Skripsi

Uji empirik perbandingan algoritma svm, knn dan decision tree sebagai pengklasifikasian dasar terbaik dalam mengoptimalkan bagging / Moh Iqbal Al Fatah

Abstrak
Penggunaan teknologi dalam beberapa dekade terakhir ini sangat mempengaruhi kemajuan teknologi dan sangat memainkan peran dalam mengubah cara data science. Teknologi baru seperti pemrosesan data pengklasifikasi data dan algoritma pencarian yang canggih telah membuka pintu bagi analisis yang lebih mendalam dari data yang kompleks dan besar pengklasifikasi data merupakan aspek yang sangat penting dalam proses pengambilan keputusan berbasis data. Dalam upaya meningkatkan akurasi dan stabilitas model klasifikasi teknik ensemble seperti Bagging telah menjadi perhatian utama. Dalam penelitian ini Support Vector Machine (SVM) K-Nearest Neighbors (KNN) dan Decision Tree menjadi kandidat yang menjanjikan sebagai algoritma dasar untuk mengoptimalkan Bagging. Penelitian dilakukan dengan menggunakan 172 dataset dengan berbagai kondisi. Proses penelitian dilakukan mulai dari pengumpulan data preprocessing pemodelan hingga evaluasi. Hasilnya diperoleh melalui Wilcoxon Signed Rank Test bahwa terdapat perbedaa signifikan antara algoritma SVM KNN dan Decision Tree sebagai base classifier Bagging. Hal ini dibuktikan dengan nilai p lebih kecil dari tingkat signifikansi yang telah ditetapkan yaitu 0.05. Selain itu melalui perhitungan rata-rata antara ketiga algoritma ditemukan bahwa Decision Tree menjadi base classifier terbaik Bagging dengan selisih akurasi terbaik dan teburuk sebesar 0.069.

Informasi Detail

DDC

SKRIPSI DIGITAL

Prodi

Universitas Negeri Malang. Program Studi Teknik Informatika, 2024.

Deskripsi Fisik

xi, 45 Lembar. : ilus.

Bahasa

Indonesia

No Reg

3991/RS/24

Edisi

Skripsi (Sarjana)--Universitas Negeri Malang. 2024

Subjek

Uji empirik, Bagging, Decision Tree, K-Nearest Neighbor, Support Vector Machine

Pembimbing

1. Aji Prasetya Wibawa, S.t., M.mt., Ph.d

Lampiran Berkas