Skip to content Skip to sidebar Skip to footer
Home / decision tree / RapidMiner

Tutorial RapidMiner Membuat Pohon Keputusan Algoritma Decision Tree

Penulis - Abdul Muiz Khalimi, S.Kom


Assalamualikum Wr. Wb ,Salam Sejahtera dan Salam Budaya

Decision Tree merupakan suatu model klasifikasi yang menentukan dengan cara membuat poho keputusan untuk hasil sub tesnya. Algoritma ini juga memiliki banyak bagian algoritma, diantaranya seperti CHAID, ID3, C4.5, Random Forest, Gradient-Boodting Trees, dan yang menjadi pembeda dari beberapa algoritma tersebut hanyalah metode perhitungan yang akan dilakukan, kriteria perhitungannya sendiri terdiri dari Information Gain, Split Info, Gain Ratio, Gini Index, Accuracy. Namun dalam beberpa penelitian yang sudah dilakukan, algoritma ID3 dan CHAID sudah mengalami kemunduran bahkan di rapidminer studio versi terbaru sudah dihapus karena hasil yang diperoleh tidak bisa maksimal karena banyak kasus data yang tidak mampu diklasifikasikan dengan baik.

Baca Juga : Cara optimasi dua algoritma di rapidminer studio

Oke teman-teman, pada tutorial kali ini saya akan mencoba memberikan sedikit pengalaman edukaso yang mungkin bisa bermanfaat bagi teman-teman nanti.

Bagaimana Menerapkan Membuat Pohoan Keputusan Algoritma Decision Tree ?

Pertama, sebelum teman-teman masuk ke proses rapid miner, kalian harus dan sangat harus memiliki Dataset atau Data Latih. Karena itu adalah inti dari mengolah data menjadi informasi menggunakan ilmu data mining.

1. Persiapan Data 

    Pada halaman Repository akan muncul data teman-teman yang sudah Terimpor oleh sistem. Kemudian Drag atau seret ke halaman kerja RapidMiner.


Selanjutnya kita  menuju kotak dialog Operators , pilih menu Filter Example. Tahapan ini digunakan untuk memperbaiki set data apabila ada yang memiliki kasus missing value.

Baca Juga : Cara Menghapus Atribut Data Missing Value menggunakan RapidMiner Studio

Jika set data kalian tidak ada yang mengalamai kasus missing value maka bisa menghiraukan tahapan diatas ini.

2. Decision Tree

   Tahap selanjutnya kita aka memilih algoritma klasifikasi decision tree dengan cara kita  menuju kotak dialog Operators , pilih menu decison tree . Kemudian Drag atau seret ke halaman lembar kerja halaman proses.

    
Setelah itu kalian atur Parameters untuk Operators algoritma decision tree, dengan meng klik kotak operator yang sudah ada dihalaman proses maka akan muncul kotak parameters disamping kanan.

Kriteia Parametersya sebagai berikut :
  • criterion : adalah target pehitungan algoritma decison tree
  • maximal depth : adalah jumlah maksimal pohon keputusan yang dibentuk
  • apply pruning : tentukan nilai confidience
  • apply prepruning : untuk memangkas pohon keputusan jika terjadi ketidakseimbangan nilai
Langkah Terakhir adalah sambungan semua operators seperti gambar dibawah ini.

  • Selanjutnya adalah klik button Play atau mulai prosessnya
  • Dan beikut adalah contoh hasil yang sudah terbentuk model menjadi pohon keputusan
Nah, Selesai sudah dan sudah selesai teman-teman, gimana ribet atau simple. Ya itu semua tergantung sudut pandang kalian sendiri. Sejauh mana anda mau belajar dan terus melangkah kedepan
.
"Jangan Lupa Bernafas dan Tetap Bersyukur"
Wassalamualikum Wr. Wb
See You.