PENERAPAN METODE SUPPORT VECTOR REGRESSION (SVR) MENGGUNAKAN KERNEL LINEAR, POLINOMIAL, DAN RADIAL DENGAN GRID SEARCH OPTIMIZATION

ELSA , RAHMAWATI (2023) PENERAPAN METODE SUPPORT VECTOR REGRESSION (SVR) MENGGUNAKAN KERNEL LINEAR, POLINOMIAL, DAN RADIAL DENGAN GRID SEARCH OPTIMIZATION. FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM, UNIVERSITAS LAMPUNG.

Preview	Text ABSTRAK.pdf Download (1MB) | Preview
	Text SKRIPSI FULL.pdf Restricted to Repository staff only Download (1MB) | Request a copy
Preview	Text SKRIPSI TANPA BAB PEMBAHASAN.pdf Download (1MB) | Preview

Abstract

Support Vector Regression (SVR) is a machine learning method that is used to predict or model the relationship between the dependent variable and the independent variable in the form of a regression. SVR is a development of the Support Vector Machine (SVM) which was originally used for classification. Its advantages in handling non-linear data and the ability to control overfitting make it an attractive choice in a wide range of applications. However, proper parameter selection and parameter tuning are the most important factors in its application. Grid Search Optimization is one of the techniques used in the selection of optimal parameters in machine learning models. The goal is to find the combination of parameters that gives the best performance. In this research, the implementation of the Support Vector Regression method uses linear, polynomial, and radial kernels with Grid Search Optimization using Consumer Price Index data. The best model is obtained with a comparison of training and testing data of 70% : 30% using a radial kernel with parameters C=4, =128, and =0 resulting in an error value of 0.010094591. Keywords: Support Vector Regression (SVR), Grid Search Optimization, Linear Kernel, Polynomial Kernel, Radial Kernel. Support Vector Regression (SVR) adalah metode pembelajaran mesin yang digunakan untuk memprediksikan atau memodelkan hubungan antara variabel dependen dan variabel independen dalam bentuk regresi. SVR merupakan pengembangan dari Support Vector Machine (SVM) yang awalnya digunakan untuk klasifikasi. Keunggulannya dalam menangani data nonlinear dan kemampuan dalam mengendalikan overfitting menjadikannya pilihan yang menarik dalam berbagai aplikasi. Namun, pemilihan parameter yang tepat dan tuning parameter merupakan faktor terpenting dalam penerapannya. Grid Search Opimization adalah salah satu teknik yang digunakan dalam pemilihan parameter optimal dalam model pembelajaran mesin. Tujuannya adalah untuk mencari kombinasi parameter yang memberikan kinerja terbaik. Pada penelitian ini dilakukan penerapan metode Support Vector Regression menggunakan kernel linear, polinomial, dan radial dengan Grid Search Optimization menggunakan data Indeks Harga Konsumen. Didapatkan model terbaik dengan perbandingan data training dan testing 70% : 30% menggunakan kernel radial dengan parameter C=4, =128, dan =0 menghasilkan nilai kesalahan sebesar 0.010094591. Kata Kunci: Support Vector Regression (SVR), Grid Search Optimization, Kernel Linear, Kernel Polinomial, Kernel Radial.

Item Type:	Other
Subjects:	?? 500 ?? ?? 510 ??
Divisions:	Fakultas MIPA > Prodi Matematika
Depositing User:	2301026629 . Digilib
Date Deposited:	11 Aug 2023 07:03
Last Modified:	11 Aug 2023 07:03
URI:	http://digilib.unila.ac.id/id/eprint/74539

Actions (login required)

View Item