Peningkatan performa metode Gauss Newton dengan Conjugate Gradien pada masalah klasifikasi Biner menggunakan Regresi Logistik

INDONESIA:
Klasifikasi biner merupakan permasalahan penting dalam pembelajaran mesin yang sering diselesaikan menggunakan regresi logistik. Namun, tantangan utama dari metode ini adalah proses optimasi parameter, terutama ketika dihadapkan pada data berdimensi besar. Penelitian ini mengusulkan penggabungan metode Gauss-Newton dan Conjugate Gradient untuk meningkatkan efisiensi dan akurasi proses pelatihan model. Dataset Ionosphere dari UCI digunakan sebagai studi kasus. Model diuji melalui tahapan preprocessing, normalisasi, pelatihan, dan evaluasi menggunakan metrik klasifikasi. Hasil menunjukkan bahwa model gabungan mencapai akurasi 0.8629, precision 0.8293, recall 1, F1-score 0.9067, dan waktu 570 ms pada data uji. Selain itu, dibandingkan metode Gradient Descent dan Adam, pendekatan ini menunjukkan konvergensi yang lebih cepat dan stabil. Penelitian ini memberikan kontribusi dalam pengembangan metode klasifikasi biner yang lebih efisien dan akurat.

INGGRIS:
Binary classification is an important problem in machine learning that is often solved using logistic regression. However, the main challenge of this method is the parameter optimisation process, especially when faced with large-dimensional data. This research proposes combining the Gauss-Newton and Conjugate Gradient methods to improve the efficiency and accuracy of the model training process. The Ionosphere dataset from UCI is used as a case study. The model was tested through the stages of preprocessing, normalisation, training, and evaluation using classification metrics. The results showed that the combined model achieved 0.8679 accuracy, 0.8293 precision, 1 recall, 0.9067 F1-score, and time of 570 ms on the test data. In addition, compared to Gradient Descent and Adam's method, this approach shows faster and more stable convergence. This research contributes to the development of more efficient and accurate binary classification methods.

ARAB:
عد التصنيف الثنائي مشكلة مهمة في التعلم الآلي يتم حلها غالبا باستخدام الانحدار اللوجستي. ومع ذلك ، فإن التحدي الرئيسي لهذه الطريقة هو عملية تحسين المعلمات ، خاصة عند مواجهة بيانات كبيرة الأبعاد. تقترح هذه الدراسة دمج طريقة Gauss-Newton والتدرج المترافق لتحسين كفاءة ودقة عملية التدريب النموذجية. تم استخدام مجموعة بيانات الأيونوسفير من UCI كدراسة حالة. يتم اختبار النموذج من خلال مراحل المعالجة المسبقة والتطبيع والتدريب والتقييم باستخدام مقاييس التصنيف. أظهرت النتائج أن النموذج المدمج حقق دقة قدرها 0.8629 ، ودقة 0.8293 ، واستدعاء 1 ، ودرجة F1 0.9067 ، ووقت 570 مللي ثانية على بيانات الاختبار. بالإضافة إلى ذلك ، بالمقارنة مع طرق Gradient Descent و Adam ، يظهر هذا النهج تقاربا أسرع وأكثر استقرارا. يساهم هذا البحث في تطوير طرق تصنيف ثنائية أكثر كفاءة ودقة.