Skripsi

Analisis klasifikasi terbaik pada algoritma data mining berbasis bagging / Putri Gustini

Abstrak
Salah satu tantangan dalam komunitas data mining ialah permasalahan ketidakseimbangan kelas atau dikenal dengan imbalance datasets. Ketidakseimbangan data antar kelas akan menimbulkan resiko penurunan kinerja algoritma klasifikasi secara signifikan. Salah satu pendekatan yang dapat mengurangi resiko ketidakseimbangan kelas pada dataset adalah dengan ensemble learning yang salah satunya bagging. Bagging adalah metode ensemble yang sederhana namun efektif dan telah diterapkan untuk banyak aplikasi. Dalam penelitian ini menggunakan 56 dataset yang diperoleh dari situs online UCI dan Kaggle. Setiap dataset yang digunakan diterapkan Teknik bagging yang kemudian hasil dari bagging dilakukan klasifikasi menggunakan 5 algoritma antara lain Na iuml ve Bayes Decision Tree KNN Rule induction dan random forest. Kemudian dilakukan evaluasi berupa nilai akurasi presisi recall dan f-measure. Tahap terakhir ialah analisa hasil evaluasi yang dilakukan dengan mengkelompokkan hasilnya berdasarkan tipe atribut. Hasil penelitian ini menunjukkan bahwa Kombinasi antara algoritma klasifikasi dengan teknik bagging yang memberikan kinerja terbaik dari segi akurasi presisi recall dan f-measure yaitu kombinasi Algoritma Random Forest. Hal ini dibuktikan bahwa rata-rata nilai akurasi kombinasi Random Forest dengan bagging lebih baik dari 4 algoritma yang lain.

Informasi Detail

DDC

Rs 005.1 GUS a

Prodi

Universitas Negeri Malang. Program Studi Teknik Informatika, 2022.

Deskripsi Fisik

xiii, 60 lembar : ilus. ; 30 cm

Bahasa

Indonesia

No Reg

07889/KI/22

Edisi

Skripsi (Sarjana)--Universitas Negeri Malang. 2022

Subjek

1. ALGORITMA KOMPUTER - BAGGING
2. COMPUTER ALGORITHM - BAGGING

Pembimbing

1. Aji Prasetya Wibawa, S.t., M.mt., Ph.d;2. Utomo Pujianto, S.kom, M.kom

Lampiran Berkas