Kamera; You Only Look Once; Teknologi

Fadli, Muhammad (2024) Kamera; You Only Look Once; Teknologi. Other thesis, Universitas Multi Data Palembang.

Text ilovepdf_merged (3).pdf Download (990kB)

Abstract

Ketidakseimbangan dataset merupakan masalah yang sering ditemui dalam prediksi cacat perangkat lunak. Salah satu teknik yang umum digunakan untuk mengatasi masalah ini adalah oversampling dengan metode SMOTE. Namun, SMOTE memiliki kelemahan, seperti rentan menghasilkan data noise dan meningkatkan risiko overfitting akibat penggandaan data dalam dataset. Selain teknik oversampling seperti SMOTE, terdapat juga metode yang disebut ICLL. ICLL mampu mengatasi ketidakseimbangan kelas tanpa melakukan resampling, melainkan melalui analisis pengelompokan hirarki dalam dua tahapan. Dengan tidak menggandakan dataset, ICLL mengurangi kemungkinan terjadinya overfitting. Penelitian ini akan membandingkan kinerja antara SMOTE dan ICLL pada classifier SVM dengan dataset NASA, yaitu CM1 dan JM1, pembagian dataset menggunakan rasio 70% data latih dan 30% data uji. Hasil dari penelitian ini membuktikan bahwa evaluasi model SVM dengan SMOTE berhasil mengungguli ICLL pada dataset CM1 menggunakan kernel rbf dengan akurasi sebesar 70%, AUC sebesar 65.59 %, F1-Score kelas Non-Defect sebesar 81.16%, F1-Score kelas Defect sebesar 26.23%. SMOTE juga mengungguli ICLL pada dataset JM1 menggunakan kernel rbf dengan akurasi sebesar 72.67%, AUC sebesar 66.91%, F1- Score kelas Non-Defect sebesar 81.83%, F1-Score kelas Defect sebesar 44.87%. Namun ICLL mengungguli SMOTE pada waktu training dan predict model, dengan rata-rata 0.018 detik pada dataset CM1, sementara SMOTE memiliki rata-rata 0.033 detik. ICLL juga mengungguli SMOTE pada waktu training dan predict model dataset JM1 dengan rata-rata 7.74 detik pada, sementara SMOTE memiliki rata-rata 9.72 detik.

Actions (login required)

View Item