ABSTRAKSI: Klasifikasi adalah proses mengelompokkan data-data ke dalam kelas-kelasnya. Pada periode ini penerapan metode klasifikasi yaitu klasifikasi multi-label semakin banyak dibutuhkan dalam aplikasi-aplikasi modern, seperti klasifikasi fungsi protein, gen, dan scene semantik. Masalah yang terjadi adalah bagaimana memprediksi kelas-kelas dari data yang multi-label dengan karakteristik data yang berbeda-beda.
Metode atau algoritma klasifikasi yang diimplementasikan adalah ADTBoost.MH yang merupakan perpaduan ide dari metode boosting dan metode decision tree, dimana dengan memanfaatkan iterasi dalam boosting algoritma ini membangun suatu pengklasifikasi yang disebut dengan Alternating Decision Tree (ADTree). ADTBoost.MH menyelesaikan masalah klasifikasi data multi-label secara binary classification.
Melalui percobaan yang telah dilakukan, algoritma ADTBoost.MH berhasil menunjukkan performansi yang bagus dalam menangani masalah klasifikasi yang dihadapi pada karakteristik data multi-label yang berbeda-beda. Yang lebih utama adalah ADTBoost.MH ini menunjukkan performansi yang lebih bagus untuk mengklasifikasikan data yang multi-label bila dibandingkan dengan algoritma klasifikasi single-label.
Kata Kunci : multi-label, ADTBoost.MH, ADTree, boosting, pengklasifikasi, matriks evaluasiABSTRACT: Classification is a process that classify data into their true class. In this periode, multi-label classification methods are increasingly required modern applications, such as protein function classification, gen classification, and semantic scene classification. The problem that arise is how to predict the true class from many different characteristics of multi-label data.
Method or algorithm that implemented is called by ADTBoost.MH algorithm. This algorithm came from the idea of boosting methods and decision tree methods. Using the boosting iteration, this algorithm build an Alternating Decision Tree (ADTree) as a classifier. ADTBoost.MH solving multi-label classification problem with binary classification procedure.
Experiments show that ADTBoost.MH is reliable to solve classification problem from different characteristics of multi-label data. More importantly, this algorithm shows a better performance to classify multi-label data rather than use single-label classification algorithm to classify multi-label data.
Keyword: multi-label, ADTBoost.MH, ADTree, boosting, classifier, evaluation metrics