Ramadhani, Fitria Panca
(2023)
Perbandingan Metode Prediksi Galat dalam Pemodelan Klasifikasi dengan
Metode Classification and Regression Tree untuk Data Seimbang.
Skripsi thesis, Universitas Negeri Padang.
Abstract
Classification and Regression Tree (CART) adalah salah satu algoritma
klasifikasi dalam metode decision tree. Model yang dibentuk dalam CART adalah
pohon yang terdiri dari root node, internal node, dan terminal node. Keakuratan
model akan dihitung melalui tingkat kesalahan prediksi pada model. Hal ini dapat
dilakukan dengan menggunakan metode prediksi laju galat. Terdapat tiga metode
dalam metode prediksi laju galat yaitu Leave One Out Cross Validation (LOOCV),
Hold Out (HO), dan K-Fold Cross Validation. Ketiga metode tersebut memiliki
kinerja yang berbeda dalam membagi data menjadi data training dan data testing
sehingga masing-masing metode memiliki kelebihan dan kekurangan masingmasing.
Oleh karena itu, dilakukan perbandingan untuk ketiga metode prediksi
laju galat tersebut dengan tujuan menentukan metode prediksi laju galat yang
tepat untuk algoritma CART.
Penelitian ini menggunakan bilangan acak berdistribusi normal dengan
mempertimbangkan beberapa faktor seperti variasi rata-rata, jumlah variabel, dan
korelasi. Hasil perbandingan nantinya diamati menggunakan boxplot dengan
melihat median laju galat dan variasi terendah. Data yang dibangkitkan dibagi
menjadi data training dan data testing sesuai dengan kinerja masing-masing
metode prediksi laju galat setelahnya data training membentuk model dengan
menggunakan algoritma CART. Model ini nantinya diuji menggunakan data
testing dengan menghitung banyaknya galat yang terdapat model.
Hasil penelitian ini menunjukkan bahwa K-Fold Cross Validation
memiliki median laju galat dan variasi yang paling rendah dibandingkan metode
LOOCV dan HO, sehingga metode prediksi laju galat yang paling sesuai
digunakan untuk algoritma CART adalah metode K-Fold Cross Validation.
Actions (login required)
![View Item View Item](/style/images/action_view.png) |
View Item |