ANALISIS PERBANDINGAN OPTIMASI HYPERPARAMETER GRID SEARCH DAN RANDOM SEARCH PADA ALGORITMA XGBOOST UNTUK KLASIFIKASI PRAKIRAAN CUACA

Arianto, Fauzul Akbar (2026) ANALISIS PERBANDINGAN OPTIMASI HYPERPARAMETER GRID SEARCH DAN RANDOM SEARCH PADA ALGORITMA XGBOOST UNTUK KLASIFIKASI PRAKIRAAN CUACA. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER - ABSTRAK) COVER.pdf - Published Version Download (4MB)
	Text (BAB I) BAB I.pdf - Published Version Download (240kB)
	Text (BAB II) BAB II.pdf - Published Version Restricted to Registered users only Download (938kB)
	Text (BAB III) BAB III.pdf - Published Version Restricted to Registered users only Download (461kB)
	Text (BAB IV) BAB IV.pdf - Published Version Restricted to Registered users only Download (843kB)
	Text (BAB V) BAB V.pdf - Published Version Download (88kB)
	Text (DAFTAR PUSTAKA) Daftar Pustaka.pdf - Published Version Restricted to Registered users only Download (110kB)
	Archive (SOURCE CODE) Sourcecode - 20.11.3643.zip Restricted to Repository staff only Download (7MB)
	Text (PUBLIKASI) Publikasi.pdf - Published Version Restricted to Repository staff only Download (714kB)

Abstract

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.

Actions (login required)

View Item