KLASIFIKASI WILAYAH DESA-PERDESAAN DAN DESA-PERKOTAAN WILAYAH KABUPATEN SEMARANG DENGAN SUPPORT VECTOR MACHINE (SVM) ABSTRACT
Teks penuh
Gambar
Dokumen terkait
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
Setelah mendapat nilai α, w, dan b dari proses training SVM maka langkah pertama dalam proses pengujian adalah menghitung semua dot product kernel antara data testing
Konfigurasi parameter yang terbaik pada sistem deteksi dan klasifikasi rambu lalu lintas ini adalah dengan mengatur nilai parameter sebagai berikut, untuk parameter
Metode SVM terbukti lebih unggul dalam klasifikasi teks review opini berita ini karena SVM bekerja dengan mencari parameter hyperplane yang terbaik yaitu nilai C dan
Nilai pada hasil tersebut merupakan nilai yang didapat dari rata-rata keseluruhan semua fold tetapi seharusnya untuk menghitung hyperplane baru diperlukan model dari salah satu fold
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
Tujuan dari penelitian ini yaitu untuk menentukan nilai akurasi, presisi dan recall pada data penyakit stroke dengan menggunakan metode SVM Support Vector Machine berdasarkan penerapan
