Menurut Larose(2005:116) hal yang menarik dari Decision Tree yaitu: memiliki konsep yang mudah dimengerti, membagi data pada setiap leaf tanpa kehilanagn data sedikitpun dan digunakan dakam bidang bisnis ataupun pemasaran.Â
MPohon keputusan memiliki 3 pendekatan yaitu klasifikasi pohon, regresi pohon dan klasifikasi C and RT.
2). Â Bayesian Classification
Algoritma bayesian classification/Naive bayes classifier adalah sebuah metode yang mengklasifikasikan data untuk digunakan memprediksikan probabilitas keanggotaan suatu kelas. Bayesian Classification didasarkan pada teorema Bayes yang memiliki kemampuan klasifikasi serupa decision tree dan neural network. Algoritma ini terbukti memiliki akurasi dan kecepatan yang tinggi saat diaplikasikan ke dalam database dengan data yang besar. Keuntungan dari penerapan algoritma Naive Bayes hanya membutuhkan jumlah data pelatihan/ training data yang kecil untuk menentukan estimasi parameter yang diperlukan dalam proses klasifikasian.
3). Â Neural Network
Algoritma neural network atau Jaringan Saraf Tiruan (JST) adalah metode yang terinspirasi dari jaringan syaraf otak manusia karena didesain mengikuti cara otak manusia melakukan proses dan menyimpan suatu informasi. Algoritma ini digunakan sebagai alat yang menggambarkan data statistik yang non-linear dengan menggambarkan hubungan yang kompleks antara input dan output. Algoritma neural network dianggap sebagai model yang membutuhkan proses pelatihan agar dapat melakukan prediksi kelas suatu data uji baru yang ditemukan.
4). K-Nearest Neighbors (K-NN)
Algoritma K-Nearest Neighbors (K-NN) adalah metode pendekatan untuk mencari kasus dengan menghitung kedekatan antara kasus yang baru dengan kasus lama berdasarkan pencocokan bobot dari sejumlah fitur yang ada. Algoritma K-NN bersifat lazy learning yang berarti tidak menggunkan titik data training untuk membuat model, kalaupun ada juga sangat minim. K-NN ini salah satu algoritma machine learning untuk regresi dan klasifikasi bahwa dat yang mirip akan ada dalam jarak yan berdekatan atau tetangga. K-NN ini menggunakan semua data yang ada berdasarkan kesamaan atau fungsi jarak.
5). Support Vector Machine (SVM)
Algoritma Support Vector Machine (SVM) adalah algoritma yang bekerja menggunakan pemetaan nonlinear untuk mengubah data pelatihan asli pelatihan asli ke dimensi yang lebih tinggi. Dimensi baru akan mencari hyperplane untuk memisahkan secara linear denagn pemetaan nonlinear ke dimensi yang cukup tinggi.  Persoalan ninlinear merupakan persoalan data yang tidak dapat dipisahkan secara linear yaitu  tidak ada sebuah garis  yang dapat dibuat sebagai pemisah antar kelas data. SVM  menemukan hyperplane menggunakan support  vector dan margin. Waktu pelatihan SVM kebanyakan lambat tetapi metode ini sangat akurat karean kemapuannya menangani model nonlinear yang kompleks.
2. Contoh Penerapan Algoritma Klasifikasi