Kind: captions
Language: id
Halo semuanya. Pernah kepikiran enggak
sih gimana caranya sebuah mesin itu
belajar buat mengambil keputusan? Nah,
hari ini kita akan bedah tuntas
rahasianya. Kita akan lihat cara kerja
pohon keputusan. Khususnya gimana dia
milih satu pertanyaan terbaik untuk
memulai semuanya. Oke, coba bayangin
kita ini lagi jadi detektif. Di depan
kita ada setumpuk data dan tugas kita
simpel. Temukan satu pertanyaan kunci
yang paling jitu buat ngebuka semua
petunjuk. dan akhirnya membuat prediksi
yang akurat. Ini dia nih berkas kasus
kita, data para pemohon pinjaman.
Pertanyaan besarnya adalah dari semua
info ini, apakah mereka punya rumah,
status nikahnya apa atau berapa gajinya?
Mana sih petunjuk pertama yang paling
mantap untuk nebak? Siapa yang bakal
gagal bayar? Sip, kayak detektif
beneran. Langkah pertama ya harus kenal
sama petunjuknya. Dalam dunia data,
petunjuk-petunjuk ini kita sebut
atribut. Dan ternyata atribut itu ada
beberapa jenis yang beda-beda. Atribut
nominal itu ya cuma label aja. Kita
enggak bisa bilang menikah itu lebih
tinggi dari lajang. Keduanya cuma
kategori yang berbeda, enggak ada
urutannya. Kalau atribut ordinal ini ada
ranking-nya. Kita semua tahu kan ukuran
baju L itu lebih besar dari S. Tapi
seberapa besar bedanya itu ya enggak
bisa dihitung pakai matematika. Ada
urutan tapi jaraknya enggak jelas. Nah,
ini aturan main yang penting banget.
Waktu kita misahin data yang berurutan
kayak gini, kita enggak boleh
loncat-loncat, harus berurutan. Misalnya
kelompok S, M, dan kelompok L XL.
Kenapa? Ya, biar informasi urutannya itu
enggak hilang sia-sia. Terakhir ada
atribut continue. Ini sih angka biasa
yang bisa kita ukur kayak pendapatan
tahunan atau suhu. Oke, sekarang kita
udah kenal sama semua jenis petunjuknya.
Waktunya kita siapin alat forensiknya.
Terus gimana kita tahu petunjuk mana
yang paling oke? Kita butuh alat ukur
yang canggih. Nah, dalam kasus ini alat
kita namanya adalah indeks gini.
Gampangnya ya anggap aja ini sebagai
skor kebingungan. Kalau satu grup isinya
sama semua, misalnya semuanya enggak
gagal bayar. Nah, itu grupnya murni
banget. Enggak ada bingung-bingungnya
sama sekali. Skor gininya nol. Sempurna.
Wah, ada rumus nih. Jangan panik dulu.
Intinya tuh simpel banget. Rumus ini
cuma cara kita buat ngasih angka ke skor
kebingungan tadi. Semakin murni sebuat
kelompok, skor jininya bakal makin
kecil, mendekati nol. Jadi, misi kita
apa? Misi kita adalah memaksimalkan yang
namanya gini gain. Gini gain itu intinya
seberapa besar kebingungan yang berhasil
kita kurangi setelah memisahkan data.
Semakin besar penurunannya, berarti
semakin jitu pertanyaan kita. Sip.
Berkas-kasus siap. Petunjuk udah kita
kenali, alat forensik juga udah di
tangan. Waktunya investigasi setiap
atribut satu persatu. Pertama-tama kita
ukur dulu kondisi awal datanya sebelum
kita apa-apain. Dengan tiga orang gagal
bayar dan 7uh orang tidak, skor gini
awal kita adalah 0,42.
Ini jadi patokan kita. Semua calon
pertanyaan harus bisa ngasih hasil yang
lebih bagus dari ini. Tersangka pertama
kita adalah status kepemilikan rumah.
Coba kita lihat seberapa jernih data
kita kalau dipisah berdasarkan ini.
Begitu kita pisah weh lihat deh grup
yang tidak punya rumah jadi jauh lebih
jelas. Isinya hampir semuanya tidak
gagal bayar. Ini tanda-tanda bagus nih.
Setelah dihitung-hitung gini ginnya
0,115
lumayan. Tapi apa ada yang lebih bagus?
Coba kita cek tersangka berikutnya.
Lanjut ke tersangka kedua, pendapatan
tahunan. Nah, karena ini bentuknya
angka, kita enggak bisa cuma bagi jadi
dua kelompok sembarangan. Kita harus
cari titik potong terbaik. Apakah di
atas Rp100.000 atau mungkin Rp10.000.
Jadi, si mesin ini pintar banget. Dia
bakal ngurutin semua angka pendapatan.
Terus dia coba kali satu persatu semua
kemungkinan titik potong buat nemuin
mana yang ngasih jin gain paling tinggi.
Canggih kan? Dan hasilnya setelah semua
kerja keras itu, gini gen terbaik dari
pendapatan cuma 0,077.
Hmm, ternyata masih kalah sama pemilik
rumah.
Tersangka terakhir kita, status
perkawinan. Karena ini ada tiga
kategori, kita harus coba-coba
kombinasinya. Misalnya yang menikah kita
pisahin sendiri atau yang lajang kita
pisahin dan seterusnya.
Dan jackpot. Pemisahan terbaiknya adalah
memisahkan yang menikah dari yang lain.
Coba lihat grup yang menikah itu 100%
murni. Enggak ada satuun yang gagal
bayar. Ini dia petunjuk super kuat. Nah,
karena ada satu kelompok yang murni
sempurna itu status perkawinan dapat
gidin gen yang luar biasa 0,120.
Sejauh ini ini skor tertinggi. Oke,
semua tersangka sudah kita periksa,
buktinya sudah terkumpul. Sekarang
waktunya kita bacakan putusan akhir. Dan
inilah hasilnya. Jelas banget kan?
Dengan Jinny gain paling tinggi, status
perkawinan adalah juaranya. Inilah
pertanyaan pertama yang paling efektif
untuk memisahkan data kita. Jadi, pohon
keputusan kita akan dimulai dari sini.
Misteri terpecahkan.
Kita memang baru nemuin langkah
pertamanya aja ya, akar dari pohonnya.
Tapi coba bayangin proses yang sama
persis ini diulang lagi dan lagi di tiap
cabang baru menciptakan sebuah model
prediksi yang kuat banget. Intinya apa?
Di balik keputusan canggih AI
seringkiali dasarnya itu proses yang
sangat logis. Selalu pilih langkah
terbaik untuk mengurangi kebingungan
satu persatu.