{"id":1220,"date":"2023-07-27T06:07:51","date_gmt":"2023-07-27T06:07:51","guid":{"rendered":"https:\/\/statorials.org\/id\/pohon-klasifikasi-dan-regresi\/"},"modified":"2023-07-27T06:07:51","modified_gmt":"2023-07-27T06:07:51","slug":"pohon-klasifikasi-dan-regresi","status":"publish","type":"post","link":"https:\/\/statorials.org\/id\/pohon-klasifikasi-dan-regresi\/","title":{"rendered":"Pengantar pohon klasifikasi dan regresi"},"content":{"rendered":"<p><\/p>\n<hr>\n<p><span style=\"color: #000000;\">Jika hubungan antara sekumpulan variabel prediktor dan <a href=\"https:\/\/statorials.org\/id\/variabel-tanggapan-penjelas\/\" target=\"_blank\" rel=\"noopener noreferrer\">variabel respons<\/a> bersifat linier, metode seperti <a href=\"https:\/\/statorials.org\/id\/regresi-linier-berganda\/\" target=\"_blank\" rel=\"noopener noreferrer\">regresi linier berganda<\/a> dapat menghasilkan model prediksi yang akurat.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Namun, jika hubungan antara sekumpulan prediktor dan respons sangat nonlinier dan kompleks, maka metode nonlinier mungkin memiliki kinerja yang lebih baik.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Contoh metode nonlinier adalah <strong>pohon klasifikasi dan regresi<\/strong> , sering disingkat <strong>CART<\/strong> .<\/span><\/p>\n<p> <span style=\"color: #000000;\">Seperti namanya, model CART menggunakan sekumpulan variabel prediktor untuk membuat <em>pohon keputusan<\/em> yang memprediksi nilai variabel respon.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Misalnya, kita memiliki kumpulan data yang berisi variabel prediktor <em>Tahun Bermain<\/em> dan <em>Rata-rata Home Run<\/em> serta variabel respons <em>Gaji Tahunan<\/em> untuk ratusan pemain bisbol profesional.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Berikut tampilan pohon regresi untuk kumpulan data ini:<\/span> <\/p>\n<p><img decoding=\"async\" loading=\"lazy\" class=\"aligncenter wp-image-12084 \" src=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/arbre1.png\" alt=\"Contoh Pohon Regresi\" width=\"391\" height=\"365\" srcset=\"\" sizes=\"\"><\/p>\n<p> <span style=\"color: #000000;\">Cara mengartikan pohon tersebut adalah sebagai berikut:<\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\">Pemain yang telah bermain kurang dari 4,5 tahun memiliki proyeksi gaji $225,8k.<\/span><\/li>\n<li> <span style=\"color: #000000;\">Pemain yang bermain lebih dari 4,5 tahun atau lebih dan kurang dari 16,5 home run rata-rata memiliki perkiraan gaji $577,6K.<\/span><\/li>\n<li> <span style=\"color: #000000;\">Pemain dengan pengalaman bermain 4,5 tahun atau lebih dan rata-rata 16,5 home run atau lebih memiliki gaji yang diharapkan sebesar $975,6K.<\/span><\/li>\n<\/ul>\n<p> <span style=\"color: #000000;\">Hasil dari model ini seharusnya masuk akal secara intuitif: pemain dengan pengalaman bertahun-tahun dan rata-rata home run yang lebih banyak cenderung mendapatkan gaji yang lebih tinggi.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Kami kemudian dapat menggunakan model ini untuk memprediksi gaji pemain baru.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Misalnya, seorang pemain telah bermain selama 8 tahun dan rata-rata melakukan 10 home run per tahun. Berdasarkan model kami, kami memperkirakan bahwa pemain ini memiliki gaji tahunan sebesar $577,6k.<\/span> <\/p>\n<p><img decoding=\"async\" loading=\"lazy\" class=\"aligncenter wp-image-12088 \" src=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/arbre2.png\" alt=\"Model BOLA BASKET\" width=\"421\" height=\"395\" srcset=\"\" sizes=\"\"><\/p>\n<p> <span style=\"color: #000000;\">Beberapa komentar di pohon:<\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\">Variabel prediksi pertama yang terletak di bagian atas pohon adalah yang paling penting, yaitu variabel yang paling berpengaruh terhadap prediksi nilai variabel respon. Dalam hal ini, <em>tahun-tahun yang dimainkan<\/em> memprediksi gaji lebih baik daripada <em>rata-rata sirkuit<\/em> .<\/span><\/li>\n<li> <span style=\"color: #000000;\">Daerah di bagian bawah pohon disebut <em>simpul daun<\/em> . Pohon khusus ini memiliki tiga simpul terminal.<\/span><\/li>\n<\/ul>\n<h3> <span style=\"color: #000000;\"><strong>Langkah-langkah membuat model CART<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">Kita dapat menggunakan langkah-langkah berikut untuk membuat model CART untuk kumpulan data tertentu:<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>Langkah 1: Gunakan pemisahan biner rekursif untuk menumbuhkan pohon besar pada data pelatihan.<\/strong><\/span><\/p>\n<p> <span style=\"color: #000000;\">Pertama, kami menggunakan algoritma <em>serakah<\/em> yang disebut pemisahan biner rekursif untuk menumbuhkan pohon regresi menggunakan metode berikut:<\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\">Pertimbangkan semua variabel prediktor X <sub>1<\/sub> <sub>,<\/sub> X <sub>2<\/sub> , \u2026 , sisa standar error) yang terendah. .<\/span>\n<ul>\n<li> <em><span style=\"color: #000000;\">Untuk pohon klasifikasi, kami memilih prediktor dan titik potong sedemikian rupa sehingga pohon yang dihasilkan memiliki tingkat kesalahan klasifikasi terendah.<\/span><\/em><\/li>\n<\/ul>\n<\/li>\n<li> <span style=\"color: #000000;\">Ulangi proses ini, berhenti hanya ketika setiap node terminal mempunyai kurang dari jumlah observasi minimum tertentu.<\/span><\/li>\n<\/ul>\n<p> <span style=\"color: #000000;\">Algoritme ini <em>serakah<\/em> karena pada setiap langkah proses pembuatan pohon, algoritma ini menentukan pemisahan terbaik berdasarkan langkah tersebut saja, daripada melihat ke masa depan dan memilih pemisahan yang akan menghasilkan pohon global yang lebih baik di tahap mendatang.<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>Langkah 2: Terapkan pemangkasan kompleksitas biaya pada pohon besar untuk mendapatkan rangkaian pohon terbaik, berdasarkan \u03b1.<\/strong><\/span><\/p>\n<p> <span style=\"color: #000000;\">Setelah kita menumbuhkan pohon besar, kita perlu <em>memangkasnya<\/em> menggunakan metode yang disebut pemangkasan kompleks, yang cara kerjanya sebagai berikut:<\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\">Untuk setiap pohon yang mungkin dengan simpul terminal T, temukan pohon yang meminimalkan RSS + \u03b1|T|.<\/span><\/li>\n<li> <span style=\"color: #000000;\">Perhatikan bahwa ketika kita meningkatkan nilai \u03b1, pohon dengan lebih banyak simpul terminal akan terkena penalti. Hal ini memastikan bahwa pohon tersebut tidak menjadi terlalu rumit.<\/span><\/li>\n<\/ul>\n<p> <span style=\"color: #000000;\">Proses ini menghasilkan rangkaian pohon terbaik untuk setiap nilai \u03b1.<\/span><\/p>\n<p> <strong><span style=\"color: #000000;\">Langkah 3: Gunakan validasi silang k-fold untuk memilih<\/span> \u03b1.<\/strong><\/p>\n<p> <span style=\"color: #000000;\">Setelah kami menemukan pohon terbaik untuk setiap nilai \u03b1, kami dapat menerapkan <a href=\"https:\/\/statorials.org\/id\/k-lipat-validasi-silang\/\" target=\"_blank\" rel=\"noopener noreferrer\">validasi silang k-fold<\/a> untuk memilih nilai \u03b1 yang meminimalkan kesalahan pengujian.<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>Langkah 4: Pilih templat terakhir.<\/strong><\/span><\/p>\n<p> <span style=\"color: #000000;\">Terakhir, kami memilih model akhir yang sesuai dengan nilai \u03b1 yang dipilih.<\/span><\/p>\n<h3> <span style=\"color: #000000;\"><strong>Kelebihan dan kekurangan model CART<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">Model CART menawarkan <strong>keuntungan<\/strong> sebagai berikut:<\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\">Mereka mudah untuk ditafsirkan.<\/span><\/li>\n<li> <span style=\"color: #000000;\">Mudah untuk dijelaskan.<\/span><\/li>\n<li> <span style=\"color: #000000;\">Mereka mudah untuk divisualisasikan.<\/span><\/li>\n<li> <span style=\"color: #000000;\">Mereka dapat diterapkan pada masalah <a href=\"https:\/\/statorials.org\/id\/regresi-vs.-klasifikasi\/\" target=\"_blank\" rel=\"noopener noreferrer\">regresi dan klasifikasi<\/a> .<\/span><\/li>\n<\/ul>\n<p> <span style=\"color: #000000;\">Namun model CART mempunyai <strong>kelemahan sebagai berikut:<\/strong><\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\">Algoritme ini cenderung tidak memiliki akurasi prediksi sebanyak algoritme pembelajaran mesin non-linier lainnya. Namun, dengan mengelompokkan banyak pohon keputusan dengan metode seperti bagging, boosting, dan random forest, akurasi prediksinya dapat ditingkatkan.<\/span><\/li>\n<\/ul>\n<p> <strong><span style=\"color: #000000;\">Terkait:<\/span><\/strong> <a href=\"https:\/\/statorials.org\/id\/pohon-klasifikasi-dan-regresi-di-r\/\">Cara menyesuaikan pohon klasifikasi dan regresi di R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"<p>Jika hubungan antara sekumpulan variabel prediktor dan variabel respons bersifat linier, metode seperti regresi linier berganda dapat menghasilkan model prediksi yang akurat. Namun, jika hubungan antara sekumpulan prediktor dan respons sangat nonlinier dan kompleks, maka metode nonlinier mungkin memiliki kinerja yang lebih baik. Contoh metode nonlinier adalah pohon klasifikasi dan regresi , sering disingkat CART [&hellip;]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"<!-- This site is optimized with the Yoast SEO plugin v21.5 - https:\/\/yoast.com\/wordpress\/plugins\/seo\/ -->\n<title>Pengantar pohon klasifikasi dan regresi<\/title>\n<meta name=\"description\" content=\"Tutorial ini memberikan pengenalan pohon klasifikasi dan regresi, termasuk beberapa contoh.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/statorials.org\/id\/pohon-klasifikasi-dan-regresi\/\" \/>\n<meta property=\"og:locale\" content=\"id_ID\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Pengantar pohon klasifikasi dan regresi\" \/>\n<meta property=\"og:description\" content=\"Tutorial ini memberikan pengenalan pohon klasifikasi dan regresi, termasuk beberapa contoh.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/statorials.org\/id\/pohon-klasifikasi-dan-regresi\/\" \/>\n<meta property=\"og:site_name\" content=\"Statorials\" \/>\n<meta property=\"article:published_time\" content=\"2023-07-27T06:07:51+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/arbre1.png\" \/>\n<meta name=\"author\" content=\"Benjamin anderson\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Ditulis oleh\" \/>\n\t<meta name=\"twitter:data1\" content=\"Benjamin anderson\" \/>\n\t<meta name=\"twitter:label2\" content=\"Estimasi waktu membaca\" \/>\n\t<meta name=\"twitter:data2\" content=\"3 menit\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"WebPage\",\"@id\":\"https:\/\/statorials.org\/id\/pohon-klasifikasi-dan-regresi\/\",\"url\":\"https:\/\/statorials.org\/id\/pohon-klasifikasi-dan-regresi\/\",\"name\":\"Pengantar pohon klasifikasi dan regresi\",\"isPartOf\":{\"@id\":\"https:\/\/statorials.org\/id\/#website\"},\"datePublished\":\"2023-07-27T06:07:51+00:00\",\"dateModified\":\"2023-07-27T06:07:51+00:00\",\"author\":{\"@id\":\"https:\/\/statorials.org\/id\/#\/schema\/person\/3d17a1160dd2d052b7c78e502cb9ec81\"},\"description\":\"Tutorial ini memberikan pengenalan pohon klasifikasi dan regresi, termasuk beberapa contoh.\",\"breadcrumb\":{\"@id\":\"https:\/\/statorials.org\/id\/pohon-klasifikasi-dan-regresi\/#breadcrumb\"},\"inLanguage\":\"id\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/statorials.org\/id\/pohon-klasifikasi-dan-regresi\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/statorials.org\/id\/pohon-klasifikasi-dan-regresi\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\/\/statorials.org\/id\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Pengantar pohon klasifikasi dan regresi\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\/\/statorials.org\/id\/#website\",\"url\":\"https:\/\/statorials.org\/id\/\",\"name\":\"Statorials\",\"description\":\"Panduan anda untuk kompetensi statistik!\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\/\/statorials.org\/id\/?s={search_term_string}\"},\"query-input\":\"required name=search_term_string\"}],\"inLanguage\":\"id\"},{\"@type\":\"Person\",\"@id\":\"https:\/\/statorials.org\/id\/#\/schema\/person\/3d17a1160dd2d052b7c78e502cb9ec81\",\"name\":\"Benjamin anderson\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"id\",\"@id\":\"https:\/\/statorials.org\/id\/#\/schema\/person\/image\/\",\"url\":\"http:\/\/statorials.org\/id\/wp-content\/uploads\/2023\/10\/Dr.-Benjamin-Anderson-96x96.jpg\",\"contentUrl\":\"http:\/\/statorials.org\/id\/wp-content\/uploads\/2023\/10\/Dr.-Benjamin-Anderson-96x96.jpg\",\"caption\":\"Benjamin anderson\"},\"description\":\"Halo, saya Benjamin, pensiunan profesor statistika yang menjadi guru Statorial yang berdedikasi. Dengan pengalaman dan keahlian yang luas di bidang statistika, saya ingin berbagi ilmu untuk memberdayakan mahasiswa melalui Statorials. Baca selengkapnya\",\"sameAs\":[\"http:\/\/statorials.org\/id\"]}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Pengantar pohon klasifikasi dan regresi","description":"Tutorial ini memberikan pengenalan pohon klasifikasi dan regresi, termasuk beberapa contoh.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/statorials.org\/id\/pohon-klasifikasi-dan-regresi\/","og_locale":"id_ID","og_type":"article","og_title":"Pengantar pohon klasifikasi dan regresi","og_description":"Tutorial ini memberikan pengenalan pohon klasifikasi dan regresi, termasuk beberapa contoh.","og_url":"https:\/\/statorials.org\/id\/pohon-klasifikasi-dan-regresi\/","og_site_name":"Statorials","article_published_time":"2023-07-27T06:07:51+00:00","og_image":[{"url":"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/arbre1.png"}],"author":"Benjamin anderson","twitter_card":"summary_large_image","twitter_misc":{"Ditulis oleh":"Benjamin anderson","Estimasi waktu membaca":"3 menit"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"WebPage","@id":"https:\/\/statorials.org\/id\/pohon-klasifikasi-dan-regresi\/","url":"https:\/\/statorials.org\/id\/pohon-klasifikasi-dan-regresi\/","name":"Pengantar pohon klasifikasi dan regresi","isPartOf":{"@id":"https:\/\/statorials.org\/id\/#website"},"datePublished":"2023-07-27T06:07:51+00:00","dateModified":"2023-07-27T06:07:51+00:00","author":{"@id":"https:\/\/statorials.org\/id\/#\/schema\/person\/3d17a1160dd2d052b7c78e502cb9ec81"},"description":"Tutorial ini memberikan pengenalan pohon klasifikasi dan regresi, termasuk beberapa contoh.","breadcrumb":{"@id":"https:\/\/statorials.org\/id\/pohon-klasifikasi-dan-regresi\/#breadcrumb"},"inLanguage":"id","potentialAction":[{"@type":"ReadAction","target":["https:\/\/statorials.org\/id\/pohon-klasifikasi-dan-regresi\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/statorials.org\/id\/pohon-klasifikasi-dan-regresi\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/statorials.org\/id\/"},{"@type":"ListItem","position":2,"name":"Pengantar pohon klasifikasi dan regresi"}]},{"@type":"WebSite","@id":"https:\/\/statorials.org\/id\/#website","url":"https:\/\/statorials.org\/id\/","name":"Statorials","description":"Panduan anda untuk kompetensi statistik!","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/statorials.org\/id\/?s={search_term_string}"},"query-input":"required name=search_term_string"}],"inLanguage":"id"},{"@type":"Person","@id":"https:\/\/statorials.org\/id\/#\/schema\/person\/3d17a1160dd2d052b7c78e502cb9ec81","name":"Benjamin anderson","image":{"@type":"ImageObject","inLanguage":"id","@id":"https:\/\/statorials.org\/id\/#\/schema\/person\/image\/","url":"http:\/\/statorials.org\/id\/wp-content\/uploads\/2023\/10\/Dr.-Benjamin-Anderson-96x96.jpg","contentUrl":"http:\/\/statorials.org\/id\/wp-content\/uploads\/2023\/10\/Dr.-Benjamin-Anderson-96x96.jpg","caption":"Benjamin anderson"},"description":"Halo, saya Benjamin, pensiunan profesor statistika yang menjadi guru Statorial yang berdedikasi. Dengan pengalaman dan keahlian yang luas di bidang statistika, saya ingin berbagi ilmu untuk memberdayakan mahasiswa melalui Statorials. Baca selengkapnya","sameAs":["http:\/\/statorials.org\/id"]}]}},"yoast_meta":{"yoast_wpseo_title":"","yoast_wpseo_metadesc":"","yoast_wpseo_canonical":""},"_links":{"self":[{"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/posts\/1220"}],"collection":[{"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/comments?post=1220"}],"version-history":[{"count":0,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/posts\/1220\/revisions"}],"wp:attachment":[{"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/media?parent=1220"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/categories?post=1220"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/tags?post=1220"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}