1. Apa yang dimaksud dengan ensemble methods dan mengapa metode ini 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 kesalahan dari satu model dapat dibantu oleh model lainnya sehingga hasilnya lebih akurat dan stabil.
2. Jelaskan perbedaan prinsip Bagging, Boosting, dan Stacking.
Bagging adalah menggabungkan beberapa model yang dibuat secara bersamaan. Boosting membuat model secara bertahap, di mana model berikutnya memperbaiki kesalahan model sebelumnya. Sedangkan Stacking menggabungkan beberapa model berbeda dan menggunakan model lain untuk menentukan hasil akhirnya.
3. Bandingkan Random Forest dan XGBoost dari sisi cara kerja, kelebihan, dan kekurangannya.
Random Forest bekerja dengan menggabungkan banyak Decision Tree secara bersamaan. Kelebihannya mudah digunakan dan stabil, tetapi modelnya bisa menjadi besar. XGBoost membuat model secara bertahap untuk memperbaiki kesalahan sebelumnya. Kelebihannya memiliki akurasi tinggi, tetapi penggunaannya lebih rumit.
4. Dalam kondisi seperti apa penggunaan ensemble methods lebih tepat dibandingkan algoritma tunggal?
Ensemble Methods lebih tepat digunakan ketika data cukup kompleks dan membutuhkan hasil prediksi yang lebih akurat. Metode ini juga cocok digunakan ketika algoritma tunggal belum memberikan hasil yang baik.
5. Berikan contoh permasalahan data mining yang dapat diselesaikan menggunakan ensemble methods.
Contohnya adalah memprediksi apakah seorang nasabah akan gagal membayar pinjaman. Data seperti pendapatan, pekerjaan, usia, dan riwayat pembayaran dapat digunakan dengan metode Random Forest atau XGBoost untuk menghasilkan prediksi.