datanya yang menyerupai pohon memungkinkan kita untuk memvisualisasikan proses pengambilan keputusan langkah demi langkah. Dalam artikel ini, kita akan menjelajahi contoh decision tree yang sederhana namun informatif, beserta penjelasan mendalam mengenai komponen dan cara kerjanya.
Ilustrasi sederhana dari contoh decision tree untuk menentukan aktivitas.
Decision tree adalah model prediktif yang menggunakan struktur seperti pohon untuk memetakan serangkaian keputusan. Setiap simpul (node) dalam pohon merepresentasikan sebuah atribut atau kondisi, setiap cabang (branch) merepresentasikan aturan atau hasil dari pengujian atribut tersebut, dan setiap daun (leaf) merepresentasikan keputusan akhir atau klasifikasi.
Konsep dasar dari decision tree adalah memecah dataset menjadi subset-subset yang lebih kecil berdasarkan nilai dari atribut-atribut tertentu. Proses ini berlanjut secara rekursif hingga tercapai kondisi berhenti, seperti ketika semua data dalam subset memiliki kelas yang sama atau ketika kedalaman pohon mencapai batas maksimum.
Sebuah decision tree terdiri dari beberapa komponen kunci:
Mari kita ambil contoh decision tree yang sangat umum: menentukan apakah kita akan bermain di luar rumah atau melakukan aktivitas lain.
Misalkan kita memiliki beberapa faktor yang mempengaruhi keputusan kita:
Dalam contoh decision tree ini:
Visualisasi di atas adalah contoh yang lebih sederhana di mana hanya mempertimbangkan satu atau dua atribut untuk menentukan aktivitas. Dalam skenario nyata, data bisa jauh lebih kompleks.
Pembuatan decision tree melibatkan algoritma tertentu yang memilih atribut terbaik untuk memecah data pada setiap langkah. Beberapa algoritma populer meliputi:
Proses utamanya adalah mencari atribut yang paling efektif dalam memisahkan data menjadi kelompok-kelompok yang homogen berdasarkan target variabel.
Meskipun pembuatan pohon secara manual rumit, algoritma machine learning memudahkannya. Berikut adalah gambaran umum bagaimana ini bisa dilakukan di Python menggunakan library seperti Scikit-learn:
from sklearn.tree import DecisionTreeClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
# Asumsikan X adalah fitur dan y adalah target
# X = ...
# y = ...
# Membagi data menjadi set pelatihan dan pengujian
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)
# Membuat objek Decision Tree Classifier
model = DecisionTreeClassifier(max_depth=3) # max_depth membatasi kedalaman pohon untuk mencegah overfitting
# Melatih model
model.fit(X_train, y_train)
# Melakukan prediksi
y_pred = model.predict(X_test)
# Menghitung akurasi
accuracy = accuracy_score(y_test, y_pred)
print(f"Akurasi model: {accuracy}")
# Anda juga bisa memvisualisasikan pohonnya
from sklearn.tree import plot_tree
import matplotlib.pyplot as plt
plt.figure(figsize=(20,10))
plot_tree(model, feature_names=['attr1', 'attr2', ...], class_names=['class1', 'class2'], filled=True)
plt.show()
Contoh decision tree yang kita bahas memberikan gambaran fundamental tentang bagaimana algoritma ini bekerja. Dengan kemampuannya untuk memecah masalah kompleks menjadi serangkaian keputusan yang lebih sederhana, decision tree menjadi alat yang sangat berharga dalam analisis data dan machine learning. Memahami struktur, cara kerja, serta kelebihan dan kekurangannya adalah langkah awal yang penting untuk memanfaatkan potensinya secara maksimal.