Optimasi Klasifikasi Decision Tree Dengan Teknik Pruning untuk Mengurangi Overfitting

Syahputri, Cindy Novi (2024) Optimasi Klasifikasi Decision Tree Dengan Teknik Pruning untuk Mengurangi Overfitting. Jurnal Sistem Informasi, 11 (2). pp. 87-96. ISSN 2581-2181 (In Press)

Full text not available from this repository.

Abstract

Penelitian ini bertujuan untuk mengoptimalkan klasifikasi Decision Tree menggunakan teknik pruning untuk mengurangi overfitting pada dataset penyakit jantung Kaggle. Overfitting adalah masalah umum dalam pembelajaran mesin, ketika model terlalu cocok dengan data pelatihan dan kehilangan kemampuannya untuk menggeneralisasi data baru dengan baik. Teknik pruning, termasuk prepruning dan postpruning, diterapkan untuk membatasi kompleksitas model dan meningkatkan kemampuannya dalam mengklasifikasikan data baru. Hasilnya menunjukkan bahwa model dengan postpruning memiliki performa terbaik, dengan akurasi 0,8841, recall 0,8571, presisi 0,8571, dan skor F1 0,8571. Sebagai perbandingan, model dengan prepruning memiliki akurasi sebesar 0,8333, recall sebesar 0,8304, presisi sebesar 0,8304, dan skor F1 sebesar 0,7434. Peningkatan metrik ini menegaskan bahwa postpruning lebih efektif dalam mengurangi overfitting dan meningkatkan kemampuan generalisasi model. Dengan demikian, teknik postpruning dapat dianggap sebagai metode unggulan dalam mengoptimalkan kinerja Decision Tree Classifier untuk klasifikasi penyakit jantung. Penelitian ini diharapkan dapat berkontribusi pada pengembangan model prediksi yang lebih akurat dalam diagnosis penyakit jantung, sehingga membantu upaya pencegahan dan pengobatan yang lebih baik.

Jenis Item:	Artikel
Uncontrolled Keywords:	Decision Tree, Pruning, Prepruning, Postpruning, Overfitting, Heart Disease Dataset, Kaggle, Machine Learning, Classification, Model Optimization
Subjects:	000 Generalities > 004 Data processing Computer science
Divisions:	Artikel (Jurnal, Koran, Majalah)
Pengguna yang mendeposit:	Mr Muhammad Aditya
Date Deposited:	12 Aug 2025 03:31
Last Modified:	12 Aug 2025 03:32
URI:	http://repository.uinsu.ac.id/id/eprint/25873

Actions (login required)

View Item