PENGEMBANGAN ALGORITMA DISTRIBUTED GRADIENT BOOSTING FOREST DENGAN KONEKSI RESIDUAL

Respati, Rayhan Dhafir (2025) PENGEMBANGAN ALGORITMA DISTRIBUTED GRADIENT BOOSTING FOREST DENGAN KONEKSI RESIDUAL. Diploma thesis, Politeknik Negeri Sriwijaya.

	Text (Cover) Cover.pdf - Published Version Download (906kB)
Preview	Text (Abstrak) ABSTRAK.pdf - Published Version Download (207kB) | Preview
	Text (Bab I) BAB I Pendahuluan.pdf - Published Version Restricted to Repository staff only Download (260kB) | Request a copy
	Text (Bab II) BAB II Tinjauan Pustaka.pdf - Published Version Restricted to Repository staff only Download (454kB) | Request a copy
	Text (Bab III) BAB III Metodologi Penelitian.pdf - Published Version Restricted to Repository staff only Download (623kB) | Request a copy
	Text (Bab IV) BAB IV Hasil Dan Pembahasan.pdf - Published Version Restricted to Repository staff only Download (1MB) | Request a copy
	Text (Bab V) BAB V Penutup.pdf - Published Version Restricted to Repository staff only Download (171kB) | Request a copy
	Text (Daftar Pustaka) Daftar Pustaka.pdf - Published Version Restricted to Repository staff only Download (191kB) | Request a copy
	Text (Lampiran) Lampiran.pdf - Published Version Restricted to Repository staff only Download (447kB) | Request a copy

Abstract

Pertumbuhan kompleksitas dan volume data menuntut model pembelajaran mesin yang tangguh dan skalabel untuk klasifikasi skala besar. Gradient Boosting Decision Trees (GBDT) telah terbukti efektif, namun menghadapi kendala stabilitas pelatihan pada arsitektur yang sangat dalam. Penelitian ini mengusulkan pengembangan Distributed Gradient Boosting Forest (DGBF) dengan penambahan residual connection, untuk memperbaiki aliran gradien dan mengatasi masalah vanishing gradient. Model Residual DGBF dievaluasi menggunakan tujuh dataset dari domain keamanan siber, penipuan finansial, phishing, dan malware. Hasil menunjukkan bahwa model ini mengalami peningkatan akurasi rata-rata sebesar 0,17% dan peningkatan ROC-AUC rata-rata sebesar 0,09 dibandingkan model DGBF standar. Peningkatan ini konsisten bahkan pada dataset dengan kelas tidak seimbang dan fitur yang kompleks. Analisis gradient magnitude per lapisan mengungkap bahwa residual connection membantu menjaga kekuatan sinyal gradien yang lebih stabil, mendukung optimisasi yang lebih efektif. Dengan demikian, model Residual DGBF menawarkan pendekatan yang lebih kuat dan efisien dalam pembelajaran ensemble, sekaligus membuka peluang pengembangan lebih lanjut pada model boosting yang dalam dan skalabel untuk tugas klasifikasi dunia nyata.

Item Type:	Thesis (Diploma)
Uncontrolled Keywords:	Distributed Gradient Boosting Forest, Ensemble Learning, Residual Connections, Vanishing Gradient
Subjects:	T Technology > TK Electrical engineering. Electronics Nuclear engineering
Divisions:	Telecommunication Engineering > Undergraduate Theses
Depositing User:	Pustaka Teknik Elektro
Date Deposited:	28 Aug 2025 03:54
Last Modified:	28 Aug 2025 03:54
URI:	http://eprints.polsri.ac.id/id/eprint/18853

Actions (login required)

View Item