Klasifikasi Gangguan Jiwa Skizofrenia Menggunakan Algoritme Support Vector Machine (SVM)
Teks penuh
Gambar
Dokumen terkait
Hasil akhir dari implementasi algoritma Support Vector Machine untuk klasifikasi peyakit dengan gejala demam adalah akurasi dari ketepatan sistem dalam
Penerapan algoritme Support Vector Machine pada penelitian ini menggunakan kernel trick Gaussian RBF karena data pada penelitian ini bersifat non-linier dimana
Hasil yang didapatkan dalam pengujiann parameter Suppporrt Vector Machine (SVM) dalam penelitian ini dapat disimpulkan akurasi terbaik yang didapatkan dalam
Dengan hasil akurasi yang baik, maka penelitian ini dapat diterapkan untuk membantu melakukan pengklasifikasian penyakit kucing dengan menggunakan algoritme Support Vector Machine
support vector machine (SVM) untuk melakukan proses pengujian serta analisis yang dilakukan terhadap sistem cerdas klasifikasi tingkat risiko penyakit gagal
Dari hasil pengujian dengan metode klasifikasi SVM akurasi yang didapat pada pengujian karakter hasil ekstraksi fitur dengan menggunakan 25 zona pada
Berdasarkan pengujian normalisasi yang telah dilakukan, normalisasi min-max dapat meningkatkan hasil akurasi data kopi yang optimal dengan menggunakan Polynomial
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
