PREDIKSI PANJANG MUSIM HUJAN MENGGUNAKAN SUPPORT VECTOR REGRESSION ABDUL BASITH HERMANIANTO
Teks penuh
Gambar
Dokumen terkait
Karakter agronomis diameter malai menunjukkan bahwa terdapat perbaikan karakter agronomis pada semua dosis irradiasi, hal ini ditunjukkan dengan nilai tengah populasi
Berdasarkan dengan data real kondisi perusahaan, kedua fungsi RBF dan Polynomial kernel tersebut menghasilkan jumlah data yang benar dan salah yang sama dalam prediksi
dari penelitian sebelumnya, pada penelitian ini digunakan metode SVR dengan bantuan kernel RBF (Radial Basis Function) untuk memprediksikan nilai tukar dolar
Kernel SVR terbaik dari kombinasi percobaan ini adalah Radial Basis Function (RBF) dengan koefisien determinasi (R 2 ) sebesar 95% dan nilai error galat (MSE) sebesar 6% terdapat
Berdasarkan dengan data real kondisi perusahaan, kedua fungsi RBF dan Polynomial kernel tersebut menghasilkan jumlah data yang benar dan salah yang sama dalam prediksi
BAB V SIMPULAN DAN SARAN 5.1 Simpulan Kesimpulan dari penelitian ini, bahwa model Jaringan Saraf Tiruan dan Support Vector Regrresion dapat digunakan untuk Model Prediksi Total
Pengukuran kinerja berdasarkan fungsi kernel SVR (linear, polynomial dan RBF) dapat dihasilkan dengan melakukan pengamatan terhadap nilai rataan error dan korelasi terhadap 6
Model terbaik dalam 4 skenario prediksi adalah metode Support Vector Machine yang dioptimasi oleh Grid Search pada skenario 4 90:10 dengan kernel rbf mendapatkan hasil yaitu ada 19 data
