EVALUASI ALGORITMA K-NEAREST NEIGHBORS, RANDOM FOREST DAN XGBOOST PADA PREDIKSI ENERGI ATOMISASI MOLEKUL

Afala, Iswari (2022) EVALUASI ALGORITMA K-NEAREST NEIGHBORS, RANDOM FOREST DAN XGBOOST PADA PREDIKSI ENERGI ATOMISASI MOLEKUL. Undergraduate thesis, UNIMED.

[thumbnail of 1. NIM. 4183540001 COVER.pdf]
Preview
Text
1. NIM. 4183540001 COVER.pdf - Published Version

Download (51kB) | Preview
[thumbnail of 2. NIM. 4183540001 APPROVAL SHEET.pdf]
Preview
Text
2. NIM. 4183540001 APPROVAL SHEET.pdf - Published Version

Download (505kB) | Preview
[thumbnail of 3. NIM. 4183540001 ABSTRACT.pdf]
Preview
Text
3. NIM. 4183540001 ABSTRACT.pdf - Published Version

Download (121kB) | Preview
[thumbnail of 4. NIM. 4183540001 PREFACE.pdf]
Preview
Text
4. NIM. 4183540001 PREFACE.pdf - Published Version

Download (144kB) | Preview
[thumbnail of 5. NIM. 4183540001 TABLE OF CONTENT.pdf]
Preview
Text
5. NIM. 4183540001 TABLE OF CONTENT.pdf - Published Version

Download (79kB) | Preview
[thumbnail of 6. NIM. 4183540001 TABLES.pdf]
Preview
Text
6. NIM. 4183540001 TABLES.pdf - Published Version

Download (46kB) | Preview
[thumbnail of 7. NIM. 4183540001 ILLUSTRATION.pdf]
Preview
Text
7. NIM. 4183540001 ILLUSTRATION.pdf - Published Version

Download (49kB) | Preview
[thumbnail of 8. NIM. 4183540001 APPENDICES.pdf]
Preview
Text
8. NIM. 4183540001 APPENDICES.pdf - Published Version

Download (44kB) | Preview
[thumbnail of 9. NIM. 4183540001 CHAPTER I.pdf]
Preview
Text
9. NIM. 4183540001 CHAPTER I.pdf - Published Version

Download (234kB) | Preview
[thumbnail of 13. NIM. 4183540001 CHAPTER V.pdf]
Preview
Text
13. NIM. 4183540001 CHAPTER V.pdf - Published Version

Download (159kB) | Preview
[thumbnail of 14. NIM. 4183540001 BIBLIOGRAPHY.pdf]
Preview
Text
14. NIM. 4183540001 BIBLIOGRAPHY.pdf - Published Version

Download (272kB) | Preview

Abstract

Penelitian ini bertujuan untuk menyelesaikan nilai dari energi atomisasi molekul tanpa menggunakan metode analitik maupun numerik, dengan berkembang pesatnya teknologi memungkinkan mengetahui nilai energi atomisasi molekul secara cepat dan efisien dengan algoritma Machine Learning dan Matrix Coulomb sebagai deskriptornya dengan membandingkan dataset asli dari database PubChem sebanyak 16242 molekul dari unsur penyusun C ,H, N ,O, P dan S dengan hasil prediksi masing – masing algoritma. Penelitian ini dilakukan di Laboratorium Komputer Jurusan Fisika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Negeri Medan yang dilaksanakan pada bulan Juni hingga Juli 2022. Algoritma yang digunakan ialah K-Nearest Neighbors, Random Forest, dan XGBoost dengan bantuan library dari Scikit-Learn. Variabel yang diuji ialah nilai RMSE (Root Mean Square Error), R2 (Koefisien Determinasi), lama waktu, penggunaan resource dan hyperparameter masing – masing algoritma. Hasil penelitian menunjukkan bahwa algoritma K-Nearest Neighbors buruk dalam memprediksi dengan nilai RMSE 2,0226, nilai R2 0,6989 dan lama waktu yang dibutuhkan selama 5,7 detik. Untuk algoritma Random Forest nenghasilkan nilai RMSE 0,0089, nilai R2 0,9999 dan lama waktu yang dibutuhkan selama 343 detik, sedangkan algoritma XGBoost menghasilkan nilai RMSE 0,0647, R2 0,9996 dan lama waktu yang dibutuhkan selama 99 detik. Penggunaan resource dari ketiga algoritma ini menyentuh 90 % dari CPU dan RAM nya

Item Type: Thesis (Undergraduate)
Additional Information: 2022-FIS-077 / 518.1 Afa e
Keywords: Machine Learning; Matrix Colomb; RMSE; R2; K-Nearest Neighbors; Random Forest; XGBoost; hyperparameter; Scikit-Learn
Subjects: Q Science > QC Physics
Divisions: Fakultas Matematika dan Ilmu Pengetahuan Alam > Fisika
Depositing User: Mrs Gusti Lisa Utami
Date Deposited: 07 Dec 2022 01:20
Last Modified: 07 Dec 2022 01:20
URI: https://digilib.unimed.ac.id/id/eprint/49468

Actions (login required)

View Item
View Item