Penerapan Metode Support Vector Machine Dalam Klasifikasi Bunga Iris

Desiani, Anita; Irmeilyana, Irmeilyana; Hanum, Herlina; Andriani, Yuli; Maiyanti, Sri Indra; Uteh, Clarita Margo; Rayyani, Ira

doi:10.20961/ijai.v7i1.61486

Cited by 2 publications

(2 citation statements)

References 0 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Ada ukuran evaluasi kinerja yang digunakan dalam klasifikasi nilai-nilai dalam confusion matrix, yaitu akurasi, presisi, dan recall. Berdasarkan rumus perhitungan, performansi confusion matrix ditunjukkan pada persamaan (12), persamaan (13), dan persamaan ( 14) [24].…”

Section: Tabel 2 Confusion Matrixunclassified

Perbandingan Algoritma C4.5 dan Adaptive Boosting dalam Klasifikasi Penyakit Alzheimer

Mortara,

Permatasari,

Desiani

et al. 2023

JATI

View full text Add to dashboard Cite

Penyakit alzheimer adalah penyakit yang menyerang sistem saraf di dalam otak. Penyakit ini dapat menyebabkan terganggunya aktivitas sehari-hari, ingatan yang tidak terorganisir, dan berkurangnya daya ingat. Deteksi dini penyakit alzheimer dapat memanfaatkan pendekatan matematis menggunakan data mining. Data mining memiliki model-model klasifikasi yang dapat digunakan untuk mendeteksi dini penyakit alzheimer. Beberapa algoritma yang dapat digunakan untuk klasifikasi diantaranya adalah C4.5 dan Adaptive Boosting (AdaBoost) yang diterapkan pada penelitian ini untuk mengklasifikasikan penyakit alzheimer. Perbandingan kedua algoritma ini bertujuan untuk memperoleh algoritma mana yang paling tepat dalam klasifikasi penyakit alzheimer. Untuk menguji kedua algoritma ini digunakan dua teknik pengujian yaitu percentage split dan k-fold cross validation. Pada percentage split dipilih ukuran split sebesar 80% untuk data latih dan 20% sebagai data uji dan k-fold cross validation dipilih nilai k sebesar 10. Hasil penerapan dari kedua algoritma diperoleh bahwa untuk k-fold cross validation bekerja lebih baik dibandingkan dengan percentage split. Hal ini dikarenakan k-fold cross validation meningkatkan persentase nilai presisi, recall, dan akurasi dari masing-masing algoritma. Untuk kinerja masing-masing algortima, AdaBoost dalam penggunaanya bekerja lebih baik dibandingkan dengan C4.5 dengan nilai presisi, recall dan akurasi secara berturut-turut, yaitu 91.5%, 91% dan 91.15%. Dari hasil yang diperoleh dapat disimpulkan bahwa algoritma AdaBoost dengan teknik k-fold cross validation memiliki performa yang paling baik dalam melakukan klasifikasi penyakit alzheimer dibandingkan algoritma dan teknik pengujian lainnya.

show abstract

Section: Tabel 2 Confusion Matrixunclassified

Perbandingan Algoritma C4.5 dan Adaptive Boosting dalam Klasifikasi Penyakit Alzheimer

Mortara,

Permatasari,

Desiani

et al. 2023

JATI

View full text Add to dashboard Cite

show abstract

“…Dapat dikatakan bahwa sejak tahun 2016 hingga 2019 peranan kategori pertanian mengalami penurunan sebesar 2,09 persen, namun mengalami penguatan pada tahun 2020 sebesar 0,55 persen dibanding tahun 2019 [7]. Di samping itu, peran strategis sektor pertanian juga ditunjukkan dari kontribusinya terhadap penyerapan tenaga kerja yang terbesar dibandingkan dengan sektor lainnya, yakni sekitar 33,01 persen berdasarkan hasil Survei Angkatan Kerja Nasional pada Agustus 2020 [8].…”

Section: Pendahuluanunclassified

Penerapan Metode Support Vector Machine (SVM) Dalam Klasifikasi Produktivitas Padi

Tohari,

Harini,

Yaqin

et al. 2023

JoSYC

View full text Add to dashboard Cite

Indonesia is one of the largest rice producing countries in the world. Almost 95% of the Indonesian population consumes rice as a mandatory staple food, so that every year the demand for rice increases along with the increase in population. East Java is known as the largest rice producing province in Indonesia. To optimize rice production, Central Java province can group rice producing cities or districts. This aims to see and find out cities or districts that have the potential to produce rice as well as find out areas that have less than optimal rice production. To see whether the need for rice in East Java province is met, it is necessary to predict rice productivity in the East Java region so that it can be used as a basis for efforts to increase rice yields for the next period. In this research, the Support Vector Machine (SVM) method was used to classify data for predicting crop yields in East Java province. The advantage of the SVM algorithm is that it can be used for classification and regression problems with linear kernels or non-linear kernels. The data used is agricultural statistical data obtained from the website jatim.bps.go.id. The data is then analyzed using a data mining process. The results of this research are in the form of a prediction pattern with a decision tree which can be used as a basis for predictions in estimating harvest results in the next period. From dividing 80% training data and 20% testing data, results were obtained with 80% accuracy when predicting category '0' (not on target), and 100% accuracy when predicting category '1' (on target). And overall, the classification model has an accuracy of 88%. The contribution to be achieved in this research is to provide ideas for data processing in the agricultural sector.

show abstract

Penerapan Metode Support Vector Machine Dalam Klasifikasi Bunga Iris

Cited by 2 publications

References 0 publications

Perbandingan Algoritma C4.5 dan Adaptive Boosting dalam Klasifikasi Penyakit Alzheimer

Perbandingan Algoritma C4.5 dan Adaptive Boosting dalam Klasifikasi Penyakit Alzheimer

Penerapan Metode Support Vector Machine (SVM) Dalam Klasifikasi Produktivitas Padi

Contact Info

Product

Resources

About