Penggunaan Otimasi Atribut Dalam Peningkatan Akurasi Prediksi Deep Learning Pada Bike Sharing Demand

Abstract

Bersepeda kembali populer pasca pandemi Covid 19 yang terjadi di Indonesia kemarin. Dalam studi ini, algoritma yang paling umum digunakan diuji, termasuk Neural Nets, Generelized Linear Models, Support Vector Machines, Random Forests, dan Deep Learning. Penelitian dilakukan dalam lima model algoritma prediktif dengan sepuluh percobaan menggunakan validasi silang, dan dipilih nilai akurasi terbaik. Berdasarkan perbandingan algoritma tersebut, algoritma Deep Learning memiliki nilai Accuracy sebesar 90% dan AUC sebesar 0,770. Validasi Croos dengan X fold adalah dasar dari algoritma perbandingan ini. Algoritma pembelajaran mendalam ditemukan memiliki nilai akurasi 90%, yang 4-5% lebih rendah dari empat algoritma lainnya. Dengan peningkatan yang signifikan pada penelitian tersebut, maka nilai akurasi untuk optimasi bobot menggunakan algoritma Forward optimize adalah sebesar 95,63%. Berdasarkan hasil percobaan, peneliti menyimpulkan bahwa percobaan tersebut berhasil meningkatkan nilai akurasi dari algoritma deep learning.

Optimasi Fitur dengan Forward Selection pada Estimasi Tingkat Obesitas menggunakan Random Forest

“…Optimasi bobot menggunakan algoritma Optimalisasi ke depan terbukti berhasil meningkatkan nilai akurasi algoritma pembelajaran mendalam saat digunakan untuk meningkatkan akurasi prediksi pembelajaran mendalam untuk permintaan sepeda bersama. Ketika para peneliti menggunakan teknik bobot (Forward) yang optimal, mereka menemukan bahwa nilai akurasinya meningkat [24]. Tujuan dari penelitian ini adalah untuk mengevaluasi dan membandingkan kinerja dari masing-masing fitur optimasi dalam menentukan fitur yang optimal untuk klasifikasi.…”