Perbandingan Performa Bagging dan AdaBoost untuk Klasifikasi Data Multi-Class
| Main Authors: | Lukas, Samuel, Vigo, Osvaldo, Krisnadi, Dion, Widjaja, Petrus |
|---|---|
| Format: | Article info application/pdf Journal |
| Bahasa: | ind |
| Terbitan: |
UNIVERSITAS PELITA HARAPAN
, 2022
|
| Online Access: |
https://ejournal-medan.uph.edu/index.php/isd/article/view/547 https://ejournal-medan.uph.edu/index.php/isd/article/view/547/306 |
Daftar Isi:
- One technique to improve the performance of Machine Learning algorithms is to use Ensemble Learning. The idea of this technique combines several Machine Learning algorithms or commonly referred to as base learners. The purpose of this study is to compare the performance of the two Ensemble Learning algorithms, namely the Bootstrap Aggregating (Bagging) method and the Adaptive Boosting (AdaBoost) method. This study uses eleven datasets with multi-class classifications that are independent of the characteristics (data proportion, number of data, and problems) and the number of different classes of target variables. The results showed that the accuracy and F1 model formed by the Bagging method tended to show better value performance than that of the AdaBoost method on the evaluation metric with an average evaluation value of 72.21% and 61% for Bagging and 66.25% and 53, respectively. 7% for AdaBoost. However, the results of hypothesis testing show that it is not significant enough. In addition, the length of computation time to form the Bagging model and the AdaBoost model is not different
- Salah satu teknik untuk meningkatkan performa algoritma Machine Learning adalah menggunakan Ensemble Learning. Ide teknik ini menggabungkan beberapa algoritma Machine Learning atau yang biasa disebut sebagai base learners. Tujuan penlitian ini adalah membandingkan dua performa algoritma Ensemble Learning yaitu metode Bootstrap Aggregating (Bagging) dan metode Adaptive Boosting (AdaBoost). Penelitian menggunakan sebelas dataset dengan klasifikasi multi-class yang independen terhadap karakteristik (proporsi data, jumlah data, dan masalah) serta jumlah kelas variabel target berbeda. Hasil penelitian menunjukkan bahwa akurasi dan F1 model yang dibentuk oleh metode Bagging cenderung menunjukkan performa nilai yang lebih baik dari metode AdaBoost pada metrik evaluasi dengan rata-rata nilai evaluasi sebesar 72,21% dan 61% untuk Bagging serta 66,25% dan 53,7% untuk AdaBoost. Namun hasil pengujian hipotesis memperlihatkan tidak cukup signifikan. Selain itu lama lama waktu komputasi untuk membentuk model Bagging dan model AdaBoost tidaklah berbeda.