PENERAPAN ALGORITMA GRADIENT BOOSTED DECISION TREES PADA ADABOOST UNTUK KLASIFIKASI STATUS DESA

Firmansyah, Hasbi and Abidin, Zainal (2022) PENERAPAN ALGORITMA GRADIENT BOOSTED DECISION TREES PADA ADABOOST UNTUK KLASIFIKASI STATUS DESA. Jurnal Ilmiah JIAII : Jurnal Informatika UPS, 1 (1). pp. 27-35. ISSN 2985-5152

Text Jurnal Informatika.pdf Download (1MB)

Abstract

Sistem informasi masuk di desa, harus bekerjasama dengan pihak terkait salah satunya dengan Kementerian Desa PDTT bekerjasama dengan Badan Perencanaan Pembangunan Nasional dan Badan Pusat Statistik. Salah satu metode paling populer untuk menyelesaikan masalah ketidakseimbangan kelas adalah pengambilan. Namun, metode under-sampling dan over-sampling yang paling banyak digunakan mengubah distribusi kelas asli dari data yang tidak seimbang dengan menghilangkan instance kelas mayoritas atau meningkatkan instance kelas minoritas. Gradient Boosted Decision Tree (GBDT) adalah algoritma ensemble dari model regresi atau model pohon klasifikasi yang menggabungkan fungsi-fungsi parameter sederhana dengan hasil yang 'buruk' (tingginya kesalahan prediksi) untuk menciptakan prediksi yang sangat akurat. algoritma yang diusulkan memiliki kinerja terbaik dengan nilai rata-rata adalah 88.91% dibandingkan dengan algoritma lainnya di mana masing-masing nilai accuracy nya adalah 63.26%,40.16%, 78.13%, 84.38%. Algoritma unggul kedua, ketiga dan keempat adalah metode Adabost+GBDT,GBDT,DT dan NB. Pada pengukuran Classification Error, algoritma yang diusulkan memiliki nilai rata-rata classification error pertama paling kecil dibanding algoritma lainnya, nilai masing- masing adalah 36.74% (DT), 59.84% (NB), 21.87% (GBDT), 15.62% (Adaboost+GBDT) dan 11.09%(SMOTE+Adaboost+GBDT metode usulan)

Actions (login required)

View Item