Makalah Sistem Operasi XGBOOST
Makalah Sistem Operasi XGBOOST
XGBOOST
Disusun Oleh :
KELOMPOK 9
XGBOOST
A. Tujuan Pembelajaran
Pada pertemuan ini akan dijelaskan pengetahuan dasar (basic science) tentang
Naves Bayes. Anda harus mampu:
B. Uraian Materi
6. Kerumitan Model
Tentukan rentang nilai yang akan diuji untuk setiap parameter. Misalnya,
Anda dapat menentukan rentang nilai dari 1 hingga 10 untuk jumlah iterasi, dan
dari 3 hingga 10 untuk kedalaman maksimum pohon. Rentang nilai ini akan
digunakan dalam proses tuning.
Grid SearcH
Random SearcH
Random search melibatkan pemilihan acak dari nilai
parameter dalam rentang yang telah ditentukan. Sejumlah
kombinasi parameter yang dihasilkan secara acak kemudian dilatih
dan dievaluasi. Random search lebih efisien dalam hal waktu
dibandingkan dengan grid search, tetapi mungkin tidak mencoba
semua kombinasi secara eksplisit.
Bayesian Optimization
Metode optimasi bayesian menggunakan algoritma yang
menggabungkan informasi dari percobaan sebelumnya untuk
memilih kombinasi parameter yang paling mungkin memberikan
kinerja terbaik. Metode ini lebih efisien daripada grid search dan
random search karena memanfaatkan pengetahuan yang diperoleh
dari setiap percobaan untuk mengarahkan pencarian ke ruang
parameter yang lebih berpotensi.
4. Evaluasi Kinerja
6. Uji Validitas
1. Bagi Data
2. Pelatihan Model
Gunakan data pelatihan untuk melatih model XBOOST. Tentukan
parameter-parameter yang relevan, seperti jumlah iterasi (n_estimators),
kedalaman maksimum pohon (max_depth), tingkat pembelajaran
(learning_rate), dan sebagainya. Latih model menggunakan fungsi
XBOOST yang tersedia dalam pustaka atau alat yang Anda gunakan.
3. Evaluasi Kinerja pada Data Pelatihan
Evaluasi kinerja model XBOOST pada data pelatihan untuk
memastikan bahwa model sedang belajar dari data tersebut. Gunakan metrik
evaluasi yang sesuai, seperti akurasi, presisi, recall, atau area di bawah
kurva ROC (AUC-ROC), untuk mengevaluasi kinerja model pada data
pelatihan. Ini akan memberikan Anda pemahaman awal tentang kinerja
model.
4. Evaluasi Kinerja pada Data Pengujian
Setelah Anda puas dengan kinerja dan interpretasi model, lakukan validasi
akhir pada data baru yang belum pernah dilihat sebelumnya. Gunakan model
XBOOST yang telah dilatih untuk melakukan prediksi pada data baru dan evaluasi
kinerja model pada data tersebut.
Penting untuk dicatat bahwa evaluasi dan validasi model adalah proses yang
penting dalam pengembangan model XBOOST yang baik. Pastikan Anda
memahami metrik evaluasi yang digunakan, memperhatikan kekurangan atau bias
yang mungkin muncul, dan memperbaiki atau menyesuaikan model jika diperlukan.
1. Studi Literatur
Teliti penelitian yang telah dilakukan oleh orang lain dalam domain
atau industri yang sama. Identifikasi studi kasus, riset, atau proyek yang
telah menggunakan XBOOST untuk memecahkan masalah serupa atau
relevan dengan yang Anda hadapi. Perhatikan penggunaan XBOOST yang
sukses dan penerapan terbaik yang dapat Anda pelajari dari penelitian
tersebut.
Selama proses ini, penting untuk terus belajar dan beradaptasi dengan
perubahan dan perkembangan dalam domain atau industri Anda. Tetap mengikuti
literatur dan penelitian terbaru, serta berinteraksi dengan komunitas atau forum
yang berhubungan dengan XBOOST dalam konteks yang Anda minati.
DAFTAR PUSTAKA
Ariyus, Dony dan Rum Andri K.R. 2008. Komunikasi Data. Yogyakarta :
C.V ANDI OFFSET
Achmadi, Meizar Didi dan Asep Supriadi. 2010. Membangun Jaringan LAN.
Jurnal Perkembangan Telematika.
http://xo.unindra.blogspot.com/2012/06/jurnal-lisna-maulida-2011-4350-
1308.html
http://jogjapress.com/index.php/JIFO/article/viewFile/33/57
https://www.nesabamedia.com/topologi-tree/
http://jurnalinformatika.petra.ac.id/index.php/inf/article/download/15822/15
4