Optimasi hyperparameter tuning grid search dan random search pada algoritma xgboost dalam klasifikasi penyakit parkinson

This item is published by Universitas Islam Negeri Sunan Ampel Surabaya

Khansa, Shafa Fitria Aqilah (2024) Optimasi hyperparameter tuning grid search dan random search pada algoritma xgboost dalam klasifikasi penyakit parkinson. Undergraduate thesis, UIN Sunan Ampel Surabaya.

	Text Shafa Fitria Aqilah Khansa_09010221018 OK.pdf Download (1MB)
	Text Shafa Fitria Aqilah Khansa_09010221018 Full.pdf Restricted to Repository staff only until 8 January 2028. Download (9MB)

Abstract

Penyakit Parkinson merupakan gangguan neurodegeneratif yang ditandai dengan penurunan kemampuan motorik, seperti tremor dan kekakuan, dengan prevalensi sekitar 329 kasus per 100000 individu. Diagnosis dini sangat penting untuk mencegah komplikasi lebih lanjut. Penelitian ini bertujuan untuk mengklasifikasikan penyakit Parkinson menggunakan algoritma Extreme Gradient Boosting (XGBoost) dengan hyperparameter tuning menggunakan metode Grid Search dan Random Search. Data penelitian diambil dari Kaggle, mencakup fitur klinis dan demografis pasien. XGBoost dipilih karena kemampuannya yang baik dalam menangani data besar, kompleks, dan mengurangi risiko overfitting. Proses tuning dilakukan dengan validasi silang 5-fold. Model XGBoost dengan parameter default mencapai akurasi 92.83% dalam waktu komputasi 20 detik. Setelah tuning menggunakan Grid Search, akurasi meningkat menjadi 93.35% dalam waktu 44 menit 51 detik dengan parameter optimal gamma = 5, max depth = 3, learning rate = 0.3, n estimators = 100, dan subsample = 0.7. Sedangkan tuning menggunakan Random Search memberikan hasil yang bervariasi berdasarkan jumlah iterasi. Pada 50 iterasi, akurasi paling optimal tercapai pada 93.97% dengan waktu komputasi 3 menit 37 detik dan parameter gamma = 4.736, max depth = 3, learning rate = 0.262, n estimators = 58, dan subsample = 0.631. Hasil penelitian menunjukkan bahwa tuning menggunakan Random Search lebih fleksibel dan dapat menghasilkan akurasi yang sebanding dengan waktu komputasi yang lebih efisien dibandingkan dengan Grid Search. Penelitian ini menegaskan pentingnya hyperparameter tuning dalam meningkatkan performa model klasifikasi penyakit Parkinson.

Statistic

Downloads from over the past year. Other digital versions may also be available to download e.g. from the publisher's website.

Item Type:	Thesis (Undergraduate)
Creators:	Creators Email NIM Khansa, Shafa Fitria Aqilah shafafitria84@gmail.com 09010221018
Contributors:	Contribution Name Email NIDN Thesis advisor Ulinnuha, Nurissaidah nuris.ulinnuha@uinsa.ac.id 2002119001 Thesis advisor Utami, Wika Dianita wikadianita@uinsa.ac.id --
Subjects:	Matematika
Keywords:	Cross Validation; Hyperparameter Tuning; Klasifikasi; Parkinson; XGBoost.
Divisions:	Fakultas Sains dan Teknologi > Studi Matematika
Depositing User:	Shafa Fitria Aqilah Khansa
Date Deposited:	08 Jan 2025 07:13
Last Modified:	08 Jan 2025 07:13
URI:	http://digilib.uinsa.ac.id/id/eprint/75171

Actions (login required)

View Item