Uji empirik pengaruh normalisasi pada kinerja klasifikasi algoritma support vector machine dan k-nearest neighbors / Zahratur Rafi\'ah</p>

Rafi'ah, Zahratur (2024) Uji empirik pengaruh normalisasi pada kinerja klasifikasi algoritma support vector machine dan k-nearest neighbors / Zahratur Rafi\'ah</p>. Diploma thesis, Universitas Negeri Malang.

Full text not available from this repository.

Abstract

p Penelitian ini secara eksperimen membandingkan kinerja klasifikasi Support Vector Machine (SVM) dan k-Nearest Neighbors (k-NN) dengan fokus pada perbandingan normalisasi dan tanpa normalisasi. Terdapat beberapa alasan penting yang mendukung perlunya penelitian ini. Pertama algoritma Support Vector Machine (SVM) dan k-Nearest Neighbors (k-NN) berperan krusial dalam dunia machine learning dan data mining karena kemudahan implementasinya kemampuan interpretasinya dan efektivitasnya dalam menangkap kompleksitas keputusan. Penting untuk secara empiris mengevaluasi dampak rentang nilai kinerja ini terhadap akurasi klasifikasi. Kedua perbandingan empiris membantu dalam menentukan parameter terbaik sehingga memungkinkan penggunanya yang lebih efektif sesuai dengan kebutuhan yang diinginkan. Dataset yang berbeda menunjukkan kompleksitas dan pola yang beragam dan pilihan antara Support Vector Machine (SVM) dengan k Nearest Neighbors (k-NN) dapat signifikan mempengaruhi kemampuan model. Ketiga banyak penelitian sebelumnya hanya menerapkan algoritma tanpa menyertai hasil evaluasi kinerja normalisasi algoritma yang digunakan. Penelitian ini melakukan uji empirik terhadap Support Vector Machine (SVM) dan k Nearest Neighbors(k-NN) menggunakan 117 dataset. Pendekatan ini melibatkan tahapan pengumpulan data pre-processing processing dan evaluasi. Hasilnya diperoleh melalui uji-t terbaik menggunakan parameter criterion seperti rbf linier poly dan sigmoid. Algoritma yang telah dinormalisasikan ternyata menunjukkan performa yang lebih baik dengan nilai perbandingan Support Vector Machine (SVM) memiliki rata-rata akurasi sebesar 0 78 dan normalisasi Support Vector Machine (SVM) sebesar 0 83. Sedangkan untuk algoritma k-Nearest Neighbors (k-NN) memiliki nilai rata-rata akurasi sebesar 0.82 Dan normalisasi K-Nearest vii Neighbors (k-NN) memiliki nilai sebesar 0.82. Dari penelitian dapat disimpulkan bahwa Algoritma Support Vector Machine (SVM) yang telah dinormalisasikan lebih baik dan menunjukkan perbedaan dengan nilai 0.327 yang menunjukkan terdapat perbedaan kinerja yang signifikan dibandingkan jika tidak menggunakan normalisasi. /p

Item Type:	Thesis (Diploma)
Divisions:	Fakultas Teknik (FT) > Departemen Teknik Elektro (TE) > S1 Teknik Informatika
Depositing User:	library UM
Date Deposited:	08 May 2024 04:29
Last Modified:	09 Sep 2024 03:00
URI:	http://repository.um.ac.id/id/eprint/355581

Actions (login required)

View Item