ANALISA ALGORITMA SUPPORT VECTOR MACHINE (SVM) DALAM MEMPREDIKSI NASABAH YANG BERPELUANG KREDIT MACET
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,
Penerapan algoritme Support Vector Machine pada penelitian ini menggunakan kernel trick Gaussian RBF karena data pada penelitian ini bersifat non-linier dimana
Fitur-fitur dari data dipetakan ke dalam ruang dimensi tinggi menggunakan fungsi kernel linear, polynomial, sigmoid, atau radial basis function Dengan menggunakan fungsi kernel,
Dengan demikian akurasi klasifikasi terbaik yaitu menggunakan fungsi kernel Gaussian Radial Basic Function (RBF) karena menghasilkan akurasi yang lebih besar,
Kesimpulan yang didapatkan dari hasil penelitian adalah bahwa Support Vector Machine dengan fungsi Kernel Gaussian RBF dapat digunakan untuk memprediksi Tingkat Harmonisa
Dari ketiga kernel SVM dot, polynomial, RBF, kernel mana yang memiliki tingkat akurasi yang paling tinggi ketika algoritma genetika diterapkan untuk mengoptimasi parameter dan pada
300 model SVM dengan kernel sigmoid memiliki performa yang baik dalam membedakan kelas 0 dan kelas 1 dari kelas lainnya, tetapi sedikit lebih rendah dibandingkan dengan kernel lainnya
Perubahan rasio data Support Vector Machine 70:30 Pada skenario pengujian ini penulis ingin menguji perubahan yang dilakukan terhadap parameter yaitu kernel linear, kernel rbf, kernel
