Pengembangan Algoritma Random Forest Menggunakan Metode Regularized Impurity Reduction (Greedy Random Forest)

Khairunnisa', - (2025) Pengembangan Algoritma Random Forest Menggunakan Metode Regularized Impurity Reduction (Greedy Random Forest). Diploma thesis, Politeknik Negeri Sriwijaya.

Preview	Text (COVER) COVER.pdf - Published Version Download (841kB) | Preview
	Text (Abstrak) ABSTRAK.pdf - Published Version Download (16kB)
	Text (Bab I) BAB I Pendahuluan.pdf - Published Version Restricted to Repository staff only Download (129kB)
	Text (Bab II) BAB II Tinjauan Pustaka.pdf - Published Version Restricted to Repository staff only Download (267kB)
	Text (Bab III) BAB III Metodologi Penelitian.pdf - Published Version Restricted to Repository staff only Download (1MB)
	Text (Bab IV) BAB IV Hasil dan Pembahasan.pdf - Published Version Restricted to Repository staff only Download (1MB)
	Text (Bab V) BAB V Simpulan dan Saran.pdf - Published Version Restricted to Repository staff only Download (164kB)
	Text (Daftar Pustaka) Daftar Pustaka.pdf - Published Version Restricted to Repository staff only Download (87kB)
	Text (Lampiran) LAMPIRAN.pdf - Published Version Restricted to Repository staff only Download (110kB)

Abstract

Meningkatnya kompleksitas dan besarnya data di bidang kesehatan menuntut pengembangan model machine learning yang lebih adaptif dan andal, khususnya untuk tugas klasifikasi berskala besar. Random Forest merupakan salah satu metode ensemble yang banyak digunakan karena ketangguhannya dalam menghadapi permasalahan seperti ketidakseimbangan kelas dan dimensi fitur yang tinggi. Namun, model Random Forest standar masih memiliki kelemahan terhadap overfitting dan dominasi fitur, terutama akibat mekanisme pemilihan split yang bersifat lokal. Oleh karena itu, penelitian ini mengusulkan Greedy Random Forest, sebuah algoritma yang disempurnakan melalui mekanisme pemilihan split menggunakan Regularized Impurity Reduction yang mempertimbangkan balance, efficiency, dan discrimination. Evaluasi dilakukan pada dua dataset kesehatan, yaitu Alzheimer dan Hypothyroid. Hasil pengujian menunjukkan bahwa Greedy Random Forest mampu meningkatkan performa dibandingkan Random Forest standar. Pada dataset Alzheimer, Greedy Random Forest menghasilkan akurasi sebesar 0,9372 sedikit lebih baik dari Random Forest yang memiliki akurasi 0,9349, signifikan terlihat pada dataset Hypothyroid, di mana Greedy Random Forest mencapai akurasi 0,9677, mengungguli Random Forest yang hanya memperoleh akurasi 0,8991. Dengan hasil tersebut, Greedy Random Forest terbukti efektif dalam mengatasi overfitting, meningkatkan generalisasi model, serta menghasilkan performa yang lebih konsisten dan interpretatif.

Item Type:	Thesis (Diploma)
Uncontrolled Keywords:	Greedy Algorithm, Health Data, Machine Learning, Random Forest
Subjects:	T Technology > TK Electrical engineering. Electronics Nuclear engineering
Divisions:	Telecommunication Engineering > Undergraduate Theses
Depositing User:	Pustaka Teknik Elektro
Date Deposited:	28 Aug 2025 03:52
Last Modified:	28 Aug 2025 03:52
URI:	http://eprints.polsri.ac.id/id/eprint/18983

Actions (login required)

View Item