skip to main content

ANALISIS AKURASI DARI PERBEDAAN FUNGSI KERNEL DAN COST PADA SUPPORT VECTOR MACHINE STUDI KASUS KLASIFIKASI CURAH HUJAN DI JAKARTA

*Noviana Pratiwi  -  Jurusan Statistika IST AKPRIND Yogyakarta, Indonesia
Yudi Setyawan  -  Jurusan Statistika IST AKPRIND Yogyakarta, Indonesia

Citation Format:
Abstract

Abstrak. Penelitian ini difokuskan pada perbandingan beberapa fungsi kernel, cost dan proporsi data training pada Support Vector Machine terhadap akurasi pengklasifikasian curah hujan di Jakarta. Fungsi-fungsi kernel linier, Gauss dan polynomial digunakan untuk memodifikasi metode Support Vector Machine guna menyelesaikan kasus nonlinier yang sering terjadi pada kondisi real.  Variabel yang digunakan dalam penelitian ini meliputi temperatur, kelembaban, penyinaran matahari dan kecepatan angin. Hasil analisis menunjukkan bahwa nilai support vector terkecil tidak memberikan akurasi yang tertinggi pada masing-masing fungsi kernel. Selain itu, proporsi dataset (training:testing) sebesar  90%:10% memberikan akurasi sedikit lebih tinggi dibandingkan dengan akurasi untuk proporsi 80%:20% untuk masing-masing fungsi kernel. Secara keseluruhan, akurasi tertinggi diperoleh pada proporsi 90%:10% oleh fungsi kernel linier dan polinom untuk cost 1 dan 1000 secara bersamaan yaitu 78,38%.

Kata Kunci : Cost, Gauss, Kernel, linear, polynomial,

Abstract. This research focuses on the comparison of several kernel functions, costs and proportions of data training on the Support Vector Machine to the accuracy of classifying rainfall in Jakarta. The linear, Gaussian and polynomial kernel functions were applied to modify the Support Vector Machine method to solve non-linear cases that often occur in actual conditions. The variables used in this study comprised of temperature, humidity, sunlight and wind speed. The analysis disclosed that the smallest support vector value did not provide the highest accuracy value for each kernel. In addition, the proportion of the dataset (training:testing) of 90%:10% provided a slightly higher accuracy compared to the accuracy for the proportion of 80%:20% for each kernel function. Overall, the highest accuracy attained at the proportion of 90%:10% by linear and polynomial kernel functions for cost 1 and 1000 simultaneously, which was 78.38%.

Fulltext View|Download
Keywords: SVM, Kernel, linear, polynomial, Gauss
Funding: IST AKPRIND Yogyakarta

Article Metrics:

  1. S. Mujiasih, "Pemanfaatan Data Mining Untuk Prakiraan Cuaca," BMKG, pp. 189-195, 2011
  2. E. W. Fridayanthie, "Analisa Data Mining Untuk Prediksi Penyakit Hepatitis Dengan Menggunakan Metode Naive Bayes dan Support Vector Machine," Jurnal Khatulistiwa Informatika, pp. 24-36, 2015
  3. S. &. D. S. Vijayarani, "Prediksi penyakit hati menggunakan algoritma SVM dan Naive Bayes," International Journal of Science, Engineering and Technology Research (IJSETR), pp. 816-820, 2015
  4. A. Siregar, Pemodelan Support Vector Machine Untuk Klasifikasi Curah Hujan Bulanan Di Kabupaten Indramayu, Bogor: IPB, 2017
  5. M. &. S. Y. Laila, "Perbandingan Hasil Klasifikasi Curah Hujan menggunakan Metode SVN dan NBC," Jurnal Statistika dan Komputasi, IST AKPRIND Yogyakarta, 2020
  6. F. S. E. Lumbanraja, "Prediksi Posisi Asetilasi Pada Protein Lisin Menggunakan Support Vector Machine," Prosiding Seminar Nasional Sains, Matematika, Informatika dan Aplikasinya , Universitas Lampung, vol. 5, no. 1, 2019
  7. T. M. P. Aulia, N. Arifin and R. Mayasari, "PERBANDINGAN KERNEL SUPPORT VECTOR MACHINE (SVM) DALAM PENERAPAN ANALISIS SENTIMEN VAKSINISASI COVID-19," SINTECH JOURNAL , Vols. 04-2, p. 139, 2021
  8. S. A. &. W. Nugroho, "Support Vector Machine Teori dan Aplikasinya dalam Bionformatika," Jurnal Ilmu Komputer, pp. 1-11, 2003
  9. S. N. &. F. K. Asiyah, "Klasifikasi Berita Online Menggunakan Metode Support Vector Machine dan K-Nearest Neighbor," Jurnal Sains & Seni, pp. 317-322, 2016
  10. A. &. O. I. Novandya, "Penerapan Algoritma Klasifikasi Data Mining C4.5 Pada Dataset Cuaca Wilayah Bekasi," Jurnal Format, pp. 98-106, 2017
  11. M. &. N. D. Faisal, "Belajar Data Science Klasifikasi dengan Bahasa Pemrograman R," Banjarbaru, Kalimanta Selatan, Scripta Cendekia., 2019

Last update:

No citation recorded.

Last update:

No citation recorded.