Rekomendasi Merk Mobil Untuk Calon Pembeli Menggunakan Algoritma Decision Tree

Abstract

Salah satu negara di dunia dengan jumlah penduduk yang cukup besar adalah Indonesia. Dalam aktivitas sehari-hari, mobil merupakan modal transportasi yang mayoritas dipakai oleh masyarakat selain sepeda motor. Saat ini merek mobil yang diproduksi di Indonesia maupun langsung diimpor dari luar negeri semakin banyak dengan berbagai keunggulan masingmasing. Hal tersebut menyebabkan pembeli yang mau membeli mobil seringkali kesulitan untuk menemukan merek mobil yang memenuhi spesifikasi yang diinginkan. Oleh karena itu, penelitian akan dilakukan untuk mengembangkan sistem klasifikasi merek mobil berdasarkan permasalahan di atas. Keefektifan memilih merek mobil yang akan dibeli diharapkan akan meningkat ketika menggunakan sistem ini. Dalam penelitian ini diusulkan metode decision tree. Metode decision tree sering digunakan untuk menghasilkan sebuah pohon keputusan yang memetakan kondisi dan tindakan yang harus diambil berdasarkan kondisi. Data yang digunakan memiliki Informasi tentang 3 merek mobil yakni AS, Jepang, Eropa. Tujuannya yaitu menemukan merek mobil menggunakan parameter seperti inci kubik, tahun pembuatan, dan lain-lain. Dari hasil pengujian, nilai akurasi tertinggi didapatkan ketika kedalaman tree sebanyak 7, yaitu 85%, rata-rata precision 87%, recall 80%, dan F1-Measure 83%.

Max Depth Impact on Heart Disease Classification: Decision Tree and Random Forest

“…Based on Table 5, the classification of heart disease using the Decision Tree algorithm and Random Forest using the analysis of the influence of the max depth parameter (3,4,5,6,7) produces the best accuracy of 99.29% in the Random Forest algorithm with max depth = 7, and Decision Tree 98.05% with max depth = 7 on split training and testing data 90:10. The higher the max depth value in research [20], [28] states that it can increase accuracy, but other factors such as split data also affect accuracy results, such as in split data 60:40, the accuracy on Decision Tree testing data max depth = 3 produces 82.68% accuracy, but at max depth = 4, the accuracy decreases to 82.19%.…”

“…Based on the research [27], [28], the Decision Tree has advantages in ease of interpretation, and visualization, and is suitable for small and medium datasets with little data pre-processing. However, its drawbacks include susceptibility to overfitting and not always producing the optimal model.…”