%0 Thesis
%9 S1 - Sarjana
%A Arianto, Fauzul Akbar
%A Universitas AMIKOM Yogyakarta,
%B Fakultas Ilmu Komputer
%D 2026
%F universitasamikomyogyakarta:33166
%I Universitas AMIKOM Yogyakarta
%K XGBoost, Hyperparameter Tuning, Grid Search, Random Search, Weather  Classification, Klasifikasi  Cuaca.
%T ANALISIS PERBANDINGAN OPTIMASI HYPERPARAMETER  GRID SEARCH DAN RANDOM SEARCH PADA ALGORITMA XGBOOST  UNTUK KLASIFIKASI PRAKIRAAN CUACA
%U https://eprints.amikom.ac.id/id/eprint/33166/
%X Penelitian ini bertujuan untuk menganalisis dan membandingkan pengaruh optimasi  hyperparameter menggunakan metode Grid Search dan Random Search pada algoritma  Extreme Gradient Boosting (XGBoost) untuk klasifikasi prakiraan cuaca. Dataset yang  digunakan berasal dari Global Weather Repository yang diperoleh dari Kaggle, kemudian  melalui tahapan prapemrosesan data yang meliputi pemilihan fitur, pembersihan data,  transformasi data, pemisahan data latih dan data uji, serta penyeimbangan data menggunakan  Synthetic Minority Oversampling Technique (SMOTE). Evaluasi model dilakukan  menggunakan metrik accuracy, precision, recall, dan F1-score, sedangkan proses optimasi  hyperparameter menggunakan validasi silang (cross-validation) sebanyak 3 lipatan. Hasil  penelitian menunjukkan bahwa model XGBoost dasar memperoleh accuracy sebesar 0.8210,  sedangkan model hasil Grid Search memperoleh accuracy sebesar 0.8309 dan model hasil  Random Search memperoleh accuracy sebesar 0.8358. Pada proses validasi silang, Grid Search  menghasilkan CV Score tertinggi sebesar 0.9116, sementara Random Search memperoleh CV  Score sebesar 0.9091. Namun, hasil pengujian pada data uji menunjukkan bahwa Random  Search menghasilkan performa terbaik berdasarkan accuracy, precision, recall, dan F1-score.  Hasil penelitian menunjukkan bahwa optimasi hyperparameter mampu meningkatkan  performa XGBoost dalam klasifikasi kondisi cuaca, serta menunjukkan bahwa nilai validasi  silang yang lebih tinggi tidak selalu menghasilkan performa terbaik pada data pengujian.  Dengan demikian, Random Search menjadi metode optimasi yang memberikan performa  terbaik pada dataset dan ruang parameter yang digunakan dalam penelitian ini.