Apa Itu Pohon Keputusan (Decision Tree)? Penjelasan untuk Pemula

Updated · By Viviai

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

Lanjutkan membaca apa itu overfitting dan apa itu machine learning.

Sources

  1. https://www.ibm.com/id-id/think/topics/decision-trees
  2. http://informatika.stei.itb.ac.id/~rinaldi.munir/Matdis/2019-2020/Makalah2019/13518025.pdf

Learn by doing

Read a guide, then practice with bite-sized AI lessons you can take offline.

Start learning free