Kombinasi Algoritma Extreme Gradient Boosting (XGBoost) Dengan Grid Search Dan Membandingkan Dengan Algoritma Support Vector Machine Untuk Diagnosa Penyakit Diabetes
Total View This Week0
Total View This Week0
Institusion
Universitas Teknokrat Indonesia
Author
WIBOWO, ARDI
Subject
TJ Mechanical engineering and machinery
Datestamp
2023-10-23 01:48:45
Abstract :
ABSTRAK KOMBINASI ALGORITMA EXTREME GRADIENT BOOSTING (XGBOOST) DENGAN GRID SEARCH DAN MEMBANDINGKAN DENGAN ALGORITMA SUPPORT VECTOR MACHINE UNTUK DIAGNOSA PENYAKIT DIABETES Oleh Ardi Wibowo 18312206 Data mining memiliki keunggulan dalam pengolahan data yang memungkinkan penggunaan ulang data yang ada sebagai sumber pengetahuan dan informasi baru. Dalam konteks ini, penelitian ini berfokus pada penggunaan metode data mining, seperti eXtreme Gradient Boosting (XGBoost), hyperparameter Grid Search, dan Support Vector Machine (SVM), untuk mendiagnosis diabetes. Diabetes adalah penyakit degeneratif yang ditandai dengan gangguan metabolik dan kadar gula darah yang melebihi batas normal. Dalam upaya mencari model yang paling efektif dalam mendiagnosis penyakit ini, penelitian ini menggunakan dataset yang tersedia dan membaginya menjadi data latih dan data uji dengan perbandingan 80%:20%. Melalui pengujian model, diperoleh hasil akurasi XGBoost tanpa grid search sebesar 0,87, sedangkan dengan penerapan grid search, akurasi terbaik yang diperoleh adalah 0,98. Selain itu, model SVM dengan kernel RBF juga dievaluasi dan memberikan akurasi sebesar 0,84. Hasil penelitian ini menunjukkan bahwa penggunaan metode data mining, khususnya XGBoost dengan kombinasi tuning hyperparameter, memberikan performa yang baik dalam mendiagnosis diabetes Dengan akurasi yang tinggi. Kata kunci: Diabetes, XGBoost, Tuning Hyperparameter, Grid Search, SVM.
ABSTRAK KOMBINASI ALGORITMA EXTREME GRADIENT BOOSTING (XGBOOST) DENGAN GRID SEARCH DAN MEMBANDINGKAN DENGAN ALGORITMA SUPPORT VECTOR MACHINE UNTUK DIAGNOSA PENYAKIT DIABETES Oleh Ardi Wibowo 18312206 Data mining memiliki keunggulan dalam pengolahan data yang memungkinkan penggunaan ulang data yang ada sebagai sumber pengetahuan dan informasi baru. Dalam konteks ini, penelitian ini berfokus pada penggunaan metode data mining, seperti eXtreme Gradient Boosting (XGBoost), hyperparameter Grid Search, dan Support Vector Machine (SVM), untuk mendiagnosis diabetes. Diabetes adalah penyakit degeneratif yang ditandai dengan gangguan metabolik dan kadar gula darah yang melebihi batas normal. Dalam upaya mencari model yang paling efektif dalam mendiagnosis penyakit ini, penelitian ini menggunakan dataset yang tersedia dan membaginya menjadi data latih dan data uji dengan perbandingan 80%:20%. Melalui pengujian model, diperoleh hasil akurasi XGBoost tanpa grid search sebesar 0,87, sedangkan dengan penerapan grid search, akurasi terbaik yang diperoleh adalah 0,98. Selain itu, model SVM dengan kernel RBF juga dievaluasi dan memberikan akurasi sebesar 0,84. Hasil penelitian ini menunjukkan bahwa penggunaan metode data mining, khususnya XGBoost dengan kombinasi tuning hyperparameter, memberikan performa yang baik dalam mendiagnosis diabetes Dengan akurasi yang tinggi. Kata kunci: Diabetes, XGBoost, Tuning Hyperparameter, Grid Search, SVM.
Download
book
BibTex
Latex, Jabref
cloud_download
Original Resource
url resource Institution
