METODE CONVENTIONAL TUNING DAN FAST TUNING DALAM EFISIENSI PENENTUAN HYPERPARAMETER UNTUK KLASIFIKASI TEKS

NAUFAL HUSAIN REZA, Yunita Wulan Sari,S.Si., M.Sc.

2021 | Skripsi | S1 STATISTIKA

Dalam machine learning, penentuan hyperparameter menjadi permasalahan yang cukup kompleks. Banyak pendekatan telah dicoba untuk bisa menentukan nilai hyperparameter dengan optimal, namun cenderung memakan waktu komputasi. Banyaknya waktu komputasi yang terbuang tentu menjadikan kinerja menjadi tidak efektif. Pada skripsi ini, diajukan sebuah metode untuk mempersingkat waktu komputasi yang disebut fast tuning. Fast tuning merupakan suatu metode baru yang dapat mempersingkat waktu komputasi sebagai pengembangan dari metode sebelumnya yaitu conventional tuning. Metode ini bekerja dengan menggunakan sistem grid search dan diterapkan pada kasus klasifikasi teks dengan menggunakan metode K-Nearest Neighbor (KNN) dan Best Match 25 (BM25), dengan tiga hyperparameter yang perlu ditentukan nilainya. Berdasarkan hasil analisisdengan beberapa percobaan diperoleh bahwa metode ini mampu mengurangi waktu komputasi secara signifikan.

In machine learning, hyperparameters tuning is a quite complex problem. Several approaches have been adopted for optimal hyperparameter tuning, but they tend to take computation time. The amount of wasted computing time certainly makes performance ineffective. In this thesis, a method is proposed to shorten the computation time, called fast tuning. Fast tuning is a new method that can make efficient computation as a development from previous method that called conventional tuning. This method works by using a grid search system and applied in text classification using the K-Nearest Neighbor (KNN) and Best Match 25 (BM25) methods, with three hyperparameters whose values need to be tuned. After some analysis with some experiments we can conclude that this method is able to reduce computation time significantly.

Kata Kunci : KNN, BM25, grid search, hyperparameter, fast tuning, conventional tuning