Performance comparison of inertia weight and acceleration coefficients of BPSO in the context of high-utility itemset mining

Gunawan, Ridowati; Winarko, Edi; Pulungan, Reza

doi:10.1007/s12065-022-00707-0

Cited by 2 publications

(1 citation statement)

References 38 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Inertia weight merupakan parameter terpenting dalam PSO [6]. Berbagai nilai inertia weight dan acceleration coefficient telah dilakukan [7]. Inertia weight memiliki dampak besar dalam pencarian solusi global optimum.…”

Section: Pendahuluanunclassified

Improving The Accuracy Of The C4.5 Algorithm Using Particle Swarm Optimization To Predicate Diabetes Patients

Arsana¹,

Gunawan²

2022

Bit

View full text Add to dashboard Cite

Penyakit diabetes merupakan penyakit yang terjadi karena peningkatan kadar gula dalam darah. Peningkatan kadar gula dapat memicu terjadinya kematian karena dapat mengakibatkan rusaknya pembuluh darah, saraf dan struktur internal lainnya. Untuk menghindari akibat yang buruk, penting untuk memprediksi apakah seseorang menderita penyakit diabetes atau tidak berdasarkan informasi yang dimiliki dari setiap pasien. Metode yang dapat digunakan untuk memprediksi seseorang menderita penyakit diabetes atau tidak adalah metode klasifikasi. Algoritma C4.5 merupakan salah satu algoritma klasifikasi yang dapat digunakan untuk memprediksi penderita diabetes. Walaupun algoritma C4.5 dapat digunakan untuk memprediksi, akan tetapi mendapatkan nilai akurasi yang tinggi juga sebagai pengukuran yang penting. Salah satu yang dapat dilakukan untuk meningkatkan nilai akurasi adalah menyeleksi atribut yang paling mempengaruhi seseorang menderita diabetes atau tidak. Pemilihan fitur sangat mempengaruhi hasil akurasi dari algoritma C4.5, particle swarm optimization digunakan sebagai metode seleksi fitur dalam penelitian ini. Tujuan penelitian ini adalah meningkatnya nilai akurasi untuk memprediksi seseorang menderita diabetes atau tidak melalui pemilihan fitur menggunakan particle swarm optimization. Dataset yang digunakan adalah Pima Indian Diabetes Databases (PIDD) berasal dari University of California Irvine (UCI) Machine Learning Repository. Hasil penelitian memperlihatkan pemilihan fitur menggunakan particle swarm optimization sebelum penggunaan algoritma C4.5 dapat meningkatkan akurasi sebanyak 6% dari nilai akurasi sebelumnya yaitu 75%. Fitur yang terseleksi sebanyak 4 atribut dari 9 atribut. Keempat atribut tersebut adalah Glucose, SkinThickness, BMI dan DiabetesPedigreeFunction. Hasil seleksi fitur menggunakan particle swarm optimization dapat meningkatkan akurasi prediksi seseorang menderita penyakit diabetes atau tidak.

show abstract

Section: Pendahuluanunclassified

Improving The Accuracy Of The C4.5 Algorithm Using Particle Swarm Optimization To Predicate Diabetes Patients

Arsana¹,

Gunawan²

2022

Bit

View full text Add to dashboard Cite

show abstract

High utility itemsets mining based on hybrid harris hawk optimization and beluga whale optimization algorithms

Gao,

Han,

Liu

et al. 2024

IFS

View full text Add to dashboard Cite

The commonly used high utility itemsets mining method for massive data is the intelligent optimization algorithm. In this paper, the WHO (Whale-Hawk Optimization) algorithm is proposed by integrating the harris hawk optimization (HHO) algorithm with the beluga whale optimization (BWO) algorithm. Additionally, a whale initialization strategy based on good point set is proposed. This strategy helps to guide the search in the initial phase and increase the diversity of the population, which in turn improve the convergence speed and algorithm performance. By applying this improved algorithm to the field of high utility itemsets mining, it provides new solutions to optimization problems and data mining problems. To evaluate the performance of the proposed WHO, a large number of experiments are conducted on six datasets, chess, connect, mushroom, accidents, foodmart, and retail, in terms of convergence, recall rates, and runtime. The experimental results show that the convergence of the proposed WHO is optimal in five datasets and has the shortest runtime in all datasets. Compared to PSO, AF, BA, and GA, the average recall rate in the six datasets increased by 32.13%, 49.95%, 12.15%, and 16.24%, respectively.

show abstract

Performance comparison of inertia weight and acceleration coefficients of BPSO in the context of high-utility itemset mining

Cited by 2 publications

References 38 publications

Improving The Accuracy Of The C4.5 Algorithm Using Particle Swarm Optimization To Predicate Diabetes Patients

Improving The Accuracy Of The C4.5 Algorithm Using Particle Swarm Optimization To Predicate Diabetes Patients

High utility itemsets mining based on hybrid harris hawk optimization and beluga whale optimization algorithms

Contact Info

Product

Resources

About