Skripsi

Uji empirik perbandingan kinerja klasifikasi adaboost berbasis decision tree berdasarkan perbedaan splitting criterion / I Kadek Dwi Andika Candradana

Abstrak
ABSTRAK Candradana I Kadek Dwi Andika. 2024. Uji Empirik Perbandingan Kinerja Klasifikasi Adaboost berbasis Decision Tree Berdasarkan Perbedaan Splitting Criterion. Skripsi Departemen Teknik Elektro dan Informatika Fakultas Teknik Universitas Negeri Malang. Pembimbing Utomo Pujianto S.Kom. M.Kom. Kata kunci Uji Empirik Perbandingan Kinerja Klasifikasi AdaBoost Decision Tree Splitting Criterion Eksperimen penelitian uji empiris terhadap kinerja klasifikasi AdaBoost berbasis pohon keputusan dengan splitting criterion yang berbeda sangatlah penting. Model klasifikasi AdaBoost adalah metode pembelajaran ansambel yang populer model ini mengandalkan pembelajar yang lemah seperti pohon keputusan untuk membuat pengklasifikasi yang kuat. Pemilihan splitting criterion atau kriteria pemisahan dalam pohon keputusan ini dapat mempengaruhi kinerja keseluruhan ansambel AdaBoost secara signifikan. Uji empiris sangat penting untuk mengevaluasi secara sistematis bagaimana splitting criterion yang berbeda seperti gain ratio information gain gini index dan accuracy dapat berdampak pada accuracy atau keakuratan algoritma AdaBoost di beragam kumpulan data. Memahami keterkaitan antara AdaBoost dan berbagai splitting criterion merupakan hal mendasar bagi para praktisi sehingga dapat memandu mereka untuk memilih strategi yang paling tepat untuk meningkatkan pembelajar yang lemah berdasarkan karakteristik data mereka. Penelitian ini membahas kebutuhan untuk mengoptimalkan metode pembelajaran ansambel untuk berbagai tugas. Pohon keputusan dengan berbagai splitting criterion memperoleh informasi secara berbeda bergantung pada kompleksitas dan pola dalam data. Uji empiris memungkinkan para peneliti untuk mengidentifikasi skenario di mana satu splitting criterion lebih unggul daripada kriteria lainnya dalam kerangka AdaBoost sehingga memandu para praktisi dalam memilih konfigurasi yang paling efektif untuk aplikasi tertentu. Pengetahuan ini sangat penting untuk menyesuaikan model AdaBoost dengan berbagai karakteristik data yang berbeda memaksimalkan kinerja dan kemampuan adaptasinya dalam skenario dunia nyata. Kesimpulannya melakukan penelitian empiris tentang kinerja klasifikasi AdaBoost berbasis pohon keputusan dengan kriteria pemisahan yang berbeda sangat penting untuk meningkatkan pemahaman pembelajaran ansambel. Penelitian ini memberdayakan para praktisi dengan wawasan berbasis bukti memfasilitasi pengembangan model AdaBoost yang lebih akurat dan mudah beradaptasi di berbagai aplikasi dunia nyata. Dalam penelitian ini sebanyak 117 dataset digunakan untuk mengevaluasi kinerja AdaBoost dengan berbagai kriteria pemisahan. Hasilnya menunjukkan bahwa pemilihan kriteria pemisahan yang tepat dapat secara signifikan meningkatkan akurasi dari model AdaBoost berbasis pohon keputusan.

Informasi Detail

DDC

SKRIPSI DIGITAL

Prodi

Universitas Negeri Malang. Program Studi Teknik Informatika, 2024.

Deskripsi Fisik

xv, 36 hlm. : ilus.

Bahasa

Indonesia

No Reg

4741/RS/24

Edisi

Skripsi (Sarjana)--Universitas Negeri Malang. 2024

Subjek

1. UJI EMPRIK
2. KLASIFIKASI ADABOOST
3. DECISION TREE
4. SPLITTING CRITERION
5. EMPIRICAL TEST

Pembimbing

1. Utomo Pujianto, S.kom, M.kom

Lampiran Berkas