Foto User
DECISION TREE CLASSIFICATION FOR LUNG CANCER

M. Difa Farady

Sosial Media


0 orang menyukai ini
Suka

Summary

Membuat Model Decision Tree pada pasien yang terdiagnosis Kanker Paru-Paru dengan 2 kategori, yaitu:

  1. Pasien Kanker Paru-Paru meninggal 
  2. Pasien Kanker Paru-Paru masih hidup

Decision tree sering digunakan dalam machine learning karena memiliki beberapa kelebihan yang membuatnya menjadi pilihan yang populer. Decision tree juga efektif dalam menangani data yang memiliki hubungan nonlinier antara fitur dan label. Metode ini mampu membagi ruang fitur menjadi segmen-segmen yang berbeda dan mengambil keputusan berdasarkan pemisahan tersebut. Berkat kemampuannya dalam mengatasi masalah klasifikasi yang tidak memiliki hubungan linear yang jelas, decision tree dapat mengungkap pola yang kompleks dalam data.
 

Description

Sumber Data : https://www.kaggle.com/datasets/yusufdede/lung-cancer-dataset

Berikut hasil pengerjaan menggunakan Google Colab.

Langkah 1. Import Library

Langkah 2. Import Data

Langkah 3. Memisahkan Fitur dan Label

Langkah 4. Membangun dan Melatih Model

Objek classifier akan menjadi representasi dari model decision tree yang akan kita latih dan gunakan untuk melakukan prediksi. Dalam kode tersebut, DecisionTreeClassifier() tanpa argumen menandakan bahwa kita menggunakan konfigurasi default dari model decision tree. Kemudian, classifier.fit(X, y) digunakan untuk melatih (fit) model klasifikasi, dalam hal ini model decision tree, menggunakan data latih.

Langkah 5. Memisahkan Data Latih dan Data Uji

Langkah 6. Menghitung Akurasi Prediksi

Dapat dilihat pada perhitungan akurasi, diperoleh akurasi sebesar 100%. Di mana hal ini berarti model Decision Tree yang telah dibangun adalah model yang baik karena memiliki akurasi yang tinggi.

Langkah 7. Visualisasi Decision Tree

Langkah 8. Hasil Klasifikasi

Kesimpulan Akhir : Berdasarkan output yang telah diperoleh dapat dilihat bahwa model yang telah dibuat memiliki akurasi tinggi, yaitu akurasi sebesar 100%. Nilai akurasi yang tinggi tersebut menunjukkan model yang dibangun adalah model baik. Lalu, pada langkah terakhir dapat dilihat juga hasil klasifikasinya sudah benar atau sesuai. Di mana output hasil prediksi sama dengan hasil aktual (yang sebenarnya). Jadi karena model memiliki akurasi yang tinggi dan hasil klasifikasi tidak ada kesalahan, maka dapat disimpulkan bahwa model Decision Tree yang dibangun adalah model yang baik.

Informasi Course Terkait
  Kategori: Artificial Intelligence
  Course: Machine Learning For Beginner