Penerapan Dizcretization dan Teknik Bagging Untuk Meningkatkan Akurasi Klasifikasi Berbasis Ensemble pada Algoritma C4.5 dalam Mendiagnosa Diabetes

Mirqotussa’adah, Mirqotussa’adah; Muslim, Much Aziz; Sugiharti, Endang; Prasetiyo, Budi; Alimah, Siti

doi:10.24843/lkjiti.2017.v08.i02.p07

Cited by 12 publications

(10 citation statements)

References 6 publications

(7 reference statements)

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…XGBoost ditemukan pada Tahun 2016 oleh Tianqi Chen [12], dimana metode XGBoost merupakan pengembangan dari algoritma GBDT (Gradient Boosting Decision Tree) yang sebelumnya ditemukan oleh Friedman [13]. XGBoost merupakan pustaka machine learning yang dapat digunakan untuk melakukan prediksi maupun klasifikasi, sama seperti metode lainnya XGBoost juga dapat diterapkan pada berbagai bidang seperti pendidikan [14], kesehatan [15], pemerintahan [6] dan lain-lain. XGBoost dalam prosesnya memerlukan beberapa parameter sebagai acuan diantaranya adalah sebagai berikut [16]…”

Section: Kajian Pustaka 31 Xgboostunclassified

Prediksi Kecelakaan Lalu Lintas di Bali dengan XGBoost pada Python

Pinata

Sukarsa

Rusjayanthi

2020

JIM

View full text Add to dashboard Cite

Tingginya pertumbuhan penduduk di Indonesia menyebabkan kepemilikan kendaraan bermotor pribadi semakin tinggi yang mempengaruhi meningkatnya kemacetan dan juga kecelakaan lalu lintas. Peramalan angka kecelelakan lalu lintas dilakukan pada penelitian ini sebagai salah satu upaya yang dapat dimanfaatkan sebagai dasar tindakan antisipasi terkait peningkatan angka kecelelakaan lalu lintas. Penelitian ini bertujuan untuk meramalkan kecelakaan lalu lintas menurut akibatnya menggunakan Xtreme Gradient Boosting (XGBoost) dengan bahasa pemrograman Python. Data yang digunakan dalam penelitian ini yaitu data dari Badan Pusat Statistik Provinsi Bali dengan periode dari Tahun 1996 sampai dengan Tahun 2019 dalam selang waktu tahunan. Hasil peramalan diukur menggunakan RMSE (Root Mean Square Error). Penerapan XGBoost untuk meramalkan data kecelakaan lalu lintas menurut akibatnya, menunjukkan model XGBoost memiliki performa yang sangat baik pada dua kategori yaitu kategori jumlah orang meninggal akibat kecelakaan dengan nilai RMSE 4,92 dan jumlah orang yang mengalami luka berat dengan nilai RMSE 4,11. Nilai RMSE model XGBoost untuk kategori jumlah kejadian kecelakaan lalu lintas yaitu sebesar 21,69 dan kategori orang yang mengalami luka ringan akibat kecelakaan yaitu sebesar 77,24.

show abstract

Section: Kajian Pustaka 31 Xgboostunclassified

Prediksi Kecelakaan Lalu Lintas di Bali dengan XGBoost pada Python

Pinata

Sukarsa

Rusjayanthi

2020

JIM

View full text Add to dashboard Cite

show abstract

“…Sedangkan untuk metode ensemble yaitu penggunaan meta-algorithms dengan menggunakan bagging untuk melatih dataset yang telah dilakukan pra-pemrosesan mendapatkan hasil tertinggi yaitu 98,7%. Bagging mampu meningkatkan kinerja model decision tree dikarenakan bisa mengurangi adanya variance dan overfitting pada model [19]. Selain itu, bagging merupakan metode yang cocok untuk decision tree sebagai model yang berubah jika data pelatihannya ikut berubah.…”

Section: Gambar 3 Hasil Akurasi 3 Skenario Yang Diusulkanunclassified

Meta-Algorithms untuk Meningkatkan Kinerja Klasifikasi dalam Keberhasilan Telemarketing Perbankan

Purbaya¹,

Nugraha²,

Gustina³

et al. 2020

View full text Add to dashboard Cite

Banyak bank dan perusahaan asuransi berinteraksi dengan pelanggan mereka menggunakan jasa telemarketing agar dapat lebih meningkatkan pendapatan bank dan mencapai target. Kompetisi yang ketat di industri perbankan membuat tenaga penjualan bank mengejar target terutama menjelang akhir tahun. Pelaku telemarketing atau biasa disebut telemarketer pada perbankan bertugas menghubungi nasabah potensial yang dilakukan secara berkala melalui sambungan telepon. Namun tidak semua nasabah mendapatkan respons yang positif, sering kali telemarketing menemui antipati dari nasabah sebelum proses komunikasi dilakukan. Pendekatan yang diusulkan untuk menemukan nasabah potensial adalah dengan cara klasifikasi data nasabah menggunakan pembelajaran mesin (machine learning). Penggunaan algoritme pembelajaran yang dilakukan secara tunggal memungkinkan untuk dikembangkan menggunakan meta-algorithms sehingga akan memaksimalkan kinerja klasifikasi dalam memprediksi target pelanggan atau nasabah yang sesuai dengan kebutuhan perusahaan agar tujuan pemasaran tercapai. Berdasarkan hasil penelitian yang diperoleh, tindakan pra-pemrosesan dan penggunaan meta-algorithms seperti bagging memberikan kontribusi yang baik untuk proses pembelajaran model decission tree pada data telemarketing dengan hasil akurasi terbaik 98,7%.

show abstract

“…Transformasi data ini bertujuan untuk meningkatkan akurasi dan efisiensi algoritma [15]. Algoritma C4.5 dapat mengelolah data numerik (kontinyu) dan diskret sehingga nilai-nilai dari setiap atribut yang terdapat pada data set tidak perlu ditransformasikan karena data set sudah sesuai dengan syarat [16].…”

Section: Transformasi Dataunclassified

Penerapan Algoritma C4.5 untuk Penentuan Ketersediaan Barang E-commerce

Pritalia

2018

Indonesian J. of Inf. Syst.

View full text Add to dashboard Cite

Dalam sebuah perusahaan e-commerce, stok barang merupakan salah satu faktor penting yang harus diperhatikan oleh perusahaan. Jumlah barang masuk maupun keluar perlu diperhatikan, tujuannya untuk menjaga stok yang tersedia dalam gudang menjadi stabil. Stok stabil yang dimaksud dalam gudang adalah barang tidak kelebihan stok maupun barang tidak kehabisan stok. Permasalahan yang dihadapi pada penjualan barang adalah setiap barang memiliki minat beli yang berbeda-beda. Barang dengan minat beli yang tinggi akan cepat habis dibandingkan dengan barang yang memiliki minat beli rendah. Untuk itu, stok barang perlu ditambah pada waktu stok barang menipis. Algoritma C4.5 merupakan kelompok algoritma dengan menggunakan pohon keputusan. Pohon keputusan merupakan metode klasifikasi dan prediksi yang sangat kuat dan terkenal. Semakin kaya informasi atau pengetahuan yang dikandung oleh data training, maka akurasi akan semakin meningkat. Algoritma ini digunakan untuk menganalisis waktu pembelian stok barang yang sudah menipis dengan mengklasifikasi barang mana yang sudah waktunya di tambah stok maupun belum, sehingga ketersediaan barang tetap stabil dan terjaga. Hasil dari analisis menggunakan algoritma C4.5 adalah untuk menentukan waktu penentuan ketersediaan barang memiliki tingkat keakuratan sebesar 98.9%.

show abstract

Penerapan Dizcretization dan Teknik Bagging Untuk Meningkatkan Akurasi Klasifikasi Berbasis Ensemble pada Algoritma C4.5 dalam Mendiagnosa Diabetes

Cited by 12 publications

References 6 publications

Prediksi Kecelakaan Lalu Lintas di Bali dengan XGBoost pada Python

Prediksi Kecelakaan Lalu Lintas di Bali dengan XGBoost pada Python

Meta-Algorithms untuk Meningkatkan Kinerja Klasifikasi dalam Keberhasilan Telemarketing Perbankan

Penerapan Algoritma C4.5 untuk Penentuan Ketersediaan Barang E-commerce

Contact Info

Product

Resources

About