PENGGUNAAN OTIMASI ATRIBUT DALAM PENINGKATAN AKURASI PREDIKSI DEEP LEARNING PADA BIKE SHARING DEMAND
Abstract Views : 167 / Downloads Count: 322DOI:
https://doi.org/10.31949/infotech.v9i1.4530Keywords:
Deep Learning, Fitur Bobot, Fitur Seleksi, Optimasi Atribut, PrediksiAbstract
Bersepeda kembali populer pasca pandemi Covid 19 yang terjadi di Indonesia kemarin. Dalam studi ini, algoritma yang paling umum digunakan diuji, termasuk Neural Nets, Generelized Linear Models, Support Vector Machines, Random Forests, dan Deep Learning. Penelitian dilakukan dalam lima model algoritma prediktif dengan sepuluh percobaan menggunakan validasi silang, dan dipilih nilai akurasi terbaik. Berdasarkan perbandingan algoritma tersebut, algoritma Deep Learning memiliki nilai Accuracy sebesar 90% dan AUC sebesar 0,770. Validasi Croos dengan X fold adalah dasar dari algoritma perbandingan ini. Algoritma pembelajaran mendalam ditemukan memiliki nilai akurasi 90%, yang 4-5% lebih rendah dari empat algoritma lainnya. Dengan peningkatan yang signifikan pada penelitian tersebut, maka nilai akurasi untuk optimasi bobot menggunakan algoritma Forward optimize adalah sebesar 95,63%. Berdasarkan hasil percobaan, peneliti menyimpulkan bahwa percobaan tersebut berhasil meningkatkan nilai akurasi dari algoritma deep learning.
Downloads
References
H. Fitroni, “Fenomena peningkatan motivasi bersepeda masyarakat di masa pandemi COVID-19,” Sporta Saintika, vol. 6, no. 1, pp. 109–118, 2021.
E. N. Deniati and A. Annisaa, “Hubungan Tren Bersepeda dimasa Pandemi Covid-19 dengan Imunitas Tubuh Lansia,” Sport Science and Health, vol. 3, no. 3, pp. 125–132, May 2021, doi: 10.17977/UM062V3I32021P125-132.
“Menjelajahi Seoul dan Korea dengan Bersepeda | kumparan.com.” https://kumparan.com/jifiawan-gana-putra/menjelajahi-seoul-dan-korea-dengan-bersepeda-1vL7Ax2ZLFh (accessed Jan. 17, 2023).
B. S. Pane, “Peranan olahraga dalam meningkatkan kesehatan,” Jurnal pengabdian kepada masyarakat, vol. 21, no. 79, pp. 1–4, 2015.
“Pakar UGM Jelaskan Cara Aman Bersepeda di Tengah Pandemi Corona | Universitas Gadjah Mada.” https://ugm.ac.id/id/berita/19632-pakar-ugm-jelaskan-cara-aman-bersepeda-di-tengah-pandemi-corona (accessed Jan. 17, 2023).
L. Lin, Z. He, and S. Peeta, “Predicting station-level hourly demand in a large-scale bike-sharing network: A graph convolutional neural network approach,” Transp Res Part C Emerg Technol, vol. 97, pp. 258–276, 2018, doi: https://doi.org/10.1016/j.trc.2018.10.011.
O. O. Oladimeji and O. Oladimeji, “Predicting survival of heart failure patients using classification algorithms,” JITCE (Journal of Information Technology and Computer Engineering), vol. 4, no. 02, pp. 90–94, 2020.
D. Riana, Y. Ramdhani, R. T. Prasetio, and A. N. Hidayanto, “Improving Hierarchical Decision Approach for Single Image Classification of Pap Smear.,” International Journal of Electrical & Computer Engineering (2088-8708), vol. 8, no. 6, 2018.
V. E. Sathishkumar, J. Park, and Y. Cho, “Using data mining techniques for bike sharing demand prediction in metropolitan city,” Comput Commun, vol. 153, pp. 353–366, 2020.
R. T. Prasetio, A. A. Rismayadi, N. Suryana, and R. Setiady, “Features Selection and k-NN Parameters Optimization based on Genetic Algorithm for Medical Datasets Classification,” Heart Disease (SPECTF), vol. 267, no. 44, p. 2, 2020.
M. Huljanah, Z. Rustam, S. Utama, and T. Siswantining, “Feature selection using random forest classifier for predicting prostate cancer,” in IOP Conference Series: Materials Science and Engineering, 2019, vol. 546, no. 5, p. 052031.
A. N. Rachmi, “Implementasi Metode Random Forest Dan Xgboost Pada Klasifikasi Customer Churn,” Laporan Tugas Akhir. Fakultas Matematika Dan Ilmu Pengetahuan Alam Universitas Islam Indonesia Yogyakarta, 2020.
T. Nurhikmat, “Implementasi deep learning untuk image classification menggunakan algoritma Convolutional Neural Network (CNN) pada citra wayang golek,” 2018.
S. García, J. Luengo, and F. Herrera, Data preprocessing in data mining, vol. 72. Springer, 2015.
S. García, S. Ramírez-Gallego, J. Luengo, J. M. Benítez, and F. Herrera, “Big data preprocessing: methods and prospects,” Big Data Anal, vol. 1, no. 1, pp. 1–22, 2016.
A. Ishaq et al., “Improving the prediction of heart failure patients’ survival using SMOTE and effective data mining techniques,” IEEE access, vol. 9, pp. 39707–39716, 2021.
A. M. Hay, “The derivation of global estimates from a confusion matrix,” Int J Remote Sens, vol. 9, no. 8, pp. 1395–1398, 1988.
F. Gorunescu, Data Mining: Concepts, models and techniques, vol. 12. Springer Science & Business Media, 2011.
M. Sokolova and G. Lapalme, “A systematic analysis of performance measures for classification tasks,” Inf Process Manag, vol. 45, no. 4, pp. 427–437, 2009.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2023 INFOTECH journal
![Creative Commons License](http://i.creativecommons.org/l/by-nc-sa/4.0/88x31.png)
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.