UNDANAUNDANA

J-ICON: Jurnal Komputer dan InformatikaJ-ICON: Jurnal Komputer dan Informatika

Penelitian ini bertujuan untuk menemukan model yang optimal dalam berbagai aplikasi machine learning. Kinerja model klasifikasi tidak hanya dipengaruhi oleh data, tetapi juga oleh pemilihan algoritma dan pengaturan hyperparameter yang optimal. Studi ini melakukan proses optimasi hyperparameter dan membandingkan hasil akurasi dengan menerapkan berbagai model klasifikasi pada dataset observasi. Data diperoleh dari Sloan Digital Sky Survey Data Release 18 (SDSS-DR18) dan Sloan Extension for Galactic Understanding and Exploration (SEGUE-IV), yang menyediakan data observasional objek luar angkasa seperti spektrum bintang dengan posisi dan magnitudo galaksi atau bintang. Penelitian ini menggunakan beberapa model machine learning, seperti k-Nearest Neighbor (KNN), Gaussian-Naive Bayes, eXtreme Gradient Boosting (XGBoost), Random Forest, Support Vector Machine (SVM), dan Multi-Layer Perceptron (MLP). Pendekatan Bayesian, Grid, dan Random digunakan untuk menemukan hyperparameter optimal guna memaksimalkan kinerja model klasifikasi. Hasil penelitian menunjukkan bahwa beberapa model klasifikasi memiliki peningkatan skor akurasi melalui pengaturan hyperparameter berbasis Bayesian. Model XGBoost menunjukkan hasil klasifikasi tertinggi setelah optimasi hyperparameter dibandingkan dengan model lain untuk kedua dataset dengan akurasi rata-rata 99,10% dan 95,11%.

Penelitian ini membuktikan bahwa beberapa model klasifikasi menunjukkan peningkatan skor akurasi melalui pengaturan hyperparameter berbasis Bayesian.Model XGBoost menunjukkan hasil klasifikasi tertinggi setelah optimasi hyperparameter dibandingkan dengan model lain untuk kedua dataset.Hasil ini mengindikasikan pentingnya optimasi hyperparameter dalam meningkatkan kinerja model klasifikasi untuk data survei langit.

Berdasarkan hasil penelitian ini, beberapa saran penelitian lanjutan dapat diajukan. Pertama, perlu dilakukan eksplorasi lebih lanjut terhadap teknik penanganan data tidak seimbang (imbalanced data) untuk meningkatkan kinerja model, terutama pada kelas minoritas. Kedua, penelitian dapat difokuskan pada pengembangan model ensemble baru yang menggabungkan kekuatan berbagai algoritma machine learning untuk mencapai akurasi yang lebih tinggi. Ketiga, eksplorasi fitur-fitur baru dari data survei langit, seperti informasi tentang lingkungan galaksi atau karakteristik debu antar bintang, dapat memberikan wawasan tambahan dan meningkatkan kemampuan model dalam mengklasifikasikan objek langit.

  1. [2205.10745] Classification of Quasars, Galaxies, and Stars in the Mapping of the Universe Multi-modal... arxiv.org/abs/2205.107452205 10745 Classification of Quasars Galaxies and Stars in the Mapping of the Universe Multi modal arxiv abs 2205 10745
  2. Radware Bot Manager Captcha. radware bot manager captcha apologize ensure keep safe please confirm human... doi.org/10.3847/1538-4365/acda98Radware Bot Manager Captcha radware bot manager captcha apologize ensure keep safe please confirm human doi 10 3847 1538 4365 acda98
Read online
File size321.37 KB
Pages8
DMCAReport

Related /

ads-block-test