ANALISIS KINERJA BEBERAPA FUNGSI KERNEL PADA KLASIFIKASI SUPPORT VECTOR MACHINE TERHADAP DATA PENDERITA PENYAKIT LIVER

Citra , Maria Magdalena Naibaho (2024) ANALISIS KINERJA BEBERAPA FUNGSI KERNEL PADA KLASIFIKASI SUPPORT VECTOR MACHINE TERHADAP DATA PENDERITA PENYAKIT LIVER. FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM , UNIVERSITAS LAMPUNG.

Preview	File PDF 1. ABSTRAK - ABSTRACT - Citra Maria Magdalena Naibaho.pdf Download (102Kb) | Preview
	File PDF 2. SKRIPSI FULL - Citra Maria Magdalena Naibaho.pdf Restricted to Hanya staf Download (3571Kb) | Minta salinan
Preview	File PDF 3. SKRIPSI TANPA BAB PEMBAHASAN - Citra Maria Magdalena Naibaho.pdf Download (3205Kb) | Preview

Abstrak (Berisi Bastraknya saja, Judul dan Nama Tidak Boleh di Masukan)

Support Vector Machine (SVM) is one of the machine learning methods used for classification by dividing data into two different classes. The principle of the SVM method is to find the best separating function called hyperplane. If the data cannot be separated linearly then the data is nonlinear data. One method to overcome this is to use a kernel function. The purpose of this research is to apply the SVM method to determine the performance of the best kernel function based on the highest accuracy value for the classification of liver disease patients. Based on the analysis results, the best kernel function for this case is the Radial Basis Function (RBF) kernel function with a cost value = 12 and gamma = 2.5 on a split dataset of 90% training and 10% testing, with an accuracy value of 84.63%. By using the kernel function and the split dataset proportion, the parameters w and b are obtained, as follows: = -5,1951, = -7,3708, = -9,1687, = -9,2968, = -10,6287, = -10,3948, = 0,1057, = 9,3402, = 2,5066 , b = 0,8868. Keywords: Support Vector Machine; Radial Basis Function Kernel; Classification; Liver Disease Support Vector Machine (SVM) adalah salah satu metode machine learning yang digunakan untuk pengklasifikasikan dengan membagi data menjadi dua kelas yang berbeda. Prinsip metode SVM adalah mencari fungsi pemisah disebut hyperplane yang terbaik. Apabila data tidak dapat dipisahkan secara linear maka data tersebut merupakan data nonlinear. Salah satu metode untuk mengatasi hal tersebut adalah dengan menggunakan fungsi kernel. Tujuan penelitian ini adalah menerapkan metode SVM untuk mengetahui kinerja fungsi kernel terbaik berdasarkan nilai akurasi tertinggi terhadap klasifikasi penderita penyakit liver. Berdasarkan hasil analisis diperoleh, bahwa fungsi kernel terbaik untuk kasus ini adalah fungsi kernel Radial Basis Function (RBF) dengan nilai cost = 12 dan gamma = 2,5 pada split dataset 90% training dan 10% testing, dengan nilai akurasi sebesar 84,63%. Dengan menggunakan fungsi kernel dan proporsi split dataset tersebut diperoleh parameter w dan b, yakni sebagai berikut: = -5,1951, = -7,3708, = -9,1687, = -9,2968, = -10,6287, = -10,3948, = 0,1057, = 9,3402, = 2,5066 , b = 0,8868. Kata Kunci : Support Vector Machine; Kernel Radial Basis Function; Klasifikasi; Penyakit liver

Jenis Karya Akhir:	Skripsi
Subyek:	500 ilmu pengetahuan alam dan matematika
Program Studi:	FAKULTAS MIPA > Prodi Matematika
Pengguna Deposit:	. . Yulianti
Date Deposited:	13 Feb 2025 03:59
Terakhir diubah:	13 Feb 2025 03:59
URI:	http://digilib.unila.ac.id/id/eprint/83474

Actions (login required)

Lihat Karya Akhir