Skripsi

Uji empirik perbandingan kinerja algoritma klasifikasi pasca reduksi dimensi berbasis korelasi antar atribut / Dinda Rahma Juwita

Abstrak
Perkembangan teknologi dan era big data menghasilkan kumpulan data berdimensi tinggi yang menawarkan informasi berharga namun menimbulkan tantangan signifikan terutama dalam klasifikasi karena sering mengandung atribut yang tidak relevan atau redundan yang dapat mengganggu kinerja algoritma. Reduksi dimensi menjadi solusi penting dengan menghilangkan atribut redundan melalui pendekatan korelasi antar atribut untuk meningkatkan efisiensi dan akurasi model klasifikasi. Penelitian ini bertujuan melakukan uji empiris guna mengetahui perbedaan performa algoritma Random Forest dan Naive Bayes pasca reduksi dimensi berbasis korelasi antar atribut. Penelitian ini melibatkan 248 dataset dengan karakteristik beragam. Metode yang digunakan meliputi preprocessing data penerapan correlation matrix untuk menghitung korelasi antar atribut eliminasi atribut redundan pemodelan menggunakan Random Forest dan Naive Bayes serta evaluasi kinerja dengan metrik akurasi. Hasil penelitian menggunakan uji statistic Wilcoxon signed rank test menunjukkan bahwa algoritma Random Forest mengalami peningkatan kinerja yang signifikan secara statistik (p 0.008 p lt 0.05) sedangkan Naive Bayes tidak menunjukkan perbedaan kinerja yang signifikan (p 0.549 p gt 0.05). Perbedaan ini mencerminkan karakteristik unik masing-masing algoritma dalam merespons penghapusan atribut yang berkorelasi tinggi.

Informasi Detail

DDC

SKRIPSI DIGITAL

Prodi

Universitas Negeri Malang. Program Studi Teknik Informatika, 2025.

Deskripsi Fisik

vii, 59 hlm. : ilus.

Bahasa

Indonesia

No Reg

0155/RS/25

Edisi

Skripsi (Sarjana)--Universitas Negeri Malang. 2025

Subjek

Pembimbing

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

Lampiran Berkas