Publisher

IAIIIAII

Journal Jurnal RESTI (Rekayasa Sistem dan Teknologi Informas)iJurnal RESTI (Rekayasa Sistem dan Teknologi Informas)i Abstract

Data scaling memiliki peran penting dalam praproses data yang berdampak pada kinerja dari algoritme machine learning. Penelitian ini bertujuan menganalisis pengaruh teknik normalisasi min-max dan standarisasi (normalisasi zero-mean) terhadap performa algoritme machine learning. Tahapan yang dilakukan dalam penelitian ini diantaranya pada dataset fitur venasi daun dilakukan normalisasi data. Hasil dari dataset yang telah dinormalisasi, kemudian diujikan ke empat algoritme machine learning antara lain KNN, Naïve Bayesian, ANN, SVM dengan kernel RBF dan kernel linear. Analisis dilakukan pada hasil evaluasi model menggunakan 10-fold cross validation, dan validasi menggunakan data uji. Hasil yang diperoleh menunjukkan bahwa Naïve Bayesian memiliki performa paling stabil terhadap penggunaan teknik normalisasi min-mix maupun standarisasi. Untuk algoritme KNN cukup stabil dibandingkan dengan SVM dan ANN. Namun, kombinasi antara teknik normalisasi min-max dengan SVM yang menggunakan kernel RBF dapat memberikan hasil performa terbaik. Disisi lain, SVM dengan kernel linear, performa terbaik diperoleh ketika menerapkan teknik standarisasi (normalisasi zero-mean). Sedangkan algoritme ANN, perlu dilakukan beberapa kali ujicoba untuk mengetahui teknik normalisasi data terbaik yang sesuai dengan algoritme tersebut.

Conclusion

Pengujian dataset fitur venasi daun hasil normalisasi min-max dan standarisasi (zero-mean) terhadap kelima algoritme machine learning diperoleh performa yang bervariasi.Diantara kelima algoritme yang telah diuji, Naïve Bayesian memiliki performa yang stabil ketika dataset fitur venasi daun diterapkan normalisasi data, baik normalisasi min-max maupun standarisasi (zero-mean).Penggunaan teknik normalisasi memang memiliki pengaruh yang besar terhadap algoritme machine learning.Sebaiknya tetap lakukan pengujian dengan sampel data yang bervariasi, karena jumlah data juga memiliki kontribusi dalam menghasilkan performa terbaik algoritme machine learning.

Future Research

Penelitian selanjutnya dapat mengkaji pengaruh berbagai teknik data scaling lainnya, seperti robust scaling atau power transformer, terhadap performa algoritme machine learning dalam identifikasi tanaman. Selain itu, eksplorasi kombinasi fitur venasi daun dengan fitur lain, seperti warna atau tekstur, dapat meningkatkan akurasi klasifikasi. Pengembangan model machine learning yang mampu beradaptasi secara otomatis dengan teknik data scaling yang paling optimal untuk setiap jenis tanaman juga menjadi arah penelitian yang menarik untuk dieksplorasi.

Metadata

File size	638.1 KB
Pages	6
DMCA	Report