Article Per Year (5 Year)
p-Index From 2021 - 2026
1.259
P-Index
This Author published in this journals
All Journal BAREKENG: Jurnal Ilmu Matematika dan Terapan Jurnal Pengabdian Masyarakat MIPA dan Pendidikan MIPA Jurnal Mnemonic Jurnal Pengabdian kepada Masyarakat Nusantara
Ratnasari, Andika Putri
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Energy Engineering Mathematics Mechanical Engineering Physics Social Sciences Transportation

Published : 7 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search
Journal : Jurnal Mnemonic

 1 
KLASIFIKASI VARIETAS KACANG MENGGUNAKAN XGBOOST DENGAN PENYESUAIAN CLASS WEIGHTING Yusri, Thesa Adi Saputra; Rudhistiar, Deddy; Ratnasari, Andika Putri
Jurnal Mnemonic Vol 8 No 1 (2025): Mnemonic Vol. 8 No. 1
Publisher : Teknik Informatika, Institut Teknologi Nasional malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/mnemonic.v8i1.12788

Abstract

Kondisi data tidak imbang (imbalance) merupakan salah satu tantangan utama dalam masalah klasifikasi terkait kualitas atau penyakit pada bidang agrikultur. Penelitian ini bertujuan untuk mengimplementasikan algoritma XGBoost dalam klasifikasi varietas kacang kering dengan fokus pada penanganan ketidakseimbangan kelas melalui pembobotan kelas. Dataset yang digunakan terdiri dari tujuh jenis kacang kering dengan berbagai karakteristik fisik yang diukur dalam piksel, yang meliputi fitur dimensi dan bentuk. Proses normalisasi dilakukan menggunakan teknik min-max normalization untuk memastikan skala data konsisten. Untuk menangani ketidakseimbangan kelas, teknik pembobotan kelas diterapkan dalam XGBoost, yang memberikan bobot lebih pada kelas minoritas. Grid Search dengan 5-fold cross-validation digunakan untuk menemukan kombinasi hyperparameter terbaik, yang menghasilkan akurasi cross-validation sebesar 92.5% dan skor terbaik pada 92.8%. Evaluasi model pada data uji menunjukkan akurasi 93%, dengan hasil precision, recall, dan f1-score yang seimbang pada setiap kelas. Hasil ini menunjukkan bahwa XGBoost dengan pembobotan kelas dapat mengatasi ketidakseimbangan kelas dan memberikan akurasi yang tinggi pada klasifikasi kacang kering
Co-Authors Atikah, Farahhuda Brilliant, Indira Ihnu Budi Susetyo Deddy Rudhistiar Kismiantini Kismiantini Nur'aini, Rizky Retno Subekti Thesa Adi Saputra Yusri Yuli Arini, Luthfia Hanun