Junita, Vivy (2020) Klasifikasi Aktivitas Manusia Menggunakan Algoritme Decision Tree C4.5 dan Information Gain untuk Seleksi Fitur. Sarjana thesis, Universitas Brawijaya.
Abstract
Pengenalan aktivitas manusia merupakan salah satu topik yang populer di kalangan peneliti akademis dan komersial. Beberapa peneliti telah mencoba untuk melakukan penelitian mengenai klasifikasi aktivitas manusia namun hasil yang didapatkan kurang memuaskan. Selain itu, terdapat permasalahan pada data set pengenalan aktivitas manusia yang memiliki fitur berdimensi tinggi. Fitur dengan dimensi tinggi membuat waktu komputasi menjadi lama dan menyebabkan pemodelan klasifikasi menjadi overfitting. Salah satu metode yang dapat digunakan untuk menyelesaikan permasalahan tersebut adalah metode klasifikasi Decision Tree C4.5 dengan seleksi fitur Information Gain. Metode Decision Tree C4.5 merupakan metode yang cocok digunakan untuk klasifikasi data yang kontinyu dan Information Gain menjadi salah satu metode filter dalam seleksi fitur yang dapat bekerja dengan baik terhadap data berdimensi tinggi. Penelitian juga melakukan berbagai pengujian terhadap parameter berupa jumlah fitur yang digunakan serta maksimal depth tree yang optimal untuk digunakan dalam tahap klasifikasi. Berdasarkan hasil pengujian yang telah dilakukan diperoleh akurasi sebesar 81% dengan menggunakan 90% dari total fitur (561 fitur) dan 10 untuk maksimal depth tree.
English Abstract
Human activity recognition is one of the popular topics on both academic and commercial researchers. Some researchers have tried to classify human activity recognition but the result is unsatisfactory. Moreover, there is another problem with high dimensional human activity recognition dataset. The high dimensional of data set takes a longer computational time and makes the classification model be overfitting. One method that can be used to solve those problems is the classification using the Decision Tree C4.5 algorithm and Information Gain as selection feature method. Decision Tree C4.5 algorithm is a suitable method for continuous dataset and Information Gain is one of the filter methods in feature selection that can work well on high-dimensional dataset. This research also conducted various tests on some parameters such as the optimal number of features and the maximum depth tree that be used. Based on the test that has been done obtained the accuracy of 81% with 90% of the total number of all features (561 features) and 10 for the maximum depth for the tree.
Other obstract
-
| Item Type: | Thesis (Sarjana) |
|---|---|
| Identification Number: | SKR/FILKOM/2020/119/052003081 |
| Uncontrolled Keywords: | klasifikasi aktivitas manusia, Decision Tree C4.5, Information Gain, reduksi fitur, maksimal depth tree. human activity recognition, Decision Tree C4.5, Information Gain, dimensionality reduction, maximum depth tree |
| Subjects: | 000 Computer science, information and general works > 001 Knowledge > 001.012 Classification |
| Divisions: | Fakultas Ilmu Komputer > Teknik Informatika |
| Depositing User: | Budi Wahyono Wahyono |
| Date Deposited: | 05 Aug 2020 08:19 |
| Last Modified: | 02 Oct 2024 07:49 |
| URI: | http://repository.ub.ac.id/id/eprint/180880 |
![[thumbnail of Vivy Junita .pdf]](http://repository.ub.ac.id/style/images/fileicons/text.png) |
Text
Vivy Junita .pdf Download (4MB) |
Actions (login required)
 |
View Item |