Resampling Logistic Regression untuk Penanganan Ketidakseimbangan Class pada Prediksi Cacat Software
Teks penuh
Gambar
Dokumen terkait
Hasil dari komparasi algoritma yang diambil oleh peneliti yaitu Naive Bayes, J48 dan Random Forest dapat ditemukan bahwa untuk mengatasi ketidaksimbangan kelas
Berda- sarkan nilai akurasi dan spesificity, metode Binary Logistic Regression memberikan hasil lebih baik daripada LORENS dengan Holdout pada konsumen Low Price dan High
Sedangkan metode pengklasifikasi yang digunakan adalah k-Nearest Neighbors (kNN) dan Support Vector Machine (SVM). Hasil empiris menunjukkan bahwa seleksi fitur
Hasil dari model yang diusulkan yaitu Ensemble Logistic Regression menggunakan parameter Newton Raphson berhasil mencapai kinerja terbaik dengan meningkatkan kinerja
Berda- sarkan nilai akurasi dan spesificity , metode Binary Logistic Regression memberikan hasil lebih baik daripada LORENS dengan Holdout pada konsumen Low Price dan
Untuk akurasi yang lebih baik, penelitian ini memprediksi stroke dengan menggunakan dua algoritma, yaitu support vector machine (SVM) dan logistic regression (LR).. Pada
prediksi cacat perangkat lunak dengan algoritma logistic regression. Hasil percobaan pada penelitian ini mendapatkan nilai akurasi tertinggi sebesar 0,990 pada dataset
KESIMPULAN Berdasarkan hasil dari uji coba yang telah dijabarkan sebelumnya dengan memanfaatkan integrasi teknik SMOTE pada naïve bayes dan logistic regression berbasis PSO dapat
