Hidayat, Muhammad Taufiq (2024) Perbandingan kinerja random forest dan regresi logistik pada klasifikasi penilaian kualitas peta konsep open-ended / Muhammad Taufiq Hidayat</p>. Diploma thesis, Universitas Negeri Malang.
Full text not available from this repository.Abstract
p Penelitian ini membandingkan kinerja dua algoritma machine learning Random Forest dan Regresi Logistik dalam pada klasifikasi penilaian kualitas peta konsep open-ended. Data akan dilakukan pembobotan menggunakan dua teknik pembobotan TF-IDF dan Word2Vec. Model akan dievaluasi menggunakan tiga skenario split data 90 10 80 20 dan 70 30. Tujuannya untuk menentukan algoritma mana yang memiliki kinerja lebih baik dalam hal akurasi presisi recall dan F1-score. Metode yang digunakan pada penelitian ini yaitu CRISP-DM yang banyak digunakan dalam memecahkan suatu masalah dengan mengolah data melalui fase terstruktur dan terdefinisi dengan jelas dan efisien. Hasilnya menunjukkan bahwa Algoritma Regresi Logistik berdasarkan pembobotan data TF-IDF memiliki akurasi lebih tinggi sebesar 0 827 dibandingkan algoritma Random Forest berdasarkan pembobotan data TF-IDF yang memiliki akurasi sebesar 0 808. Namun sebaliknya algoritma Random Forest berdasarkan pembobotan data Word2Vec memiliki akurasi lebih tinggi sebesar 0 695 dibandingkan algoritma Regresi Logistik berdasarkan pembobotan data Word2Vec memiliki akurasi sebesar 0 647. Selain itu pembobotan data menggunakan TF-IDF secara konsisten lebih baik dibandingkan dengan Word2Vec pada sebagian besar skenario. Melalui penelitian ini diharapkan dapat memberikan kontribusi dalam pengembangan teknologi penilaian otomatis yang dapat meningkatkan pembelajaran yang adaptif dan personal. /p
| Item Type: | Thesis (Diploma) |
|---|---|
| Divisions: | Fakultas Teknik (FT) > Departemen Teknik Elektro (TE) > S1 Teknik Informatika |
| Depositing User: | library UM |
| Date Deposited: | 11 Feb 2024 04:29 |
| Last Modified: | 09 Sep 2024 03:00 |
| URI: | http://repository.um.ac.id/id/eprint/400286 |
Actions (login required)
 |
View Item |