OPTIMASI KLASIFIKASI BAYESIAN NETWORK MELALUI REDUKSI ATTRIBUTE MENGGUNAKAN METODE PRINCIPAL COMPONENT ANALYSIS

SURIZAR RAHMI DANUR (2020) OPTIMASI KLASIFIKASI BAYESIAN NETWORK MELALUI REDUKSI ATTRIBUTE MENGGUNAKAN METODE PRINCIPAL COMPONENT ANALYSIS. Masters (S-2) thesis, Universitas Mikroskil.

[thumbnail of BAGIAN AWAL.pdf] Text
BAGIAN AWAL.pdf

Download (6MB)
[thumbnail of BAB I.pdf] Text
BAB I.pdf

Download (2MB)
[thumbnail of BAB II.pdf] Text
BAB II.pdf

Download (6MB)
[thumbnail of BAB III.pdf] Text
BAB III.pdf
Restricted to Registered users only

Download (7MB)
[thumbnail of BAGIAN AKHIR.pdf] Text
BAGIAN AKHIR.pdf

Download (1MB)

Abstract

Reduksi dimensionalitas merupakan topik yang sedang hangat diperbincangkan dalam perkembangannya telah dilakukan diberbagai bidang penelitian salah satunya machine learning dengan melakukan reduksi dapat menurunkan kapasitas dimensi tanpa mengurangi (menghilangkan) informasi yang terkandung pada data tersebut. Principal Component Analysis merupakan salah satu teknik mereduksi yang telah teruji mampu mengurangi kapasitas data tanpa menghilangkan informasi yang terkandung pada dataset secara siginifikan. Pada penelitian ini dilakukan reduksi atribut menggunakan Principal Component Analysis dengan menggunakan dataset faktor-faktor yang mempengaruhi ketidakhadiran karyawan diambil dari Repositori University of California di Irvine (UCI). Kombinasi dengan Bayesian Network untuk mengklasifikasi data sebagai perbandingan antara sebelum dan sesudah dilakukan reduksi atribut. Hal tersebut dapat terlihat pada hasil akurasi awal sebelum dilakukan reduksi dengan akurasi sebesar 100% dan setelah dilakukan reduksi atribut ke lima terjadi penurunan akurasi sebesar 89,7%.

Item Type: Tugas Akhir / Tesis (Masters (S-2))
Subjects: Teknologi Informasi
Divisions: Fakultas Informatika > Program Studi S-2 Teknologi Informasi
Depositing User: Anwar Fauzi Ritonga
Date Deposited: 26 Jan 2023 11:11
Last Modified: 26 Jan 2023 11:11
URI: https://repository.mikroskil.ac.id/id/eprint/916

Actions (login required)

View Item
View Item