4.3 Klasifikasi Menggunakan Support Vector Machine
4.3.1 Klasifikasi dengan Support Vector Machine pada
Empat level dekomposisi menghasilkan dataset dengan jumlah variabel prediktor sebanyak lima, yaitu D!, D2, D3, D4 dan A5. Dataset tersebut kemudian akan diklasifikasikan dengan metode SVM dengan kombinasi data training dan testing berturut-turut 75%:25%, 80%:20%, 85%:15%, 90%:10% dan 95%:10%.
Langkah pertama yang dilakukan pada metode SVM adalah menetukan parameter C dan 𝛾 terbaik untuk fungsi Kernel. Pemilihan parameter C dan 𝛾 akan berpengaruh terhadap akurasi model yang terbentuk. Untuk itu, perlu dilakukan pemilihan
kombinasi parameter C dan 𝛾 yang memiliki nilai error terkecil sehingga model yang dihasilkan memiliki akurasi yang baik.
Ada beberapa cara yang bisa digunakan untuk menentukan kombinasi parameter C dan 𝛾 yang paling optimum seperti metode uniform design atau menggunakan prosedur tuning di software R. pada penelitian ini, pemilihan kombinasi parameter C dan 𝛾 dilakukan dengan prosedur tune dengan software R.
Saat menentukan kombinasi parameter C dan 𝛾, terlebih dahulu harus dideskripsikan range dari kedua parameter untuk dikombinasikan. Parameter C yang paling tepat untuk SVM adalah antara 10-2 hingga 104 (Huang et all., 2007). Pada penelitian ini juga digunakan range 10-2 hingga 104 untuk parameter C. Kemudian untuk parameter 𝛾, Huang dkk tahun 2007 merekomendasikan nilai antara
ρ
310
− hinggaρ
9
,
1
dengan asumsi nilaiρ
adalah 0,5 maka diperoleh nilai antara 0,02 hingga 3,8.Hasil prosedur tune di software R menunjukkan bahwa parameter paling optimum untuk C dan 𝛾 berturut-turut adalah 91 dan 0,302 dengan nilai error sebesar 0,008. Nilai parameter C dan 𝛾 yang diperoleh kemudian digunakan untuk membuat model SVM.
Setelah diperoleh nilai parameter C dan 𝛾 yang paling optimum, maka selanjutnya nilai tersebut digunakan untuk membentuk model dan kemudian dihitung ketepatan akurasinya. Tabel 4.5 menunjukkan hasil rangkuman ketepatan klasifikasi dari model yang terbentuk.
Tabel 4. 5 Perbandingan Ketepatan Klasifikasi SVM pada Beberapa
Kombinasi Data untuk Dataset Empat Level Dekomposisi
Kombinasi Data
Training dan Data Testing
Akurasi (1-APER) (dalam %) Data Training Data Testing 75%:25% 99,73 99,19 80%:20% 99,75 96,90 85%:25% 99,53 100 90%:10% 99,55 97,96 95%:5% 99,36 100
Tabel 4.5 memperlihatkan perbandingan ketepatan klasifikasi dari beberapa kombinasi data untuk dataset empat level dekomposisi. Untuk data training akurasi terbesar adalah pada data training 80% dengan nilai ketepatan klasifikasi sebesar 99,75%. Sedangkan nilai ketepatan klasifikasi paling rendah adalah dari data training 95% dengan nilai ketepatan klasifikasi sebesar 99,36%. Ketepatan klasifikasi tertinggi pada data testing adalah dari data testing 25% dan 5% dengan ketepatan klasifikasi sebesar 100%. Sedangkan ketepatan klasifikasi paling rendah untuk testing adalah pada data testing 20%. Kombinasi data training dan data testing yang memberikan nilai akurasi terbaik adalah data training 85% dan data testing 15% dengan nilai ketepatan klasifikasi berturut-turut adalah 99,53% dan 100%.
4.3.2 Klasifikasi dengan Support Vector Machine pada Dataset Enam Level Dekomposisi
Enam level dekomposisi menghasilkan dataset dengan jumlah variabel prediktor sebanyak tujuh, yaitu D1, D2, D3, D4, D5, D6 dan A6. Dataset tersebut kemudian akan diklasifikasikan dengan metode SVM dengan kombinasi data training dan testing berturut-turut 75%:25%, 80%:20%, 85%:15%, 90%:10% dan 95%:10%.
Langkah pertama yang dilakukan pada metode SVM adalah proses tuning untuk menetukan parameter C dan 𝛾 terbaik untuk fungsi Kernel melalui prosedur tuning dengan software R.
parameter C dan 𝛾 optimum yang diperoleh untuk C adalah 20 dan 𝛾 sebesar 0,011.
Setelah diperoleh nilai parameter C dan 𝛾 yang paling optimum, maka selanjutnya nilai tersebut digunakan untuk membentuk model dan kemudian dihitung ketepatan akurasinya. Tabel 4.6 menunjukkan hasil rangkuman ketepatan klasifikasi dari model yang terbentuk.
Tabel 4. 6 Perbandingan Ketepatan Klasifikasi SVM pada Beberapa
Kombinasi Data untuk Dataset Enam Level Dekomposisi
Kombinasi Data
Training dan Data Testing
Akurasi (1- APER) (dalam %) Data Training Data Testing
75%:25% 98,37 97,54
80%:20% 98,73 97,96
85%:15% 98,81 95,83
90%:10% 98,65 95,83
95%:5% 98,50 100
Tabel 6 memperlihatkan perbandingan ketepatan klasifikasi dari beberapa kombinasi data untuk dataset enam level dekomposisi. Untuk data training akurasi terbesar adalah pada data training 85% dengan nilai ketepatan klasifikasi masing-masing sebesar 98,81%. Sedangkan nilai ketepatan klasifikasi paling rendah adalah dari data training 75% dengan nilai ketepatan klasifikasi sebesar 98,37%. Ketepatan klasifikasi tertinggi pada data testing adalah dari data testing 5% dengan ketepatan klasifikasi sebesar 100%. Sedangkan ketepatan klasifikasi paling rendah untuk testing adalah pada data testing 10% dan 10% dengan nilai Ketepatan klasifikasi sebesar 95,83%. Kombinasi data training dan data testing yang memberikan nilai akurasi terbaik adalah data training 95% dan data testing 5% dengan nilai ketepatan klasifikasi berturut-turut adalah 98,50% dan 100%.
4.3.3 Klasifikasi dengan Support Vector Machine pada Dataset Delapan Level Dekomposisi
Delapan level dekomposisi menghasilkan dataset dengan jumlah variabel prediktor sebanyak sembilan, yaitu D1, D2, D3, D4, D5, D6, D7, D8 dan A8. Dataset tersebut kemudian akan diklasifikasikan dengan metode SVM dengan kombinasi data training dan testing berturut-turut 75%:25%, 80%:20%, 85%:15%, 90%:10% dan 95%:10%.
Langkah pertama yang dilakukan pada metode SVM adalah menetukan parameter C dan 𝛾 terbaik untuk fungsi Kernel melalui prosedur tune dengan software R. parameter C dan 𝛾 optimum yang diperoleh untuk C adalah 10000 dan 𝛾 sebesar 0,001.
Setelah diperoleh nilai parameter C dan 𝛾 yang paling optimum, maka selanjutnya nilai tersebut digunakan untuk membentuk model dan kemudian dihitung ketepatan akurasinya. Tabel 4.7 menunjukkan hasil rangkuman ketepatan klasifikasi dari model yang terbentuk.
Tabel 4. 7Perbandingan Ketepatan Klasifikasi SVM pada Beberapa Kombinasi Data untuk Dataset Delapan Level Dekomposisi
Kombinasi Data Training dan Data Testing
Akurasi (1- APER) (dalam %) Data Training Data Testing
75%:25% 99,73 99,19
80%:20% 99,75 98,99
85%:15% 99,76 100
90%:10% 99,77 100
95%:5% 99,79 100
Tabel 4.7 memperlihatkan perbandingan ketepatan klasifikasi dari beberapa kombinasi data untuk dataset delapan level dekomposisi. Untuk data training akurasi terbesar adalah pada data training 95% dengan nilai ketepatan klasifikasi sebesar 99,79%. Sedangkan nilai ketepatan klasifikasi paling rendah adalah dari data training 75% dengan nilai ketepatan klasifikasi
sebesar 99,73%. Ketepatan klasifikasi tertinggi pada data testing adalah dari data testing 5%, 10% dan 15% dengan ketepatan klasifikasi sebesar 100%. Sedangkan ketepatan klasifikasi paling rendah untuk data testing adalah pada data testing 20% dengan nilai Ketepatan klasifikasi sebesar 98,99%. Kombinasi data training dan data testing yang memberikan nilai akurasi terbaik adalah data training 95% dan data tetsing 5% dengan nilai ketepatan klsifikasi berturut-turut adalah 99,79% dan 100%.
4.3.4 Perbandingan Hasil Ketepatan Klasifikasi dengan Metode Support Vector Machine untuk Ketiga Level Dekomposisi
Penelitian ini menggunakan tiga level dekomposisi yang berbeda, yaitu empat level, enam level dan delapan level. Setiap level diklasifikasikan dengan SVM dan melalui prosedur yang sama. Oleh karena itu, perlu diketahui apakah level dekomposisi yang digunakan saat proses DWT berpengaruh terhadap ketepatan klasifikasi yang dihasilkan.
Tabel 4. 8 Perbandingan Rata-rata Ketepatan Kalsifikasi SVM untuk Ketiga Level Dekomposisi
Data
Rata-rata Ketepatan Klasifikasi (1-APER) (dalam %)
4 Level 6 Level 8 Level
Training 99,58 98,61 99,76
Testing 98,81 97,43 99,64
Tabel 4.9 menunjukkan bahwa untuk data empat level dekomposisi memiliki nilai rata-rata akurasi yang paling tinggi dengan nilai 99,09% untuk data training dan 99,38% untuk data testing. Sedangkan delapan level dekomposisi memiliki nilai rata-rata akurasi yang paling rendah. Pada metode SVM semakin banyak level yang digunakan nilai rata-rata akurasi cenderung semakin kecil.