%0 Thesis
%9 Undergraduate
%A Alief Cahyo Utomo, Alief Cahyo Utomo
%B KODEPRODI57201#Sistem Informasi
%D 2025
%F unpkediri:23212
%I Universitas Nusantara PGRI Kediri
%K Halving Random Search Cross-Validation, Hyperparameter  Optimization, Machine Learning
%P 60
%T ANALISIS WAKTU OPTIMASI VALIDASI SILANG PENCARIAN ACAK  BERTAHAP PADA MODEL PEMBELAJARAN MESIN
%U http://repository.unpkediri.ac.id/23212/
%X Penelitian ini bertujuan untuk menganalisis efektivitas  metode Halving Random Search Cross Validation sebagai alternatif optimasi  hyperparameter pada model machine learning dibandingkan dengan Grid  Search Cross Validation dan Random Search Cross Validation. Dataset yang  digunakan adalah Internet Service Churn dengan empat algoritma: KNN,  Decision Tree, SVM, dan Gaussian Naive Bayes. Proses pengujian melibatkan  10-fold cross validation dan pengulangan tiga kali untuk memastikan validitas  hasil.  Hasil eksperimen menunjukkan bahwa Halving Random Search Cross  Validation mampu mencapai performa akurasi, presisi, dan recall yang  kompetitif (selisih < 0,5%) dibandingkan Grid Search pada sebagian besar  model, dengan penghematan waktu komputasi hingga 62–74% pada KNN,  Decision Tree, dan SVM. Namun, pada Gaussian Naive Bayes dengan ruang  hyperparameter kecil, metode ini lebih lambat karena overhead successive  halving. Random Search menunjukkan kecepatan tinggi tetapi kurang stabil  pada SVM dan Gaussian Naive Bayes.  Kesimpulan penelitian menyatakan bahwa Halving Random Search Cross  Validation adalah metode paling seimbang untuk kasus bisnis seperti prediksi  churn, dengan rekomendasi penerapan pada model kompleks dan  pengembangan lanjutan menggunakan Hyperband atau Bayesian Optimization.