Komparasi Model Support Vector Machines (Svm) dan Neural Network Untuk Mengetahui Tingkat Akurasi Prediksi Tertinggi Harga Saham
Teks penuh
Gambar
Dokumen terkait
The purpose of this research is to compare the performance of two text classifiers; support vector machine (SVM) and back-propagation neural network (BPNN) within categorize
Support vector machine adalah salah satu algoritma yang dapat digunakan untuk melakukan klasifikasi pada diagnosis penyakit hepatitis, tetapi support vector machine
Karena penelitian tersebut memberikan akurasi yang kurang mencukupi, maka pada penelitian ini dilakukan dengan algoritma yang berbeda yaitu Support Vector
Algoritma yang digunakan dalam penelitian ini adalah SVM (Support Vector Machine) dengan bantuan algoritma MFCC (Mel- frequency cepstral coefficient) untuk ekstraksi dimana
Cara mengimplementasikan algoritma Least Square Support Vector Machine (LS-SVM) dengan menggunakan MATLAB Parallel Computing Toolbox adalah dengan
Telekomunikasi Indonesia dengan menggunakan algoritma Support Vector Machine , langkah awal yang dilakukan pada penelitian ini adalah dengan menentukan datasetnya, dimana
Penelitian dengan membandingkan lima algoritma klasifikasi decision tree (C4.5), naive bayes, k-nearest neighbor, support vector machine, dan neural network untuk
3.3 Perbandingan Kedua Algoritma Hasil prediksi dari kedua algoritma Naïve Bayes dan Support Vector Machine dengan metode latih percentage split dan k-fold cross validation
