Komparasi Algoritma Logistic Regression dan Random Forest pada Prediksi Cacat Software

Prasetyo, Rizal; Nawawi, Imam; Fauzi, Ahmad; Ginabila, Ginabila

doi:10.54367/jtiust.v6i2.1522

Cited by 4 publications

(4 citation statements)

References 3 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Algoritma ini sering digunakan ketika variabel respon mengarah pada dua nilai, contohnya subjek memiliki karakteristik khusus atau tidak memiliki karakteristik khusus. Keuntungan dari algoritma ini adalah algoritma ini telah dipelajari dan didalami secara ekstensif disamping perkembangannya tentang penerapan truncate newton [7].…”

Section: Landasan Teoriunclassified

Perbandingan Algoritma Machine Learning menggunakan Orange Data Mining untuk Klasifikasi Jenis Kendaraan pada Sistem Tilang Digital

Pranadjaya,

Pangestu,

Sereati

et al. 2024

jurnalelektro

View full text Add to dashboard Cite

Tulisan ini membahas tentang penerapan aplikasi Orange Data Mining untuk membandingkan beberapa algoritma pembelajaran mesin untuk mengklasifikasikan jenis kendaraan pada sistem tiket digital. Penelitian ini membandingkan dan menganalisa algoritma logistik regression, Support Vector Machine (SVM) dan Neural Network (NN) untuk memecahkan masalah klasifikasi kendaraan pada tilang digital. Data set diambil dari website Kaggle, dan metode validasi menggunakan Confussion matrix. Hasil penelitian menunjukkan bahwa pada proses training dan berdasarkan dataset yang digunakan, algoritma yang memiliki tingkat akurasi dari yang tertinggi adalah Logistic Regression, Neural Network dan Support Vector Machine. Sedangkan pada proses testing, seluruh algoritma pada model mampu melakukan klasifikasi dengan akurasi yang sempurna.

show abstract

Section: Landasan Teoriunclassified

Perbandingan Algoritma Machine Learning menggunakan Orange Data Mining untuk Klasifikasi Jenis Kendaraan pada Sistem Tilang Digital

Pranadjaya,

Pangestu,

Sereati

et al. 2024

jurnalelektro

View full text Add to dashboard Cite

show abstract

“…Bayesian classification merupakan pengklasifikasian statistik yang dapat digunakan untuk memprediski probabilitas keanggotaan suatu class (Damuri et al, 2021). KNN merupakan algoritma yang efektif untuk data yang besar, tahan terhadap data pelatihan yang noise, dan memiliki performa yang baik (Putry et al, 2022), sedangkan Logistic Regression merupakan klasifikasi linier yang menangani masalah klasifikasi multi kelas dan telah terbukti menghasilkan klasifikasi yang powerful (Prasetyo et al, 2021).…”

Section: Pendahuluanunclassified

Perbandingan Algoritma Machine Learning pada Klasifikasi Penyakit Jantung

Heristian

2024

Infortech

View full text Add to dashboard Cite

Jantung merupakan organ paling penting dalam tubuh manusia yang memiliki fungsi utama untuk memompa darah ke seluruh tubuh melalui pembuluh darah, World Health Organization (WHO) menyebutkan bahwa penyakit jantung koroner (PJK) menjadi salah satu masalah kesehatan dalam system kardiovaskular yang jumlahnya meningkat cepat dengan angka kematian 6,7 juta kasus pada tahun 2017. Banyak alternatif atau cara yang digunakan untuk mencegah dan mendeteksi penyakit jantung, namun karena kurangnya pengetahuan, penderita penyakit jantung banyak yang terlambat untuk memeriksa diri ke dokter. Tujuan dari penelitian ini adalah untuk mendeteksi penyakit jantung akibat gangguan kadiovaskular dengan menggunakan dataset dari http://archive.ics.uci.edu/ml/ dengan data sebanyak 1026 data penyakit jantung. Metode yang digunakan pada penlitian ini adalah Machine Learning dengn algoritma logistic regression, naive bayes, dan k-nearest neighbour (KNN) . Hasil yang didapatan dari penelitian ini yang tertinggi adalah dengan menggunakan metode k-nearest neighbour (KNN) yaitu akurasi sebesar 91%, sedangkan dengan algoritma logistic regression akurasinya sebesar 85%, dan naive bayes akurasinya sebesar 83%.

show abstract

“…Undersampling yaitu menghasilkan sub sampel acak dari instance kelas mayoritas [15]. Undersampling merupakan algoritma sampling secara acak memilih sampel di kelas mayoritas dan menambahkannya ke kelas minoritas, membentuk sebuah dataset pelatihan baru [16].…”

Section: Undersamplingunclassified

Undersampling dan K-Fold Random Forest Untuk Klasifikasi Kelas Tidak Seimbang

Qadrini

2023

bits

View full text Add to dashboard Cite

Classification in Data Mining is a process of modelling that explains and differentiates data classes intending to estimate the class of an object whose class is unknown. Classification can be applied in various aspects so over time quite a lot of classification algorithms have been developed, but some problems are often encountered in classification, namely the problem of data imbalance. An imbalanced class is a condition where there are several data where the number of classes is not balanced or there is a significant difference in each number of classes. Most classification datasets do not have the same number of classes. However, the class imbalance is not a problem when the comparison between classes is not much different. Class imbalance can cause problems if left untreated because the resulting model predictions will tend to the majority group so that the contribution of the minority class to the model is small. One of the algorithms that are often used to handle unbalanced classes is the resampling algorithm. The purpose of this research is to apply the Resampling Undersampling Random Forest and Random Forest K-Fold Undersampling Algorithms to the Breast Cancer Diagnostic dataset from UCI Machine Learning. Undersampling was chosen because it produces better accuracy than oversampling. Recall accuracy for the K-Fold 10 Random Forest Algorithm is 83% and for Recall Undersampling Random Forest is 65%.

show abstract

Komparasi Algoritma Logistic Regression dan Random Forest pada Prediksi Cacat Software

Cited by 4 publications

References 3 publications

Perbandingan Algoritma Machine Learning menggunakan Orange Data Mining untuk Klasifikasi Jenis Kendaraan pada Sistem Tilang Digital

Perbandingan Algoritma Machine Learning menggunakan Orange Data Mining untuk Klasifikasi Jenis Kendaraan pada Sistem Tilang Digital

Perbandingan Algoritma Machine Learning pada Klasifikasi Penyakit Jantung

Undersampling dan K-Fold Random Forest Untuk Klasifikasi Kelas Tidak Seimbang

Contact Info

Product

Resources

About