Evaluasi Kinerja Algoritma Berbasis Decision Tree pada Dataset Skala Kecil: Studi Perbandingan Analisis Komparatif

Abstract

Perkembangan Machine Learning (ML) telah memberikan kontribusi signifikan dalam berbagai bidang, khususnya pada proses klasifikasi data. Salah satu kelompok algoritma yang banyak digunakan adalah algoritma berbasis decision tree, seperti J48, Random Forest, dan Random Tree. Meskipun algoritma tersebut telah banyak diteliti, sebagian besar studi dilakukan pada dataset berukuran besar, sementara kondisi penggunaan dataset kecil masih jarang dieksplorasi. Padahal, dalam praktik nyata, keterbatasan data sering menjadi tantangan, terutama pada bidang penelitian kesehatan, sosial, maupun eksperimen laboratorium. Penelitian ini bertujuan untuk mengevaluasi kinerja tiga algoritma decision tree, yaitu J48, Random Forest, dan Random Tree pada dataset kecil. Evaluasi dilakukan dengan menggunakan dataset penilaian mahasiswa dengan jumlah record dari 100. Metode 5-fold cross validation digunakan untuk memperoleh hasil evaluasi yang lebih stabil. Kinerja algoritma dibandingkan berdasarkan metrik akurasi, presisi, recall, F1-score, dan waktu komputasi. Hasil penelitian menunjukkan bahwa Random Forest cenderung memberikan akurasi dan stabilitas yang lebih baik dibandingkan J48 dan Random Tree, meskipun membutuhkan waktu komputasi yang relatif lebih tinggi. Sementara itu, J48 memiliki keunggulan dalam interpretabilitas, sedangkan Random Tree menawarkan fleksibilitas dengan kompleksitas yang lebih rendah dan waktu komputasi yang lebih baik. Temuan ini menegaskan pentingnya pemilihan algoritma yang tepat sesuai dengan ukuran dataset dan tujuan penelitian