Pohon Keputusan untuk Klasifikasi Tingkat Kesehatan Terumbu Karang dari Tutupan Karang dan Kekeruhan

Info proyek

• Bidang studiPerikanan dan Kelautan
• JenjangSkripsi (S1)
• Jenis metodeKlasifikasi
• Perkiraan pengerjaan± 3 hari kerja
• Perangkatscikit-learn DecisionTreeClassifier, plot_tree, export_text
• HargaRp 300.000 - Rp 1.950.000

Tujuan analisis

Mengklasifikasikan tingkat kesehatan terumbu menggunakan fitur tutupan karang hidup dan kekeruhan dengan Pohon Keputusan lalu menilai akurasinya.

Variabel

Contoh hasil

• 0.876Accuracy
• 0.889Precision
• 0.87Recall
• 0.879F1-score
• 4Tree depth
• 12Leaves

Model pohon keputusan mengklasifikasikan Tingkat kesehatan terumbu (rendah/tinggi) dari Tutupan karang hidup dan Kekeruhan dengan akurasi uji 0.876, F1 0.879 dan AUC 0.896. Kedalaman pohon 4 dengan 12 daun.

Dihitung dari data sintetis sebagai ilustrasi, bukan dari penelitian nyata.

Tentang Pohon Keputusan

Pohon keputusan membagi data secara rekursif dengan aturan jika-maka sehingga mudah dibaca dan divisualisasikan. Cocok untuk klasifikasi yang hasilnya perlu dijelaskan sebagai aturan kepada pembaca non-teknis.

Langkah pengerjaan

1. 1Bagi data latih dan uji secara berstrata
2. 2Latih DecisionTreeClassifier dengan batas max_depth
3. 3Pangkas pohon (ccp_alpha atau min_samples_leaf) untuk mengurangi overfitting
4. 4Evaluasi akurasi dan F1 pada data uji
5. 5Gambar pohon dan baca aturannya
6. 6Hitung pentingnya fitur

Asumsi yang perlu diperiksa

• Pohon dalam mudah overfitting sehingga kedalaman harus dibatasi
• Hasil sensitif terhadap perubahan kecil pada data
• Kelas sebaiknya tidak terlalu timpang

Membaca dan melaporkan hasil

Tampilkan diagram pohon dan terjemahkan cabang utamanya menjadi aturan bermakna, disertai akurasi data uji. Sebutkan bahwa pohon tunggal kurang stabil dibanding ensambel.

Contoh kode Python

Skrip awal singkat dengan nama variabel proyek ini. Versi yang diserahkan disesuaikan dengan data Anda dan diberi komentar lengkap.

import numpy as np
import matplotlib.pyplot as plt
from sklearn.tree import DecisionTreeClassifier, plot_tree, export_text
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score, f1_score

rng = np.random.default_rng(21)
n = 300
live_coral_cover = rng.normal(0, 1, n)
turbidity = rng.normal(0, 1, n)
reef_health_category = ((live_coral_cover > 0.2) & (turbidity < 0.5)).astype(int)
flip = rng.random(n) < 0.05
reef_health_category[flip] = 1 - reef_health_category[flip]

X = np.column_stack([live_coral_cover, turbidity])
X_tr, X_te, y_tr, y_te = train_test_split(X, reef_health_category, test_size=0.3, stratify=reef_health_category, random_state=21)
tree = DecisionTreeClassifier(max_depth=3, min_samples_leaf=5, random_state=21)
tree.fit(X_tr, y_tr)
pred = tree.predict(X_te)
print("Accuracy:", round(accuracy_score(y_te, pred), 3))
print("F1:", round(f1_score(y_te, pred), 3))
print("Importance:", tree.feature_importances_.round(3))
print(export_text(tree, feature_names=["x1", "x2"]))

plt.figure(figsize=(9, 5))
plot_tree(tree, feature_names=["x1", "x2"], class_names=["0", "1"], filled=True)
plt.show()

Paket dan harga

Pilih seberapa banyak bantuan yang Anda perlukan. Setiap paket yang lebih tinggi sudah mencakup semua item paket di bawahnya. Harga belum termasuk PPN 11%.

• Pembayaran: DP 50% sebelum pekerjaan dimulai, pelunasan setelah hasil diserahkan
• Pajak: Harga belum termasuk PPN 11%
• Data dan integritas akademik: Hasil dihitung dari data penelitian Anda sendiri; Anda yang menulis dan mempertanggungjawabkan naskah, kami membantu analisis dan pemahaman
• Revisi: Maksimal 2 kali revisi termasuk dalam harga (Paket 3: 3 kali)

Pertanyaan umum