Electronic Resource

Perbandingan Algoritma Xtreme Gradien Boosting dan Algoritma Decision Tree Dalam Klasifikasi HIV/AIDS

---

Penelitian ini bertujuan membandingkan kinerja algoritma Decision Tree
dan Extreme Gradien Boosting (XGBoost) dalam klasifikasi status infeksi
HIV/AIDS. Desain penelitian berbentuk kuantitatif dengan pendekatan
eksperimental menggunakan dataset sekunder berjumlah 2.139 baris dan 23
atribut dari platform terbuka. Data melalui tahap praproses berupa pemeriksaan
nilai hilang, penghapusan duplikat, deteksi dan penanganan outlier menggunakan
metode Interquartile Range (IQR), serta normalisasi skala. Model dilatih dan diuji
dengan tiga variasi rasio data latih dan uji (70:30. 80:20, dan 90:10). Evaluasi
dilakukan menggunakan metric akurasi, presisi, recall, dan F1-score yang diukur
melalui confusion matrix. Hasil menunjukan bahwa XGBoost memberikan kinerja
tertinggi dengan akurasi 99,16%, presisi 98,17%, recall 99,16%, dan F1-score
99,16% pada rasio data 90:10. Sebaliknya, Decision Tree mencapai akurasi
maksimum 95% dengan F1-score sekitar 95% pada rasio data yang sama. Temuan
ini menegaskan bahwa XGBoost memiliki akurasi dan kemampuan generalisasi
lebih tinggi dibandingkan Decision Tree pada seluruh scenario pembagian data.
Penelitian ini menyimpulkan bahwa XGBoost lebih direkomendasikan untuk
pengembangan sistem pendukung keputusan berbasis data dalam mendeteksi
status infeksi HIV/AIDS.

---

Ketersediaan

SB00897S

KKI 001.6 SAR p/s

Perpustakaan Unikama

Tersedia

Informasi Detail

Judul Seri

-

No. Panggil

KKI 001.6 SAR p/s

Penerbit

Malang : Prodi Teknik Informatika Unikama., 2025

Deskripsi Fisik

xv, 73 hlm 26 cm

Bahasa

Indonesia

ISBN/ISSN

-

Klasifikasi

001.6

Tipe Isi

text

Tipe Media

PDF

Tipe Pembawa

online resource

Edisi

1

Subjek

Skripsi
Teknik informatika
HIV/AIDS
Decision Tree
Machine Learning
Confusion Matrix

Info Detail Spesifik

-

Pernyataan Tanggungjawab

-

Versi lain/terkait

Lampiran Berkas

Komentar

---

Anda harus masuk sebelum memberikan komentar