dihitung. Pohon keputusan biasanya digunakan dalam riset operasi, khususnya
dalam analisis keputusan, untuk membantu mengidentifikasi strategi yang paling mungkin untuk mencapai tujuan. Jika dalam prakteknya keputusan harus diambil
secara online tanpa ingat dalam pengetahuan yang tidak lengkap, pohon keputusan harus disejajarkan dengan model probabilitas sebagai model pilihan terbaik atau
algoritma pemilihan model online. Penggunaan lain dari pohon keputusan adalah sebagai sarana deskriptif untuk menghitung probabilitas bersyarat.
Pohon keputusan, diagram pengaruh, fungsi utilitas, dan alat-alat analisis keputusan lainnya dan metode yang diajarkan kepada mahasiswa di sekolah-
sekolah bisnis, ekonomi kesehatan, dan kesehatan masyarakat, dan merupakan contoh operasi metode penelitian atau ilmu manajemen.
2.4. Random Tree
Operator ini mempelajari tentang sebuah pohon keputusan. Operator ini hanya menggunakan subset acak atribut untuk setiap perpecahan.
Random Operator Pohon bekerja sama persis seperti operator Pohon Keputusan dengan satu pengecualian: untuk setiap perpecahan hanya subset acak
atribut tersedia. Dianjurkan agar Anda mempelajari dokumentasi dari operator Pohon Keputusan untuk pemahaman dasar tentang pohon keputusan.
Operator ini mempelajari tentng pohon keputusan yakni data nominal dan numerik. Pohon keputusan adalah metode klasifikasi yang kuat yang dapat dengan
mudah dipahami. Operator pohon Random bekerja sama dengan Quinlan C4.5 atau CART memilih subset acak atribut sebelum diterapkan. Ukuran subset
ditentukan oleh parameter rasio bagian. Representasi data sebagai Pohon memiliki keunggulan dibandingkan
dengan pendekatan lain menjadi bermakna dan mudah untuk menafsirkan. Tujuannya adalah untuk menciptakan sebuah model klasifikasi yang memprediksi
nilai label berdasarkan beberapa masukan atribut ExampleSet tersebut. Setiap node interior pohon sesuai dengan salah satu atribut masukan. Jumlah tepi node
interior adalah sama dengan jumlah nilai yang mungkin dari atribut input yang
Universitas Sumatera Utara
sesuai. Setiap node daun mewakili nilai dari label yang diberikan nilai-nilai atribut masukan diwakili oleh jalan dari akar ke daun. Deskripsi ini dapat dengan mudah
dipahami dengan mempelajari Contoh Proses operator Pohon Keputusan. Pemangkasan adalah teknik di mana node daun yang tidak menambah
kekuatan diskriminatif dari pohon keputusan dikeluarkan. Hal ini dilakukan untuk mengubah sebuah pohon lebih spesifik atau lebih pas untuk bentuk yang lebih
umum dalam rangka meningkatkan daya prediksi pada dataset yang tak terlihat. Pra pemangkasan adalah jenis pemangkasan paralel dilakukan untuk proses
pembuatan pohon. Pasca-pemangkasan, di sisi lain, dilakukan setelah proses pembuatan pohon selesai.
2.5. Random Forest
Operator ini menghasilkan satu set sejumlah tertentu pohon random yaitu menghasilkan forest hutan;kumpulan pohon acak.
Model yang dihasilkan adalah model suara pilihan dari semua pohon.
Operator Random Forest menghasilkan satu set pohon acak. Pohon-pohon acak yang dihasilkan dengan cara yang persis sama seperti operator Acak Pohon
menghasilkan pohon. Model hutan yang dihasilkan mengandung sejumlah tertentu dari model pohon acak. Jumlah pohon parameter menentukan jumlah yang
diperlukan pohon. Model yang dihasilkan adalah model suara pilihan dari semua pohon acak. Untuk informasi lebih lanjut tentang pohon acak silakan mempelajari
operator random Tree. Representasi data dalam bentuk pohon memiliki keunggulan dibandingkan
dengan pendekatan lain menjadi bermakna dan mudah untuk ditafsirkan. Tujuannya adalah untuk menciptakan sebuah model klasifikasi yang memprediksi
nilai dari atribut target sering disebut kelas atau label berdasarkan beberapa atribut masukan dari ExampleSet. Setiap node interior pohon sesuai dengan salah
satu atribut input. Jumlah tepi interior simpul nominal sama dengan jumlah nilai yang mungkin dari atribut input yang sesuai. Tepi luar dari atribut numerik diberi
label dengan rentang disjoint. Setiap node daun mewakili nilai atribut label yang diberikan nilai-nilai input atribut diwakili oleh jalan dari akar ke daun. Untuk
Universitas Sumatera Utara
pemahaman yang lebih baik dari struktur pohon silahkan mempelajari Proses Contoh operator Decision Tree
Pemangkasan adalah teknik di mana node daun yang tidak menambah kekuatan diskriminatif pohon akan dihapus. Hal ini dilakukan untuk mengubah
sebuah pohon lebih spesifik atau lebih pas untuk bentuk yang lebih umum dalam rangka meningkatkan daya prediksi pada dataset yang tak terlihat. Hal ini
dilakukan untuk mengubah sebuah pohon lebih spesifik atau lebih pas untuk bentuk yang lebih umum dalam rangka meningkatkan daya prediksi pada dataset
yang tak terlihat. Pasca-pemangkasan, di sisi lain, dilakukan setelah proses pembuatan pohon selesai.
2.6. Preprocessing data
