Kesulitan dalam pemilihan algoritma machine learning sering disebabkan oleh banyaknya algoritma yang tersedia, masing masing memiliki kelebihan dan kekurangannya masing masing. Penelitian ini ditujukan untuk menyelidiki kinerja tiga algoritma pembelajaran mesin berbasis pohon yang populer: Decision Trees (CART), Random Forest (RF), dan Xtreme Gradient Boost (XGB). Algoritma berbasis pohon memiliki hyperparameter dasar yang sama, yaitu kedalaman (max_depth) dan kriteria (criterion). Tambahan parameter seperti n_estimator untuk bagging dan learning_rate untuk boosting juga diperlukan dalam pendekatan beberapa algoritma tersebut. Tujuan dari penelitian ini adalah untuk mengidentifikasi algoritma yang paling sesuai untuk tugas klasifikasi multi kelas, mengingat banyaknya pilihan algoritma yang tersedia. Evaluasi dilakukan menggunakan metodologi SEMMA dan confusion matrix yang mencakup accuracy dan f1-score, pada klasifikasi multi kelas menggunakan dataset klasifikasi tingkat risiko pendaftar asuransi. Penyetelan parameter berpengaruh penting dalam membantu mengoptimalkan kinerja algoritma, meskipun beberapa parameter menunjukkan pengaruh yang negatif terhadap hasil kinerja. Hasil penelitian ini merekomendasikan model RF yang memiliki nilai akhir sebesar 0.808 yang mampu melampaui model lainnya yaitu CART dan XGB dengan waktu yang dibutuhkan adalah sekitar 16 menit. Hal ini menunjukan kinerja random forest lebih efektif dalam menangani kompleksitas data multi-class khususnya dalam konteks dataset tingkat resiko pendaftar asuransi.
Kata Kunci:CART;Confusion matrix;Multi Kelas;SEMMA