IMPLEMENTASI EXTREME GRADIENT BOOSTING (XGBOOST) DALAM MENANGANI IMBALANCED CLASS PADA ANALISIS KLASIFIKAS
| Main Authors: | ANIENDYARATRI D M K, Prof. Dr.rer.nat., Dedi Rosadi, S.Si., M.Sc. |
|---|---|
| Format: | Thesis |
| Terbitan: |
S1 STATISTIKA Universitas Gadjah Mada
, 2022
|
| Subjects: | |
| Online Access: |
http://etd.repository.ugm.ac.id/penelitian/detail/210674 |
Daftar Isi:
- Teknologi membawa solusi atas permasalahan klasifikasi dalam data analisis, salah satunya adalah permasalahan imbalanced class dalam analisis klasifikasi. Imbalanced class merupakan keadaan di mana salah satu kelas dalam variabel dependen memiliki jumlah yang lebih banyak secara signifikan dibanding kelas yang lain. Keadaan ini mampu menimbulkan model yang bias akibat kurangnya kemampuan model untuk memprediksi kelas dengan jumlah observasi lebih sedikit (kelas minor). Penanganan dengan pendekatan algoritma berupa penggunaan algoritma ensemble learning dan modifikasinya diterapkan untuk mengatasi permasalan tersebut. Extreme Gradient Boosting (XGBoost) merupakan metode ensemble learning yang membentuk beberapa decision tree secara berurutan untuk memperbaiki kesalahan yang dibentuk model sebelumnya. Modifikasi algoritma XGBoost dengan mengaplikasikan pembobotan, Weighted-Loss, dan Focal-Loss. Pada skripsi ini dilakukan analisis pada Bank Marketing dengan menggunakan XGBoost dan modifikasinya, kemudian dibandingkan dengan model dasarnya, decision tree, dan model ensemble learning lain, yaitu AdaBoost dan Random Forest. Dari analisis yang dilakukan diperoleh kesimpulan bahwa Weighted-XGBoost menghasilkan performa yang paling baik.