Penulis: Nugroho Widyanto, Jin-Whan Kim, Agus Nursikuwagus
Abstrak
Pemilihan klasifikasi terbaik pada pembelajaran mesin konvensional seringkali dilakukan secara intuitif dengan mengamati penelitian yang ada. Hal ini menjadi kendala ketika menyatakan akurasi tinggi, terlepas dari apakah mesin tersebut sesuai dengan dataset. Penelitian ini mengusulkan metode untuk mengatasi akurasi penggunaan mesin pembelajaran sehingga akurasi yang dihasilkan dapat diselaraskan dengan penggunaan dataset. Metode ini menggunakan metode seleksi fitur yang dikombinasikan dengan klasifikasi pembelajaran mesin. Metode SelectKBest dan analisis komponen utama (PCA) yang dikombinasikan dengan mesin klasifikasi dengan menghitung MSE, MAE, R2, dan kesalahan delta yang dikonfirmasi dapat memprediksi pembelajaran mesin yang tepat untuk dataset OTHERS. Kesalahan delta dan R2 oleh SelectKBest dan PCA dapat melihat kecenderungan Kesalahan Delta dari pembelajaran klasifikasinya. Klasifikasi yang diamati mengkonfirmasi nilai R2 terbaik pada regresi linier dan Bayesian. Nilai R2 regresi Bayesian dan regresi linier masing-masing adalah 0,634 dan 0,687. Rata-rata Delta Error MAE SelectKBest < Rata-rata Delta Error MAE PCA, 3,21×10¹⁵ < 1,37×10¹⁶. Dalam penelitian selanjutnya, kami menemukan tantangan pengklasifikasi terbaik dalam Deep Learning dan metode pemilihan fitur yang sesuai untuk dataset deret waktu. © 2024 Taylor’s University. Semua hak dilindungi undang-undang.
Kata kunci penulis
Chi-square; Pengklasifikasi; Delta error; Analisis komponen utama; SelectKBest
Artikel ini dapat diakses di https://www.scopus.com/pages/publications/85196260915
