Skripsi

Uji empirik perbandingan kinerja klasifikasi algoritma random forest dengan splitting criterion berbeda / Indira Rahmawati

Abstrak
Penelitian empiris dilakukan untuk membandingkan kinerja splitting criterion pada klasifikasi random forest. Salah satu algoritma klasifikasi yang cukup populer adalah algoritma random forest. Random forest merupakan sebuah metode pembelajaran ensemble yang terkenal dengan membentuk suatu model menggunakan beberapa pohon keputusan (decision tree). Faktor penting yang mempengaruhi kinerja random forest merupakan kriteria pemisahan (splitting criterion) yang digunakan dalam pembentukan pohon keputusan yang membentuk basis dari random forest. Splitting criterion dalam algoritma random forest berguna sebagai pengukur perolehan informasi dengan berbagai cara yang berbeda. Pengujian empiris ini memungkinkan peneliti untuk mengidentifikasi dimana satu kriteria lebih unggul daripada yang lain atau sebaliknya. Informasi ini berguna untuk menyesuaikan model pohon keputusan dengan karakteristik khusus dari dataset tertentu yang dapat meningkatkan kemampuan kinerja model. Kesimpulan dari penelitian uji empiris ini bertujuan untuk mengetahui apakah ada perbandingan kinerja yang signifikan antar splitting criterion pada klasifikasi algoritma random forest. Penelitian ini juga membantu dan memberikan panduan yang lebih baik untuk para praktisi dalam pemilihan parameter criterion yang optimal dalam pengembangan model berbasis random forest.

Informasi Detail

DDC

SKRIPSI DIGITAL

Prodi

Universitas Negeri Malang. Program Studi Teknik Informatika, 2024.

Deskripsi Fisik

xiv, 30 hlm. : ilus.

Bahasa

Indonesia

No Reg

2206/RS/24

Edisi

Skripsi (Sarjana)--Universitas Negeri Malang. 2024

Subjek

1. ALGORITMA KOMPUTER
2. COMPUTER ALGORITHM

Pembimbing

1. Utomo Pujianto, S.Kom, M.Kom

Lampiran Berkas