Uji empirik perbandingan algoritma svm, knn dan decision tree sebagai pengklasifikasian dasar terbaik dalam mengoptimalkan adaboost / Janualita Yanabilah</p>

Yanabilah, Janualita (2024) Uji empirik perbandingan algoritma svm, knn dan decision tree sebagai pengklasifikasian dasar terbaik dalam mengoptimalkan adaboost / Janualita Yanabilah</p>. Diploma thesis, Universitas Negeri Malang.

Full text not available from this repository.

Abstract

p Yanabilah Janualita. 2024. Uji Empirik Perbandingan Algoritma SVM KNN dan Decision Tree sebagai Pengklasifikasian Dasar Terbaik dalam Mengoptimalkan Adaboost. Skripsi Departemen Teknik Elektro dan Informatika Fakultas Teknik Universitas Negeri Malang. Pembimbing Utomo Pujianto S.Kom. M.Kom. Kata kunci Uji empirik Adaboost Decision Tree K-Nearest Neighbor Support Vector Machine Pemilihan algoritma data science yang sesuai menjadi kunci dalam memastikan hasil yang akurat dan dapat dipercaya. Salah satu pendekatan yang populer untuk meningkatkan performa model adalah penggunaan ensemble learning. Ensemble learning bekerja dengan menggabungkan klasifikasi mesin yang berbeda untuk membangun model yang lebih kuat dan dapat diandalkan. Adaboost sebagai salah satu metode ensemble learning yang populer sangat bergantung pada kualitas klasifikasi dasar. Oleh karena itu pemilihan algoritma dasar yang tepat sangat krusial dalam menentukan keberhasilan Adaboost secara keseluruhan. Dalam penelitian ini Support Vector Machine K-Nearest Neighbors dan Decision Tree menjadi kandidat yang menjanjikan sebagai algoritma dasar untuk mengoptimalkan Adaboost. Penelitian dilakukan menggunakan 130 dataset dengan berbagai kondisi. Proses penelitian dilakukan mulai dari pengumpulan data preprocessing pemodelan hingga evaluasi. Hasilnya diperoleh melalui Wilcoxon Signed Rank Test bahwa terdapat perbedaan signifikan antara algoritma SVM KNN dan Decision Tree sebagai base classifier Adaboost. Hal ini dibuktikan dengan nilai p lebih kecil dari tingkat signifikansi yang telah ditetapkan yaitu 0.05. Perbedaan praktis yang signifikan terlihat dari akurasi terbaik Decision Tree dan SVM yang didukung oleh nilai efek size terbesar sebesar -0 751. Selain itu KNN diidentifikasi sebagai base classifier yang stabil dalam Adaboost ketika jumlah instance dataset berada di rentang gt 100 dan /p

Item Type:	Thesis (Diploma)
Divisions:	Fakultas Teknik (FT) > Departemen Teknik Elektro (TE) > S1 Teknik Informatika
Depositing User:	library UM
Date Deposited:	10 Jun 2024 04:29
Last Modified:	09 Sep 2024 03:00
URI:	http://repository.um.ac.id/id/eprint/355589

Actions (login required)

View Item