Perbandingan performansi Algoritma Random Forest, KNN (K-Nearest Neighbors), dan Adaboost Regressor pada peramalan harga Berlian

Fajar, Fawzan Ibnu (2023) Perbandingan performansi Algoritma Random Forest, KNN (K-Nearest Neighbors), dan Adaboost Regressor pada peramalan harga Berlian. Sarjana thesis, UIN Sunan Gunung Djati Bandung.

[img]
Preview
Text
1_cover.pdf

Download (78kB) | Preview
[img]
Preview
Text
2_abstrak.pdf

Download (26kB) | Preview
[img]
Preview
Text
3_daftarisi.pdf

Download (1MB) | Preview
[img]
Preview
Text
4_bab1.pdf

Download (3MB) | Preview
[img] Text
5_bab2.pdf
Restricted to Registered users only

Download (6MB) | Request a copy
[img] Text
6_bab3.pdf
Restricted to Registered users only

Download (4MB) | Request a copy
[img] Text
7_bab4.pdf
Restricted to Registered users only

Download (10MB) | Request a copy
[img] Text
8_bab5.pdf
Restricted to Registered users only

Download (457kB) | Request a copy
[img] Text
9_daftarpustaka.pdf
Restricted to Registered users only

Download (2MB) | Request a copy

Abstract

Selain banyak diminati dalam bentuk perhiasan, berlian merupakan salah satu materi terkeras yang pernah ada di muka bumi. Beberapa komunitas mulai melirik berlian untuk menjadi aset investasi mengingat nilainya yang luar biasa tinggi. Namun, permasalahan ditemukan ketika berlian tidak memiliki acuan harga layaknya aset investasi lain seperti emas ataupun saham. Perkembangan teknologi tentunya dapat mengatasi hal tersebut dengan implementasi algoritma machine learning. Algoritma Random Forest, K-Nearest Neighbors, dan Adaptive Boosting (Adaboost) Regressor dipilih menjadi algoritma yang akan dibandingkan. Dataset yang digunakan pada penelitian ini berasal dari kaggle repository milik vittoriogiatti dengan jumlah sebanyak 53.940 baris yang setelah dilakukan pre-processing berkurang menjadi 47.524 baris. Hasil dari pelatihan dan pengujian masing masing model ialah Random Forest Regressor memiliki rata rata nilai error 19,85 (MSE train), 132,73 (MSE test), 4,45 (RMSE train), 11,52 (RMSE test) serta rata rata durasi pelatihan yaitu 13,73 detik. Sementara rata-rata nilai R2-Score sebesar 0,981. Adapun algoritma KNN Regressor memiliki rata-rata nilai R2-Score sebesar 0,964. Sedangkan Adaboost Regressor dengan rata rata R2-Score sebesar 0.884. Hasil dari penelitian ini menunjukkan bahwa Random Forest Regressor keluar menjadi algoritma terbaik diantara dua lainnya.

Item Type: Thesis (Sarjana)
Uncontrolled Keywords: Regresi; Prediksi Harga Berlian; Random Forest; K-Nearest Neighbors; Adaptive Boosting (Adaboost); Regressor;
Subjects: Knowledge > Research; Statistical Methods
Applied mathematics
Applied mathematics > Programming Mathematics
Technology, Applied Sciences
Divisions: Fakultas Sains dan Teknologi > Program Studi Teknik Informatika
Depositing User: Fawzan Ojan Fajar
Date Deposited: 10 Aug 2023 05:42
Last Modified: 10 Aug 2023 05:42
URI: https://digilib.uinsgd.ac.id/id/eprint/73390

Actions (login required)

View Item View Item