Skripsi

Perbandingan kinerja klasifikasi pada support vector machine dengan kernel berbeda pasca normalisasi / ELsa Dwi Sabrina

Abstrak
Supportl VectordMachine merupakan sebuahmmalgoritma pembelajarang mesin yangpdigunakan untukrtugas klasifikasigdanltregresi. Tujuan utama dari Supportl VectordMachinetyadalah untuk menemukan hyperplaneghoptimal yang3memisahkan duattkelas data dalamb sebuah ruango berdimensi tinggi. Hyperplane ini dipilih sedemikian rupa sehingga jarak antara hyperplane dan titikyangterdekat dari kedua kelas yang disebut vektor pendukung (support vectors) maksimal. Penelitian ini bertujuan untuk membandingkan kinerja klasifikasi dari Support Vector Machine (SVM) dengan penerapan kernel yang berbeda setelah proses normalisasi data. Pendekatan ini difokuskan pada eksplorasi pengaruh penggunaan kernel linier RBF (Radial Basis Function) dan polinomial terhadap akurasi klasifikasi SVM pasca normalisasi. Metode normalisasi digunakan untuk memastikan bahwa perbedaan skala antar fitur tidak mempengaruhi hasil klasifikasi secara tidak proporsional. Penelitian ini menggunakan 117 dataset berbeda yang mencakup beragam tugas klasifikasi untuk menguji generalitas dari hasil eksperimen. Hasil penelitian diharapkan dapat menunjukkan apakah terdapat perbedaan signifikan antara kernel SVM setelah dilakukannya normalisasi. Selain itu penelitian ini juga memberikan wawasan penting dalam pemilihan kernel yang optimal untuk SVM dalam konteks normalisasi data yang dapat membimbing pengambilan keputusan dalam pengaplikasian SVM untuk berbagai masalah klasifikasi.

Informasi Detail

DDC

SKRIPSI DIGITAL

Prodi

Universitas Negeri Malang. Program Studi Teknik Informatika, 2024.

Deskripsi Fisik

xiii, 33 hlm. : ilus.

Bahasa

Indonesia

No Reg

2701/RS/24

Edisi

Skripsi (Sarjana)--Universitas Negeri Malang. 2024

Subjek

1. ALGORITMA KOMPUTER - KERNEL
2. ALGORITMA KOMPUTER - SUPPORT VECTOR MACHINE
3. COMPUTER ALGORITHM - KERNEL

Pembimbing

1. Utomo Pujianto, S.Kom, M.Kom

Lampiran Berkas