ALGORITMA XGBOOST UNTUK MENINGKATKAN KINERJA MODEL MACHINE LEARNING PADA MULTICLASS IMBALANCED DATASET

Murakabiman, Zulfikar (2022) ALGORITMA XGBOOST UNTUK MENINGKATKAN KINERJA MODEL MACHINE LEARNING PADA MULTICLASS IMBALANCED DATASET. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

[img] Text (COVER-ABSTRAK)
COVER.pdf
Download (1MB)
[img] Text (BAB I)
BAB I.pdf
Download (375kB)
[img] Text (BAB II)
BAB II.pdf
Restricted to Registered users only
Download (806kB)
[img] Text (BAB III)
BAB III.pdf
Restricted to Registered users only
Download (461kB)
[img] Text (BAB IV)
BAB IV.pdf
Restricted to Registered users only
Download (475kB)
[img] Text (BAB V)
BAB V.pdf
Download (57kB)
[img] Text (DAFTAR PUSTAKA)
Daftar Pustaka.pdf
Restricted to Registered users only
Download (161kB)
[img] Archive (SOURCE CODE)
Source Code-18.11.2474-Zulfikar Murakabiman - Zulfikar Murakabiman.zip
Restricted to Repository staff only
Download (89kB)
[img] Text (PUBLIKASI)
Publikasi-18.11.2474-Zulfikar Murakabiman - Zulfikar Murakabiman.pdf
Restricted to Repository staff only
Download (902kB)

Abstract

Permasalahan ketidakseimbangan kelas pada dataset (imbalanced dataset) merupakan kondisi dimana nilai dari kelas minoritas sangat jauh lebih kecil dengan kelas mayoritas atau sangat kurang memadai sehingga model lebih mengenali pola pada kelas mayoritas dibanding kelas minoritas. Permasalahan tersebut merupakan salah satu tantangan yang sangat penting dalam penelitian machine learning, sehingga telah dikembangkan beberapa metode untuk mengatasinya. Namun metodemetode tersebut mayoritas hanya terfokus pada binary dataset, sehingga masih belum banyak metode yang terfokus pada multiclass dataset. Penanganan multiclass tentu lebih sulit daripada binary karena melibatkan kelas yang lebih banyak. Untuk itu diperlukan algoritma yang memiliki fitur yang dapat mendukung penyesuaian terhadap kesulitan-kesulitan yang muncul pada multiclass imbalanced dataset, salah satu algoritma ensemble yang memiliki fitur-fitur untuk penyesuaian adalah algoritma XGBoost. Pada 8 dari 9 dataset dengan metrik evaluasi balanced accuracy, g-mean, MAUC, sensitivity, dan specificity, algoritma XGBoost mampu mengungguli algoritma klasifikasi dan algoritma ensemble lain. Bahkan menyentuh nilai sempurna yaitu 1.00 pada dataset new-thyroid.

Item Type: Thesis (S1 - Sarjana)
Contributor:
Pembimbing
Pristyanto, Yoga
Uncontrolled Keywords: Boosting, XGBoost, Ketidakseimbangan Kelas, Multiclass, Klasifikasi, Class Imbalance, Classification
Subjects: 000 - Komputer, Informasi dan Referensi Umum > 000 Ilmu komputer, ilmu pengetahuan dan sistem-sistem > 001 Ilmu pengetahuan
000 - Komputer, Informasi dan Referensi Umum > 000 Ilmu komputer, ilmu pengetahuan dan sistem-sistem > 002 Buku (topik menulis, perpustakaan, dan buku)
Divisions: Fakultas Ilmu Komputer > Informatika
Depositing User: RC Universitas AMIKOM Yogyakarta
Date Deposited: 09 Jun 2022 01:33
Last Modified: 08 Aug 2023 02:40
URI: http://eprints.amikom.ac.id/id/eprint/517

Actions (login required)

View Item View Item