Perbandingan Kinerja Algoritma Decision Tree dan Random Forest Untuk Klasifikasi Nutrisi Pada Makanan Cepat Saji

Makanan cepat saji telah menjadi bagian penting dari gaya hidup modern yang sibuk, makanan cepat saji lebih digemari karena membuat makan menjadi mudah dan nyaman. Anak muda zaman sekarang sangat menyukai makanan instan. namun, konsumsi makanan instan yang berlebihan dapat memicu berbagai masalah kesehatan, termasuk pola makan yang obsesif. Hal ini menimbulkan kebutuhan untuk mengembangkan metode analisis yang lebih akurat untuk mengklasifikasikan data nutrisi makanan cepat saji, tujuan klasifikasi adalah untuk memperoleh model pohon keputusan yang dapat digunakan untuk mengantisipasi dan memperhatikan bagaimana variable pada data yang berhubungan satu sama lain. Dalam membandingkan kinerja Algoritma Decision Tree dan Random Forest dalam memproses data nutrisi makanan cepat saji ditemukan bahwa semua variabel memiliki korelasi. Hasil implementasi ditemukan bahwa kedua model memiliki kemampuan yang luar biasa. kinerja Algoritma Decision Tree dan Random Forest pada dataset yang sama, Random Forest mengungguli Decision Tree dengan nilai akurasi 66.67%, sedangkan Decision Tree hanya mencapai 55.56%, menunjukkan bahwa Random Forest mampu memberikan prediksi yang lebih akurat untuk kelas data uji. Selain itu, karakteristik kelompok Random Forest, di mana beberapa pohon keputusan digabungkan, memberikan keunggulan dalam menangani kompleksitas data dan meningkatkan generalisasi model. Hasil ini menunjukkan bahwa pembelajaran kelompok dapat meningkatkan kinerja dan keandalan prediksi dalam membangun model klasifikasi, terutama dalam kasus dataset yang kompleks.
Kata kunci:
Decision Tree; Gaya Hidup; Klasifikasi; Makanan; Random Forest.