Nurul Hidayah , Itsnaini (2024) OPTIMASI HYPERPARAMETER TUNING MENGGUNAKAN GRIDSEARCHCV PADA METODE RANDOM FOREST DAN SUPPORT VECTOR MACHINE (SVM) UNTUK KLASIFIKASI STATUS INDEKS PEMBANGUNAN MANUSIA DI INDONESIA TAHUN 2022. FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM, UNIVERSITAS LAMPUNG.
|
File PDF (ABSTRAK Nurul Hidayah Itsnaini)
1. ABSTRAK - Nurul Hidayah Itsnaini.pdf Download (16Kb) | Preview |
|
![[img]](http://digilib.unila.ac.id/style/images/fileicons/text.png) |
File PDF (FILE FULL Nurul Hidayah Itsnaini)
2. SKRIPSI FULL - Nurul Hidayah Itsnaini.pdf Restricted to Hanya staf Download (3721Kb) | Minta salinan |
|
|
File PDF (FILE TANPA BAB PEMBAHASAN Nurul Hidayah Itsnaini)
3. SKRIPSI TANPA BAB PMBAHASAN - Nurul Hidayah Itsnaini.pdf Download (3478Kb) | Preview |
Abstrak (Berisi Bastraknya saja, Judul dan Nama Tidak Boleh di Masukan)
Random Forest and Support Vector Machine (SVM) methods are among the techniques often used in classification. In an effort to build an optimal classification model, determining the right parameters or known as hyperparameter tuning, is a major challenge that can affect the performance of a model, and Grid Search Cross- Validation (GridSearchCV) is one method that can be used to obtain the optimal hyperparameters. This study aims to optimize hyperparameter tuning using GridSearchCV to improve classification accuracy of the Human Development Index (HDI) status, and compare the performance of Random Forest and SVM models. The analysis results show that the use of GridSearchCV is effective in improving classification accuracy of both methods. In the Random Forest method with a data split of 80% training data and 20% testing data, there was an increase in accuracy from 97,31% to 98,38%. Similarly, the SVM method with linear kernel with a data split of 70% training data and 30% testing data, which achieved an accuracy value from 98,2% to 99,28%, making SVM a better method compared to Random Forest in classifying HDI data. Keywords: Classification, Random Forest, SVM, Hyperparameter Tuning, GridSearchCV, Human Development Index ABSTRAK Metode Random Forest dan Support Vector Machine (SVM) merupakan salah satu teknik yang sering digunakan dalam pengklasifikasian. Dalam upaya membangun model klasifikasi yang optimal, penentuan parameter yang tepat, atau dikenal sebagai hyperparameter tuning, menjadi tantangan utama yang dapat mempengaruhi kinerja suatu model, dan metode Grid Search Cross-Validation (GridSearchCV) merupakan salah satu metode yang dapat dipilih untuk memperoleh hyperparameter yang optimal. Penelitian ini bertujuan untuk mengoptimalkan hyperparameter tuning menggunakan GridSearchCV guna meningkatkan akurasi klasifikasi terhadap status Indeks Pembangunan Manusia (IPM), serta membandingkan kinerja model Random Forest dan SVM. Hasil analisis menunjukkan bahwa penggunaan GridSearchCV efektif dalam meningkatkan akurasi klasifikasi kedua metode. Pada metode Random Forest dengan split data 80% data training dan 20% data testing, terjadi peningkatan akurasi dari 97,31% menjadi 98,38%. Begitu pula pada metode SVM dengan kernel linear dengan split data 70% data training dan 30% data testing, yang mencapai nilai akurasi dari 98,2% menjadi 99,28%, menjadikan SVM sebagai metode yang lebih baik dibandingkan dengan Random Forest dalam mengklasifikasikan data IPM. Kata Kunci: Klasifikasi, Random Forest, SVM, Hyperparameter Tuning, GridSearchCV, Indeks Pembangunan Manusia
| Jenis Karya Akhir: | Skripsi |
|---|---|
| Subyek: | 500 ilmu pengetahuan alam dan matematika 500 ilmu pengetahuan alam dan matematika > 510 Matematika |
| Program Studi: | FAKULTAS MIPA > Prodi Matematika |
| Pengguna Deposit: | UPT . Siswanti |
| Date Deposited: | 03 Feb 2025 08:02 |
| Terakhir diubah: | 03 Feb 2025 08:02 |
| URI: | http://digilib.unila.ac.id/id/eprint/81889 |
Actions (login required)
 |
Lihat Karya Akhir |
