Understanding Decision Tree Analysis

Apa itu node akar dalam pohon keputusan?

• Node akar adalah node terakhir dalam pohon keputusan.

• Node akar adalah node dengan nilai tertinggi dalam pohon keputusan.

• Node akar adalah node yang berisi semua data dalam pohon keputusan.

• Node akar adalah node teratas dalam pohon keputusan.

Bagaimana cabang-cabang dalam pohon keputusan mewakili keputusan?

• Cabang-cabang dalam pohon keputusan menunjukkan probabilitas dari setiap hasil.

• Cabang-cabang dalam pohon keputusan mewakili hasil dari keputusan berdasarkan kriteria tertentu.

• Cabang-cabang dalam pohon keputusan mewakili keputusan akhir yang diambil.

• Cabang-cabang dalam pohon keputusan menunjukkan urutan kronologis dari keputusan.

Apa itu node daun dalam konteks pohon keputusan?

• Node daun adalah cabang yang menghubungkan ke node lain.

• Node daun adalah jenis keputusan yang memerlukan analisis lebih lanjut.

• Node daun adalah node internal yang membagi data menjadi subset.

• Node daun adalah node terminal dalam pohon keputusan yang mewakili hasil atau keputusan akhir.

Apa peran entropi dalam analisis pohon keputusan?

• Entropi mengukur akurasi prediksi dalam analisis pohon keputusan.

• Entropi digunakan untuk meningkatkan kompleksitas pohon keputusan.

• Entropi tidak relevan dalam konteks analisis pohon keputusan.

• Entropi digunakan untuk mengukur ketidakmurnian dataset dan memandu pemilihan fitur dalam analisis pohon keputusan.

Bagaimana cara menghitung informasi gain dalam pohon keputusan?

• Informasi gain = Entropi(parent) + Entropi berbobot(children)

• Informasi gain = Entropi berbobot(parent) + Entropi(children)

• Informasi gain = Entropi(parent) - Entropi berbobot(children)

• Informasi gain = Entropi(children) - Entropi(parent)

Apa tujuan pemangkasan dalam pohon keputusan?

• Tujuan pemangkasan dalam pohon keputusan adalah untuk mencegah overfitting dan meningkatkan generalisasi.

• Untuk meningkatkan kualitas data pelatihan

• Untuk meningkatkan kedalaman pohon

• Untuk menyederhanakan proses pengambilan keputusan

Apa saja keuntungan menggunakan pohon keputusan?

• Keuntungan menggunakan pohon keputusan termasuk interpretabilitas, fleksibilitas dengan tipe data, minimal preprocessing, kemampuan untuk memodelkan hubungan kompleks, dan penerapan baik untuk klasifikasi maupun regresi.

• Memerlukan pembersihan data yang ekstensif

• Biaya komputasi yang tinggi

• Terbatas pada hasil biner

Bagaimana pohon keputusan dapat digunakan untuk tugas klasifikasi dan regresi?

• Pohon keputusan memerlukan hubungan linier untuk regresi.

• Pohon keputusan hanya dapat digunakan untuk tugas klasifikasi.

• Pohon keputusan dapat digunakan untuk klasifikasi dengan memprediksi label kelas dan untuk regresi dengan memprediksi nilai kontinu.

• Pohon keputusan tidak dapat menangani data kategorikal.

Ujian UAS yang diinginkan

• Pilihan Ganda

• Ujian Lisan

• Ujian Tulis

• Big Project/ Tugas Besar

Sebuah perusahaan sedang mempertimbangkan dua opsi investasi, Proyek A dan Proyek B.

• Proyek A: Peluang sukses 60%, keuntungan Rp 500 juta; jika gagal, kerugian Rp 200 juta.

• Proyek B: Peluang sukses 80%, keuntungan Rp 300 juta; jika gagal, kerugian Rp 100 juta.

Pertanyaan: Berdasarkan perhitungan Expected Value, proyek mana yang memberikan hasil yang lebih baik?

• Proyek A, karena memiliki peluang sukses yang lebih rendah tapi keuntungan lebih besar

• Proyek B, karena lebih aman dengan peluang sukses yang lebih tinggi

• Kedua proyek memiliki Expected Value yang sama, yaitu Rp 220 juta

• Tidak ada yang menguntungkan, keduanya berisiko tinggi