Penulis telah membaca link berikut https://piptools.net/algoritma-adaboost-adaptive-boosting/ dengan menggunakan Adaboost yaitu dengan dasar menggunakan fitur-fitur lemah yang digabungkan menjadi fitur yang kuat untuk melakukan keputusan ditolak dan diterima pada database yang telah ada.Diberikan kasus berikut
Bagaimana keputusan 2 pelanggan berikut?
Pada simpulan link diatas menghasilkan berikut
Sebenarnya kita juga menggunakan teknik lain yang lebih mudah yaitu percepton dengan dasar yaitu kombinasi linear antar parameter
y = x1*w1+x2*w2+b, if y>=0, then +1
else -1
Maka dari 3 parameter diatas yaitu umur; jenis kelamin, skor
y = umur*w1+jenis_kelamin*w2+skor*w3+b
dengan w adalah bobot untuk tiap parameter dan b adalah bias
Langkah yang ditempuh sama yaitu menormalkan dengan aturan berikut
Sehingga menjadi berikut
Kita menghitung menggunakan Percepton menghasilkan nilai berikut
http://www.softscients.web.id/2015/05/percepton-pada-kasus-linear-dan-non.html
hasil=(umur*5)+(jenis kelamin*4)-(skor*13)+18.5
apakah persamaannya sudah betul? Mari kita coba pada pelanggan F
hasil=(1*5)+(0*4)-(3*13)+18.5
hasil= -15.5 atau-1 karena nilainya dibawah 1
kita coba lagi untuk yang pelanggan H
hasil=(2*5)+(0*4)-(2*13)+18.5
hasil=2.5 atau+1 karena nilanya diatas 1
Bagaimana dengan pelanggan I dan J ???
Kita akan menggunakan persamaan diatas menjadi
pelanggan I=(1*5)+(0*4)-(3*13)+18.5
hasil= -15.5 atau-1 karena nilainya dibawah 1
selanjutnya
pelanggan J=(2*5)+(1*4)-(2*13)+18.5
hasil=6.5 atau+1 karena nilanya diatas 1
pelanggan I DITOLAK dan J DITERIMA
Bahwa Percepton juga bisa digunakan untuk klasifikasi sederhana ya dan tidak
menggunakan beberapa parameter dengan asumsi semua parameter merupakan kombinasi linear.
Referensi:
http://mccormickml.com/2013/12/13/adaboost-tutorial/
https://www.analyticsvidhya.com/blog/2015/11/quick-introduction-boosting-algorithms-machine-learning/
https://www.analyticsvidhya.com/blog/2015/05/boosting-algorithms-simplified/