Random forest - Riwayat revisi

Maintenance script: Presentation V4: sitasi, referensi, Math, Wikimedia Commons, dan atribusi

2026-08-23T03:08:31Z

Presentation V4: sitasi, referensi, Math, Wikimedia Commons, dan atribusi

← Revisi sebelumnya		Revisi per 23 Agustus 2026 03.08
Baris 3:		Baris 3:
	''Random forest'' menggunakan ''Decision Tree'' untuk melakukan proses seleksi. Pohon yang dibangun dibagi secara rekursif dari data pada kelas yang sama. Pemecahan (''split'') digunakan untuk membagi data berdasarkan jenis atribut yang digunakan. Pembuatan ''decision tree'' pada saat penentuan klasifikasi,pohon yang buruk akan membuat prediksi acak yang saling bertentangan. Sehingga,beberapa ''decision tree'' akan menghasilkan jawaban yang baik.		''Random forest'' menggunakan ''Decision Tree'' untuk melakukan proses seleksi. Pohon yang dibangun dibagi secara rekursif dari data pada kelas yang sama. Pemecahan (''split'') digunakan untuk membagi data berdasarkan jenis atribut yang digunakan. Pembuatan ''decision tree'' pada saat penentuan klasifikasi,pohon yang buruk akan membuat prediksi acak yang saling bertentangan. Sehingga,beberapa ''decision tree'' akan menghasilkan jawaban yang baik.
	''Random forest'' merupakan salah satu cara penerapan dari pendekatan diskriminasi stokastik pada klasifikasi. Proses Klasifikasi akan berjalan jika semua ''tree'' telah terbentuk.Pada saat proses klasifikasi selesai dilakukan, inisialisasi dilakukan dengan sebanyak data berdasarkan nilai akurasinya. Keuntungan penggunaan random forest yaitu mampu mengklasifiksi data yang memiliki atribut yang tidak lengkap,dapat digunakan untuk klasifikasi dan regresi akan tetapi tidak terlalu bagus untuk regresi, lebih cocok untuk pengklasifikasian data serta dapat digunakan untuk menangani data sampel yang banyak.		''Random forest'' merupakan salah satu cara penerapan dari pendekatan diskriminasi stokastik pada klasifikasi. Proses Klasifikasi akan berjalan jika semua ''tree'' telah terbentuk.Pada saat proses klasifikasi selesai dilakukan, inisialisasi dilakukan dengan sebanyak data berdasarkan nilai akurasinya. Keuntungan penggunaan random forest yaitu mampu mengklasifiksi data yang memiliki atribut yang tidak lengkap,dapat digunakan untuk klasifikasi dan regresi akan tetapi tidak terlalu bagus untuk regresi, lebih cocok untuk pengklasifikasian data serta dapat digunakan untuk menangani data sampel yang banyak.
	Proses klasifikasi pada ''random forest'' berawal dari memecah data sampel yang ada kedalam ''decision tree'' secara acak. Setelah pohon terbentuk,maka akan dilakukan ''voting'' pada setiap kelas dari data sampel. Kemudian, mengkombinasikan ''vote'' dari setiap kelas kemudian diambil ''vote'' yang paling banyak.Dengan menggunakan ''random forest'' pada klasifikasi data maka, akan menghasilkan ''vote'' yang paling baik. ''Random Forest'' juga dapat digunakan untuk mendeteksi kualitas ''seafood'' didapatkan bahwa hasil akurasinya mencapai 99% ,hal ini membuktikan bahwa ''Random Forest'' bagus untuk mendeteksi kualitas kesegaran produk perikanan laut.		Proses klasifikasi pada ''random forest'' berawal dari memecah data sampel yang ada kedalam ''decision tree'' secara acak. Setelah pohon terbentuk,maka akan dilakukan ''voting'' pada setiap kelas dari data sampel. Kemudian, mengkombinasikan ''vote'' dari setiap kelas kemudian diambil ''vote'' yang paling banyak.Dengan menggunakan ''random forest'' pada klasifikasi data maka, akan menghasilkan ''vote'' yang paling baik. ''Random Forest'' juga dapat digunakan untuk mendeteksi kualitas ''seafood'' didapatkan bahwa hasil akurasinya mencapai 99% ,hal ini membuktikan bahwa ''Random Forest'' bagus untuk mendeteksi kualitas kesegaran produk perikanan laut.<ref>Nailatul Fadhilah Syarwan. [https://openlibrary.telkomuniversity.ac.id/home/catalog/id/198718/slug/aplikasi-deteksi-kualitas-seafood-menggunakan-algoritma-random-forest-dan-electronic-nose.html APLIKASI DETEKSI KUALITAS SEAFOOD MENGGUNAKAN ALGORITMA RANDOM FOREST DAN ELECTRONIC NOSE]. ''Open Library Telkom University''.</ref>

	= Sejarah =		= Sejarah =
	Metode umum dari ''random decision forest'' pertama kali diusulkan oleh Ho pada tahun 1995,[[Tin Kam Ho]] yang menetapkan bahwa pohon-pohon keputusan di ''random forest'' membelah diri dengan ''hyperplanes'' yang miring, jika secara acak dibatasi untuk peka hanya pada dimensi fitur yang dipilih, maka dapat memperoleh akurasi ketika pohon-pohon keputusan tumbuh tanpa terlalu banyak berlatih.Sebuah karya berikutnya pada tema yang sama menyimpulkan bahwa metode pemisahan lain, selama pohon-pohon keputusan secara acak dipaksa tidak peka terhadap beberapa dimensi fitur, berperilaku sama. Perhatikan bahwa pengamatan terhadap pengklasifikasi yang lebih kompleks (hutan yang lebih besar) yang semakin akurat hampir secara monoton sangat kontras dengan keyakinan umum bahwa kompleksitas penggolongan hanya dapat tumbuh pada tingkat akurasi tertentu sebelum disakiti dengan overfitting. Penjelasan tentang perlawanan metode hutan terhadap overtraining dapat ditemukan dalam teori Kleinberg tentang diskriminasi stokastik.		Metode umum dari ''random decision forest'' pertama kali diusulkan oleh Ho pada tahun 1995,[[Tin Kam Ho]]<ref name="ho1995">Tin Kam Ho. [http://ect.bell-labs.com/who/tkh/publications/papers/odt.pdf Random Decision Forests]. 1995. hlm. 278–282.</ref> yang menetapkan bahwa pohon-pohon keputusan di ''random forest'' membelah diri dengan ''hyperplanes'' yang miring, jika secara acak dibatasi untuk peka hanya pada dimensi fitur yang dipilih, maka dapat memperoleh akurasi ketika pohon-pohon keputusan tumbuh tanpa terlalu banyak berlatih.Sebuah karya berikutnya <ref name="ho1998">Tin Kam Ho. [http://ect.bell-labs.com/who/tkh/publications/papers/df.pdf The Random Subspace Method for Constructing Decision Forests]. ''IEEE Transactions on Pattern Analysis and Machine Intelligence''. 1998. Vol. 20 (8). hlm. 832–844. doi:10.1109/34.709601.</ref> pada tema yang sama <ref name="ho1998">Tin Kam Ho. [http://ect.bell-labs.com/who/tkh/publications/papers/df.pdf The Random Subspace Method for Constructing Decision Forests]. ''IEEE Transactions on Pattern Analysis and Machine Intelligence''. 1998. Vol. 20 (8). hlm. 832–844. doi:10.1109/34.709601.</ref> menyimpulkan bahwa metode pemisahan lain, selama pohon-pohon keputusan secara acak dipaksa tidak peka terhadap beberapa dimensi fitur, berperilaku sama. Perhatikan bahwa pengamatan terhadap pengklasifikasi yang lebih kompleks (hutan yang lebih besar) yang semakin akurat hampir secara monoton sangat kontras dengan keyakinan umum bahwa kompleksitas penggolongan hanya dapat tumbuh pada tingkat akurasi tertentu sebelum disakiti dengan overfitting. Penjelasan tentang perlawanan metode hutan terhadap overtraining dapat ditemukan dalam teori Kleinberg tentang diskriminasi stokastik.<ref name="kleinberg1990">Eugene Kleinberg. [https://pdfs.semanticscholar.org/faa4/c502a824a9d64bf3dc26eb90a2c32367921f.pdf Stochastic Discrimination]. ''Annals of Mathematics and Artificial Intelligence''. 1990. Vol. 1 (1–4). hlm. 207-239. doi:10.1007/BF01531079.</ref><ref name="kleinberg1996">Eugene Kleinberg. [https://dx.doi.org/10.1214/aos/1032181157 An Overtraining-Resistant Stochastic Modeling Method for Pattern Recognition]. ''Annals of Statistics''. 1996. Vol. 24 (6). hlm. 2319–2349. doi:10.1214/aos/1032181157.</ref><ref name="kleinberg2000">Eugene Kleinberg. [https://pdfs.semanticscholar.org/8956/845b0701ec57094c7a8b4ab1f41386899aea.pdf On the Algorithmic Implementation of Stochastic Discrimination]. ''IEEE Transactions on PAMI''. 2000. Vol. 22 (5).</ref>

	Awal mula perkembangan gagasan Breiman tentang ''random forest'' dipengaruhi oleh karya [[Amit dan Geman]] yang memperkenalkan gagasan pencarian lebih dari satu ''subset'' acak dari keputusan yang tersedia ketika memisahkan sebuah simpul, dalam konteks menumbuhkan satu pohon. Gagasan pemilihan subruang acak dari Ho juga berpengaruh dalam desain ''random forest''. Dalam metode ini, hutan pepohonan ditanam, dan variasi di antara pepohonan diperkenalkan dengan memproyeksikan data pelatihan ke dalam subruang yang dipilih secara acak, sebelum memasang setiap pohon atau setiap simpul. Kemudian, jadilah ide pengoptimalan node acak, di mana keputusan di setiap node dipilih dengan prosedur acak, dari optimasi deterministik yang pertama kali diperkenalkan oleh Dietterich.		Awal mula perkembangan gagasan Breiman tentang ''random forest'' dipengaruhi oleh karya [[Amit dan Geman]] <ref name="amitgeman1997">Yali Amit. [http://www.cis.jhu.edu/publications/papers_in_database/GEMAN/shape.pdf Shape quantization and recognition with randomized trees]. ''Neural Computation''. 1997. Vol. 9 (7). hlm. 1545–1588. doi:10.1162/neco.1997.9.7.1545.</ref> yang memperkenalkan gagasan pencarian lebih dari satu ''subset'' acak dari keputusan yang tersedia ketika memisahkan sebuah simpul, dalam konteks menumbuhkan satu pohon. Gagasan pemilihan subruang acak dari Ho <ref name="ho1998" /> juga berpengaruh dalam desain ''random forest''. Dalam metode ini, hutan pepohonan ditanam, dan variasi di antara pepohonan diperkenalkan dengan memproyeksikan data pelatihan ke dalam subruang yang dipilih secara acak, sebelum memasang setiap pohon atau setiap simpul. Kemudian, jadilah ide pengoptimalan node acak, di mana keputusan di setiap node dipilih dengan prosedur acak, dari optimasi deterministik yang pertama kali diperkenalkan oleh Dietterich.<ref>Thomas Dietterich. ''An Experimental Comparison of Three Methods for Constructing Ensembles of Decision Trees: Bagging, Boosting, and Randomization''. ''Machine Learning''. 2000. hlm. 139–157.</ref>

	''Random forest'' pertama kali di publikasikan dengan beberapa persiapan ialah melalui makalah oleh [[Leo Breiman]] Makalah ini menjelaskan metode membangun hutan pohon yang tidak berkorelasi menggunakan prosedur seperti CART (Classification And Regression Trees), dikombinasikan dengan pengoptimalan simpul acak dan [[Bootstrap aggregating\|bagging]]. Selain itu, makalah ini menggabungkan beberapa bahan, beberapa sebelumnya dikenal dan beberapa novel, yang membentuk dasar dari praktik modern hutan acak, khususnya:		''Random forest'' pertama kali di publikasikan dengan beberapa persiapan ialah melalui makalah oleh [[Leo Breiman]]<ref name="breiman2001">Leo Breiman. ''Random Forests''. ''Machine Learning''. 2001. Vol. 45 (1). hlm. 5–32. doi:10.1023/A:1010933404324.</ref> Makalah ini menjelaskan metode membangun hutan pohon yang tidak berkorelasi menggunakan prosedur seperti CART (Classification And Regression Trees), dikombinasikan dengan pengoptimalan simpul acak dan [[Bootstrap aggregating\|bagging]]. Selain itu, makalah ini menggabungkan beberapa bahan, beberapa sebelumnya dikenal dan beberapa novel, yang membentuk dasar dari praktik modern hutan acak, khususnya:

	# Menggunakan ''out-of-bag error'' sebagai perkiraan kesalahan generalisasi.		# Menggunakan ''out-of-bag error'' sebagai perkiraan kesalahan generalisasi.
Baris 16:		Baris 16:

	Laporan ini juga menawarkan hasil teoretis pertama untuk ''random forest'' dalam bentuk batas pada kesalahan generalisasi yang tergantung pada kekuatan pohon di hutan dan korelasinya.		Laporan ini juga menawarkan hasil teoretis pertama untuk ''random forest'' dalam bentuk batas pada kesalahan generalisasi yang tergantung pada kekuatan pohon di hutan dan korelasinya.

	~~== Referensi ==~~


	== Bacaan lanjutan ==		== Bacaan lanjutan ==
			*
			*

	*		== Referensi ==
	*		<references />

	== Sumber dan atribusi ==		== Sumber dan atribusi ==

	~~Artikel~~ ini diadaptasi ~~dalam mode teks~~ dari		Konten artikel ini diadaptasi dari [https://id.wikipedia.org/w/index.php?title=Random+forest&oldid=29187998 Wikipedia bahasa Indonesia], revisi 29187998 (2026-05-02T15:36:26Z), yang tersedia berdasarkan lisensi Creative Commons Atribusi-BerbagiSerupa (CC BY-SA). Mohon gunakan konten ini secara bijak serta sesuai dengan ketentuan lisensi yang berlaku.
	[https://id.wikipedia.org/w/index.php?title=~~Random_forest~~&oldid=29187998 Wikipedia bahasa Indonesia],
	revisi 29187998 (2026-05-02T15:36:26Z).		<!-- WIKI_UNISSULA_PRESENTATION_V4 -->
	~~Gambar, media, infobox, templat navigasi~~, ~~dan kategori sumber~~
	~~tidak diimpor ke Wiki Unissula.~~
	~~Atribusi dan~~ lisensi ~~mengikuti ketentuan~~ Creative Commons
	Atribusi-BerbagiSerupa (CC BY-SA) ~~pada sumber Wikipedia~~.

Maintenance script: Impor teks terkontrol dari Wikipedia bahasa Indonesia; revisi 29187998; atribusi sumber disertakan.

2026-08-23T02:29:12Z

Impor teks terkontrol dari Wikipedia bahasa Indonesia; revisi 29187998; atribusi sumber disertakan.

Halaman baru

'''''Random forest''''' (RF) adalah suatu [[algoritma]] yang digunakan pada klasifikasi data dalam jumlah yang besar. Klasifikasi ''random forest'' dilakukan melalui penggabungan pohon (''tree'') dengan melakukan ''training'' pada sampel data yang dimiliki. Penggunaan pohon (tree) yang semakin banyak akan memengaruhi akurasi yang akan didapatkan menjadi lebih baik. Penentuan klasifikasi dengan ''random forest'' diambil berdasarkan hasil ''voting'' dari ''tree'' yang terbentuk. Pemenang dari ''tree'' yang terbentuk ditentukan dengan ''vote'' terbanyak.
Pembangunan pohon (''tree'') pada ''random forest'' sampai dengan mencapai ukuran maksimum dari pohon data. Akan tetapi,pembangunan pohon ''random forest'' tidak dilakukan pemangkasan (''pruning'') yang merupakan sebuah metode untuk mengurangi kompleksitas ruang. Pembangunan dilakukan dengan penerapan metode ''random feature selection'' untuk meminimalisir kesalahan. Pembentukan pohon (''tree'') dengan sample data menggunakan variable yang diambil secara acak dan menjalankan klasifikasi pada semua ''tree'' yang terbentuk.
''Random forest'' menggunakan ''Decision Tree'' untuk melakukan proses seleksi. Pohon yang dibangun dibagi secara rekursif dari data pada kelas yang sama. Pemecahan (''split'') digunakan untuk membagi data berdasarkan jenis atribut yang digunakan. Pembuatan ''decision tree'' pada saat penentuan klasifikasi,pohon yang buruk akan membuat prediksi acak yang saling bertentangan. Sehingga,beberapa ''decision tree'' akan menghasilkan jawaban yang baik.
''Random forest'' merupakan salah satu cara penerapan dari pendekatan diskriminasi stokastik pada klasifikasi. Proses Klasifikasi akan berjalan jika semua ''tree'' telah terbentuk.Pada saat proses klasifikasi selesai dilakukan, inisialisasi dilakukan dengan sebanyak data berdasarkan nilai akurasinya. Keuntungan penggunaan random forest yaitu mampu mengklasifiksi data yang memiliki atribut yang tidak lengkap,dapat digunakan untuk klasifikasi dan regresi akan tetapi tidak terlalu bagus untuk regresi, lebih cocok untuk pengklasifikasian data serta dapat digunakan untuk menangani data sampel yang banyak.
Proses klasifikasi pada ''random forest'' berawal dari memecah data sampel yang ada kedalam ''decision tree'' secara acak. Setelah pohon terbentuk,maka akan dilakukan ''voting'' pada setiap kelas dari data sampel. Kemudian, mengkombinasikan ''vote'' dari setiap kelas kemudian diambil ''vote'' yang paling banyak.Dengan menggunakan ''random forest'' pada klasifikasi data maka, akan menghasilkan ''vote'' yang paling baik. ''Random Forest'' juga dapat digunakan untuk mendeteksi kualitas ''seafood'' didapatkan bahwa hasil akurasinya mencapai 99% ,hal ini membuktikan bahwa ''Random Forest'' bagus untuk mendeteksi kualitas kesegaran produk perikanan laut.

= Sejarah =
Metode umum dari ''random decision forest'' pertama kali diusulkan oleh Ho pada tahun 1995,[[Tin Kam Ho]] yang menetapkan bahwa pohon-pohon keputusan di ''random forest'' membelah diri dengan ''hyperplanes'' yang miring, jika secara acak dibatasi untuk peka hanya pada dimensi fitur yang dipilih, maka dapat memperoleh akurasi ketika pohon-pohon keputusan tumbuh tanpa terlalu banyak berlatih.Sebuah karya berikutnya pada tema yang sama menyimpulkan bahwa metode pemisahan lain, selama pohon-pohon keputusan secara acak dipaksa tidak peka terhadap beberapa dimensi fitur, berperilaku sama. Perhatikan bahwa pengamatan terhadap pengklasifikasi yang lebih kompleks (hutan yang lebih besar) yang semakin akurat hampir secara monoton sangat kontras dengan keyakinan umum bahwa kompleksitas penggolongan hanya dapat tumbuh pada tingkat akurasi tertentu sebelum disakiti dengan overfitting. Penjelasan tentang perlawanan metode hutan terhadap overtraining dapat ditemukan dalam teori Kleinberg tentang diskriminasi stokastik.

Awal mula perkembangan gagasan Breiman tentang ''random forest'' dipengaruhi oleh karya [[Amit dan Geman]] yang memperkenalkan gagasan pencarian lebih dari satu ''subset'' acak dari keputusan yang tersedia ketika memisahkan sebuah simpul, dalam konteks menumbuhkan satu pohon. Gagasan pemilihan subruang acak dari Ho juga berpengaruh dalam desain ''random forest''. Dalam metode ini, hutan pepohonan ditanam, dan variasi di antara pepohonan diperkenalkan dengan memproyeksikan data pelatihan ke dalam subruang yang dipilih secara acak, sebelum memasang setiap pohon atau setiap simpul. Kemudian, jadilah ide pengoptimalan node acak, di mana keputusan di setiap node dipilih dengan prosedur acak, dari optimasi deterministik yang pertama kali diperkenalkan oleh Dietterich.

''Random forest'' pertama kali di publikasikan dengan beberapa persiapan ialah melalui makalah oleh [[Leo Breiman]] Makalah ini menjelaskan metode membangun hutan pohon yang tidak berkorelasi menggunakan prosedur seperti CART (Classification And Regression Trees), dikombinasikan dengan pengoptimalan simpul acak dan [[Bootstrap aggregating|bagging]]. Selain itu, makalah ini menggabungkan beberapa bahan, beberapa sebelumnya dikenal dan beberapa novel, yang membentuk dasar dari praktik modern hutan acak, khususnya:

# Menggunakan ''out-of-bag error'' sebagai perkiraan kesalahan generalisasi.
# Mengukur variabel penting melalui permutasi.

Laporan ini juga menawarkan hasil teoretis pertama untuk ''random forest'' dalam bentuk batas pada kesalahan generalisasi yang tergantung pada kekuatan pohon di hutan dan korelasinya.

== Referensi ==

== Bacaan lanjutan ==

*
*

== Sumber dan atribusi ==

Artikel ini diadaptasi dalam mode teks dari
[https://id.wikipedia.org/w/index.php?title=Random_forest&oldid=29187998 Wikipedia bahasa Indonesia],
revisi 29187998 (2026-05-02T15:36:26Z).
Gambar, media, infobox, templat navigasi, dan kategori sumber
tidak diimpor ke Wiki Unissula.
Atribusi dan lisensi mengikuti ketentuan Creative Commons
Atribusi-BerbagiSerupa (CC BY-SA) pada sumber Wikipedia.