Papers by Rangga Vernanda
ABSTRAK Penelitian ini mengulas pemanfaatan strategi ensemble learning dalam pengembangan sistem ... more ABSTRAK Penelitian ini mengulas pemanfaatan strategi ensemble learning dalam pengembangan sistem cerdas hibrida yang mampu beroperasi secara andal di tengah tantangan data yang kompleks dan berisik. Sistem cerdas hibrida dirancang dengan mengombinasikan metode kecerdasan buatan berbasis simbolik dan pembelajaran mesin guna meningkatkan ketepatan dan fleksibilitas. Pendekatan metodologis mencakup studi pustaka dan eksperimen empiris, dengan pengujian terhadap berbagai algoritma ensemble seperti bagging, boosting, dan stacking yang diterapkan pada model dasar seperti Decision Tree, SVM, serta Neural Network. Hasil eksperimen menunjukkan bahwa model ensemble secara konsisten melampaui performa model tunggal, baik dari sisi akurasi, ketahanan terhadap noise, maupun kemampuan generalisasi. Selain itu, integrasi pendekatan neuro-symbolic dan pembelajaran penguatan multi-agen (MARL) menambah tingkat adaptabilitas dan kejelasan interpretasi sistem. Dengan demikian, ensemble learning memiliki peran vital dalam pengembangan kecerdasan buatan yang kuat dan dapat diandalkan, khususnya dalam aplikasi-aplikasi yang menuntut keputusan presisi tinggi.
ABSTRAK Penelitian ini mengulas pemanfaatan strategi ensemble learning dalam pengembangan sistem ... more ABSTRAK Penelitian ini mengulas pemanfaatan strategi ensemble learning dalam pengembangan sistem cerdas hibrida yang mampu beroperasi secara andal di tengah tantangan data yang kompleks dan berisik. Sistem cerdas hibrida dirancang dengan mengombinasikan metode kecerdasan buatan berbasis simbolik dan pembelajaran mesin guna meningkatkan ketepatan dan fleksibilitas. Pendekatan metodologis mencakup studi pustaka dan eksperimen empiris, dengan pengujian terhadap berbagai algoritma ensemble seperti bagging, boosting, dan stacking yang diterapkan pada model dasar seperti Decision Tree, SVM, serta Neural Network. Hasil eksperimen menunjukkan bahwa model ensemble secara konsisten melampaui performa model tunggal, baik dari sisi akurasi, ketahanan terhadap noise, maupun kemampuan generalisasi. Selain itu, integrasi pendekatan neuro-symbolic dan pembelajaran penguatan multi-agen (MARL) menambah tingkat adaptabilitas dan kejelasan interpretasi sistem. Dengan demikian, ensemble learning memiliki peran vital dalam pengembangan kecerdasan buatan yang kuat dan dapat diandalkan, khususnya dalam aplikasi-aplikasi yang menuntut keputusan presisi tinggi.
Uploads
Papers by Rangga Vernanda