PERBANDINGAN PERFORMANSI DENGAN METODE CORRELATION BASED FEATURE SELECTION PADA LVQ 2
Abstract
Melakukan sebuah penelitian diperlukannya mengidentifikasi sebuah data yang sesuai dengan melakukan sebuah klasifikasi. Pengaruh dalam mendapatkan hasil akurasi yang maksimal dengan menentukan teknik penelitian secara tepat melalui proses klasifikasi. Pada penelitian ini melakukan perbandingan peningkatan performansi akurasi akurasi LVQ 2 dengan mengimplementasikan Correlation Based Feature Selection (CFS) pada dataset bertujuan keakuratan pengambilan data sampel dengan metode klasifikasi. Data parameter tulang tengkorak yang digunakan yaitu data pria dan wanita dengan jumlah data 2524 dan fitur 82. Penelitian LVQ 2 tanpa CFS dengan nilai learning rate (α) = 0.9 dan window 0.2 yang akurasi tertingginya memperoleh sebesar 77.05%, dan menggunakan CFS pada nilai α = 0.9 dan window = 0.3 hasil akurasi tertinggi yaitu 82,51%. Hal ini menunjukkan bahwa LVQ 2 menggunakan CFS sangat direkomendasikan baik dari segi performansi terhadap pada dataset Tengkorak dibandingkan LVQ 2 tanpa menggunakan CFS.
Downloads
References
Budianita, E., Sanjaya, S., Syafria, F., Teknik Informatika, J., Sains dan Teknologi, F., Sultan Syarif Kasim Riau Jl Soebrantas No, U. H., & Baru, S. (2018). Penerapan Metode Learning Vector Quantization2 (LVQ 2) Untuk Menentukan Gangguan Kehamilan Trimester I. Jurnal Sains, Teknologi Dan Industri, 15(2), 144–151.
Darmila, Afrianty, I., Sanjaya, S., Abdillah, R., Iskandar, I., & Syafria, F. (2022). Evaluasi Perbandingan Performansi LVQ 1, LVQ 2, Dan LVQ 3 Dalam Klasifikasi Jenis Kelamin Menggunakan Tulang Tengkorak. Jurnal INSTEK (Informatika Sains Dan Teknologi), 7(2), 344–353.
Liana, L. I., & Nudin, S. R. (2020). Implementasi Algoritma Best-First Search untuk Aplikasi Mesin Pencari Handphone pada E-commerce (Apenphone). Journal of Informatics and Computer Science (JINACS), 2(1).
Made, I., Adnyana, B., Jln, S. B., & Puputan, R. (2019). Penerapan Feature Selection untuk Prediksi Lama Studi Mahasiswa. JURNAL SISTEM DAN INFORMATIKA, 13(2).
Nurul Yusufiyah, H. K., & Gya Nur Rochman, J. P. (2021). Efektivitas Penggunaan Seleksi Ciri CFS pada Klasifikasi Ciri Bentuk Nodul Kanker Payudara dengan Citra Ultrasonografi. Physics Education Research Journal, 3(1), 11–18. https://doi.org/10.21580/perj.2021.3.1.6667
Pratama, A. B., Budianita, E., Yanti, N., Mai Candra, R., & Informatika UIN Sultan Syarif Kasim Riau Jl Subrantas Km, T. (2022). Implementasi Metode Learning Vector Quantization (LVQ) Untuk Sentimen Analisis Terhadap Aplikasi Go-Jek Pada Playstore. Jurnal Nasional Komputasi Dan Teknologi Informasi, 5(3).
Ririanti, N. P., & Purwinarko, A. (2021). Implementation of Support Vector Machine Algorithm with Correlation-Based Feature Selection and Term Frequency Inverse Document Frequency for Sentiment Analysis Review Hotel. Scientific Journal of Informatics, 8(2), 297–303. https://doi.org/10.15294/sji.v8i2.29992
Toneva, D., Nikolova, S., Agre, G., Zlatareva, D., Hadjidekov, V., & Lazarov, N. (2021). Machine learning approaches for sex estimation using cranial measurements. International Journal of Legal Medicine, 135(3), 951–966. https://doi.org/10.1007/s00414-020-02460-4
Wibawa, A. P., Guntur, M., Purnama, A., Akbar, M. F., & Dwiyanto, F. A. (2018). Metode-metode Klasifikasi. Prosiding Seminar Ilmu Komputer Dan Teknologi Informasi, 3(1).