Klasifikasi Data Bunga Iris dengan Metode CART

Metode CART adalah sebuah metode eksplorasi yang mengubah data yang sangat besar menjadi pohon keputusan yang merepresentasikan suatu aturan.

Memanggil data

data("iris")
data_iris <- iris

Melihat tipe-tipe variabel data

str(iris)

## 'data.frame':    150 obs. of  5 variables:
##  $ Sepal.Length: num  5.1 4.9 4.7 4.6 5 5.4 4.6 5 4.4 4.9 ...
##  $ Sepal.Width : num  3.5 3 3.2 3.1 3.6 3.9 3.4 3.4 2.9 3.1 ...
##  $ Petal.Length: num  1.4 1.4 1.3 1.5 1.4 1.7 1.4 1.5 1.4 1.5 ...
##  $ Petal.Width : num  0.2 0.2 0.2 0.2 0.2 0.4 0.3 0.2 0.2 0.1 ...
##  $ Species     : Factor w/ 3 levels "setosa","versicolor",..: 1 1 1 1 1 1 1 1 1 1 ...

Membuat data training dan data testing

indexes = sample(150, 110)
iris_train = iris[indexes,]
iris_test = iris[-indexes,]

Membuat Model CART

library(rpart)
library(rpart.plot)
ctree = rpart(Species ~., data = iris_train, method = "class")
rpart.plot(ctree)

Prediksi dari data testing

Prediksi_Species = predict(ctree, iris_test)
iris_test$Prediksi_Species = Prediksi_Species
head(iris_test)

##    Sepal.Length Sepal.Width Petal.Length Petal.Width Species
## 2           4.9         3.0          1.4         0.2  setosa
## 4           4.6         3.1          1.5         0.2  setosa
## 9           4.4         2.9          1.4         0.2  setosa
## 10          4.9         3.1          1.5         0.1  setosa
## 14          4.3         3.0          1.1         0.1  setosa
## 16          5.7         4.4          1.5         0.4  setosa
##    Prediksi_Species.setosa Prediksi_Species.versicolor
## 2                        1                           0
## 4                        1                           0
## 9                        1                           0
## 10                       1                           0
## 14                       1                           0
## 16                       1                           0
##    Prediksi_Species.virginica
## 2                           0
## 4                           0
## 9                           0
## 10                          0
## 14                          0
## 16                          0