1. Apa yang dimaksud dengan ensemble methods dan mengapa dapat meningkatkan kinerja model data mining?
Ensemble methods adalah metode yang menggabungkan beberapa model untuk menghasilkan prediksi yang lebih baik. Metode ini dapat meningkatkan kinerja karena mengurangi kesalahan dan membuat prediksi lebih stabil dibandingkan hanya menggunakan satu model.
2. Jelaskan perbedaan Bagging, Boosting, dan Stacking.
Bagging: Membuat beberapa model secara paralel, kemudian menggabungkan hasil prediksinya. Contohnya Random Forest.
Boosting: Membuat model secara bertahap, di mana model berikutnya memperbaiki kesalahan dari model sebelumnya. Contohnya XGBoost.
Stacking: Menggabungkan beberapa jenis model dan menggunakan model lain sebagai meta-model untuk menentukan hasil akhir.
3. Bandingkan Random Forest dan XGBoost.
Aspek Random Forest XGBoost
Cara kerja Menggabungkan banyak decision tree secara paralel Membuat tree secara bertahap untuk memperbaiki kesalahan
Kelebihan Stabil, mudah digunakan, dan mengurangi overfitting Akurasi tinggi dan efektif pada data kompleks
Kekurangan Model dapat menjadi besar dan kurang optimal pada beberapa kasus Lebih kompleks dan membutuhkan pengaturan parameter
4. Kapan ensemble methods lebih tepat digunakan?
Ensemble methods lebih tepat ketika data memiliki pola yang kompleks dan model tunggal menghasilkan akurasi yang kurang baik. Metode ini juga cocok ketika membutuhkan model yang lebih stabil dan akurat.
5. Contoh permasalahan data mining yang dapat diselesaikan dengan ensemble methods:
Contohnya klasifikasi sentimen, prediksi risiko kredit, deteksi penipuan transaksi, prediksi pelanggan yang akan berhenti berlangganan (customer churn), dan prediksi harga atau permintaan produk.