Evaluasi Kinerja Berbagai Algoritma Machine Learning dalam Prediksi Data Klasifikasi
Keywords:
machine learning, klasifikasi, evaluasi kinerja, SVM, Random ForestAbstract
Penelitian ini bertujuan untuk mengevaluasi kinerja beberapa algoritma machine learning pada kasus klasifikasi, seperti Support Vector Machine (SVM), K-Nearest Neighbor (KNN), Random Forest, dan Naive Bayes. Model diuji menggunakan satu atau beberapa dataset klasifikasi standar dan dibandingkan berdasarkan metrik akurasi, precision, recall, dan F1-score. Hasil menunjukkan bahwa setiap algoritma memiliki keunggulan berbeda tergantung karakteristik data, seperti jumlah fitur, sebaran kelas, dan tingkat noise. Temuan ini diharapkan dapat menjadi panduan awal dalam pemilihan algoritma klasifikasi yang sesuai untuk kebutuhan pengembang sistem berbasis machine learning
References
Alfaruk, S. R., Qoyum, A. A., Sugiono, S., & Haryono, W. (2023). PERANCANGAN APLIKASI BUKU INDUK SISWA (BISA) BERBASIS WEB MENGGUNAKAN METODE EXTREME PROGRAMMING DI MTS MATHLAâ€TMUL ANWAR BAROS. Journal Information & Computer, 1(1), 18–24. https://doi.org/10.32493/jicomisc.v1i1.26724
Mohadib, M., Widjdi, A. F., Fathoni, A., & Faruq, S. R. Al. (2025). Strengthening Cyber Resilience through IoBT Best Practices: Future Applications. Formosa Journal of Science and Technology, 4(1), 349–368. https://doi.org/10.55927/fjst.v4i1.13260
Muslim, A. C., Hutahaean, H. A., & Alfaruk, S. R. (2025). Prediksi Kebutuhan Energi Listrik di Banten: Proyeksi dan Skenario Transisi Energi Berkelanjutan. Blend Sains Jurnal Teknik, 4(2), 280–287. https://doi.org/10.56211/blendsains.v4i2.1231
Rasyidin Alfaruk, S. (2024). Pelatihan Web CBT untuk Ujian Siswa pada Guru MTs Mathla’ul Anwar Baros. Jurnal Pengabdian Dharma Laksana, 6(2), 534–538. https://doi.org/10.32493/j.pdl.v6i2.52969
Saddam RA, Angga Pranata, Sugiono, Rizki Zulanggara, Nur Halimah, Sri Nur H, Rosdiana SM, Nurhalim, & Aprina Handayani. (2023). Sniffing and Spoofing in Computer Security. International Journal of Integrative Sciences, 2(6), 881–886. https://doi.org/10.55927/ijis.v2i6.4528
