ANALISIS WAKTU OPTIMASI VALIDASI SILANG PENCARIAN ACAK BERTAHAP PADA MODEL PEMBELAJARAN MESINAlief Cahyo UtomoAlief Cahyo UtomoauthorPenelitian 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.459 Computer science461 Information systems2025-12-29Universitas Nusantara PGRI Kediri;KODEPRODI57201#Sistem InformasiThesis