PREDIKSI KEBANGKRUTAN PERUSAHAAN MENGGUNAKAN SUPPORT VECTOR MACHINE (SVM)
Teks penuh
Gambar
Dokumen terkait
Penerapan metode One-Against-One dengan menggunakan kernel RBF dan kernel polynomial merupakan metode terbaik dalam klasifikasi roda gigi berdasarkan sinyal akustik.. Pada
Dengan metode neural network, menghasilkan kondisi seperti pada Tabel 4.7 Diketahui dari 236 data, 183 diklasifikasikan naik kelas sesuai dengan prediksi yang
Dengan demikian akurasi klasifikasi terbaik yaitu menggunakan fungsi kernel Gaussian Radial Basic Function (RBF) karena menghasilkan akurasi yang lebih besar,
Hasil penelitian menunjukkan parameter statistik entropy dengan standart error menggunakan variasi kernel Radial Basis Function (RBF), Polynomial dan Linear
Gambar 13 menunjukkan perbandingan antara nilai hasil prediksi terbaik menggunakan kernel RBF dengan nilai data observasi yang ada pada stasiun cuaca Kebon
Parameter yang digunakan antara lain kernel svm, yaitu kernel polynomial 2, rbf, sigmoid dan kernel linear, untuk metode pembuatan model diujicobakan dua jenis metode
Kesimpulan yang didapatkan dari hasil penelitian adalah bahwa Support Vector Machine dengan fungsi Kernel Gaussian RBF dapat digunakan untuk memprediksi Tingkat Harmonisa
Hasil pengujian SVM-TFIDF dengan Undersampling menunjukan bahwa nilai akurasi tertinggi di hasilkan dari kernel RBF dengan 74% accuracy, 74% precision, 73% recall, dan 73% f1-score
