File TXT tidak ditemukan.
Resume
UKrnwyolRio • Induksi Pohon Keputusan: Membangun Model Prediktif dari Data
Updated: 2026-02-13 13:04:22 UTC
Back Source
Prev Next

Berikut adalah rangkuman komprehensif dan terstruktur dari konten video yang Anda berikan:

Mengungkap Logika di Balik Decision Tree: Memilih Pertanyaan Pertama dengan Gini Index

Inti Sari

Video ini menjelaskan cara kerja Decision Tree dalam pembelajaran mesin, khususnya bagaimana algoritma memilih pertanyaan paling strategis untuk memulai proses pengambilan keputusan. Dengan menggunakan analogi seorang detektif yang memecahkan kasus berdasarkan data pelamar pinjaman, video ini menguraikan penggunaan Gini Index sebagai alat ukur untuk menilai efektivitas setiap atribut data guna meminimalkan kebingungan.

Poin-Poin Kunci

  • Analogi Detektif: Mesin berperan seperti detektif yang harus memilah data pelamar pinjaman untuk menemukan pola risiko gagal bayar.
  • Tipe Atribut Data: Terdapat tiga jenis petunjuk (atribut) yang dianalisis mesin, yaitu Nominal, Ordinal, dan Kontinu, yang masing-masing membutuhkan metode pemisahan yang berbeda.
  • Gini Index sebagai Alat Ukur: Gini Index adalah "skor kebingungan" di mana skor 0 menandakan grup yang murni (homogen).
  • Tujuan Utama: Algoritma mencari atribut yang memberikan Gini Gain (penurunan kebingungan) tertinggi untuk menentukan akar (root) pohon keputusan.
  • Hasil Analisis: Dalam studi kasus yang diberikan, Status Perkawinan terbukti menjadi atribut terbaik untuk pertanyaan pertama dibandingkan Kepemilikan Rumah dan Pendapatan Tahunan.

Rincian Materi

1. Jenis-Jenis Atribut Data (Petunjuk)
Sebelum memulai analisis, mesin mengenali tiga kategori data yang tersedia:
* Nominal: Data berupa label tanpa urutan tertentu (contoh: status kepemilikan rumah).
* Ordinal: Data memiliki peringkat, tetapi jarak antar nilai tidak secara matematis jelas (contoh: ukuran baju S, M, L, XL). Pemisahan harus dilakukan secara berurutan (misal: S&M vs L&XL) untuk menjaga logika urutan.
* Kontinu: Data berupa angka yang dapat diukur (contoh: pendapatan tahunan, suhu).

2. Konsep Gini Index dan Gini Gain
* Gini Index: Mengukur seberapa "campur aduk" data di dalam sebuah grup. Skor 0 berarti grup tersebut murni (semua anggota memiliki hasil yang sama, misalnya semua tidak gagal bayar).
* Gini Gain: Selisih antara kebingungan awal dan kebingungan setelah pemisahan. Tujuan algoritma adalah memaksimalkan nilai ini. Semakin tinggi Gini Gain, semakin baik pertanyaan tersebut dalam mengelompokkan data.

3. Investigasi Studi Kasus (Data Pelamar Pinjaman)
Mesin menganalisis data awal yang terdiri dari 3 orang gagal bayar dan 7 orang tidak, dengan Gini Index awal sebesar 0,42. Berikut adalah evaluasi tiga atribut utama:

  • Atribut 1: Status Kepemilikan Rumah

    • Analisis menunjukkan bahwa kelompok tanpa rumah memiliki kecenderungan yang lebih jelas (sebagian besar tidak gagal bayar).
    • Hasil perhitungan menghasilkan Gini Gain sebesar 0,115.

  • Atribut 2: Pendapatan Tahunan (Data Kontinu)

    • Metode: Mengurutkan angka dan mencoba setiap titik pemisahan yang mungkin (misalnya >100k, >10k).
    • Hasil: Titik pemisahan terbaik hanya menghasilkan Gini Gain sebesar 0,077. Ini adalah nilai terendah dibanding atribut lainnya.

  • Atribut 3: Status Perkawinan

    • Metode: Mencoba kombinasi dari tiga kategori yang ada.
    • Hasil: Pemisahan terbaik adalah "Menikah" vs "Lainnya". Kelompok "Menikah" terbukti 100% murni (tidak ada yang gagal bayar).
    • Perhitungan menghasilkan Gini Gain sebesar 0,120, yang merupakan nilai tertinggi.

4. Keputusan Akhir
Berdasarkan perbandingan Gini Gain:
* Kepemilikan Rumah: 0,115
* Pendapatan Tahunan: 0,077
* Status Perkawinan: 0,120 (Pemenang)

Oleh karena itu, Status Perkawinan dipilih sebagai pertanyaan pertama (akar pohon) dalam Decision Tree.

Kesimpulan & Pesan Penutup

Keputusan buatan AI seringkali tampak seperti kotak hitam, namun sebenarnya merupakan proses logis yang langkah demi langkah bertujuan untuk mengurangi kebingungan. Dalam contoh ini, mesin secara matematis membuktikan bahwa mengetahui status perkawinan seseorang adalah cara paling efisien untuk memulai penilaian risiko pinjaman. Proses seleksi pertanyaan ini kemudian akan diulang secara terus-menerus untuk cabang-cabang selanjutnya hingga model sempurna.