TY  - THES
ID  - eprints73490
UR  - http://digilib.unila.ac.id/73490/
A1  - Dira Dini , Dian Kemala
Y1  - 2023/06/27/
N2  - 
Support Vector Machine (SVM) adalah salah satu metode machine learning yang digunakan untuk mengklasifikasikan dengan membagi data menjadi dua kelas yang berbeda. Prinsip metode SVM adalah mencari fungsi pemisah / hyperplane yang terbaik. Apabila data tidak dapat dipisahkan secara linear maka data tersebut merupakan data nonlinear. Salah satu metode untuk mengatasi hal tersebut adalah fungsi kernel. Tujuan penelitian ini adalah mengetahui fungsi kernel terbaik yang menghasilkan akurasi tertinggi pada SVM melalui studi simulasi dan menerapkan metode SVM untuk klasifikasi penderita penyakit jantung. Hasil yang diperoleh, melalui studi simulasi bahwa fungsi kernel terbaik adalah fungsi kernel Radial Basis Function (RBF), proporsi split dataset yang terbaik adalah 80 training dan
20 testing, dan parameter terbaik adalah cost = 1, degree = 1, dan gamma = 0,5. Selain itu, penerapan metode SVM pada data penyakit jantung diperoleh hasil bahwa fungsi kernel RBF dengan split dataset 80 diperoleh nilai akurasi = 1, artinya dalam mengklasifikasikan seseorang apakah termasuk penderita atau tidak penderita dapat diklasifikasikan secara tepat. Dengan menggunakan fungsi kernel dan proporsi split dataset tersebut diperoleh parameter w dan b, yakni sebagai berikut: 
PB  - Universitas Lampung
M1  - masters
TI  -  PERBANDINGAN EMPIRIS FUNGSI KERNEL PADA METODE KLASIFIKASI SUPPORT VECTOR MACHINE DAN PENERAPANNYA PADA DATA PENDERITA PENYAKIT JANTUNG     
AV  - restricted
EP  - 2127031003
ER  -