Support Vector Machine (SVM) adalah metode pembelajaran mesin yang digunakan untuk mengklasifikasikan dengan membagi data menjadi dua kelas yang berbeda. Tujuan dari penelitian ini adalah untuk mengetahui fungsi kernel terbaik yang menghasilkan akurasi tertinggi pada SVM melalui studi simulasi dan penerapan metode SVM untuk klasifikasi penderita penyakit jantung. Hasil studi simulasi yang diperoleh menunjukkan bahwa fungsi kernel terbaik adalah fungsi kernel Radial Basis Function (RBF), rasio split dataset terbaik adalah 80 pelatihan dan 20 pengujian, dan parameter terbaik adalah cost = 1, derajat = 1 dan gamma = 0,5.
Selain itu dengan menerapkan metode SVM pada data penyakit jantung diperoleh hasil bahwa fungsi kernel RBF dengan kumpulan data yang dipartisi sebanyak 80 memperoleh nilai akurasi = 1 yang artinya dengan mengklasifikasikan seseorang sakit atau tidak, maka penderitanya dapat diklasifikasikan dengan benar. Perbandingan empiris fungsi kernel pada metode klasifikasi support vector machine dan penerapannya pada data pasien penyakit jantung. Support Vector Machine (SVM) merupakan metode pembelajaran mesin yang digunakan untuk mengklasifikasikan data dengan membagi data menjadi dua kelas yang berbeda.
Selanjutnya penulis melanjutkan pendidikan menengah atas di SMA Al-Azhar 3 Bandar Lampung dan menyelesaikannya pada tahun 2017. Pada tahun 2017, penulis diterima melalui jalur SBMPTN dan terdaftar sebagai mahasiswa S1 di Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam. Fisika. Sains, Universitas Lampung. Pada tahun 2021, penulis berkesempatan melanjutkan pendidikan pada program Magister Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Lampung. Selama menjadi mahasiswa S2, penulis cukup aktif mengikuti seminar internasional, webinar dan kuliah umum.
“Dukungan klasifikasi mesin vektor dan penerapannya pada data pasien penyakit jantung” mampu penulis selesaikan dengan baik.
PENDAHULUAN
Latar Belakang Penelitian
Dengan berkembangnya teknologi dan ilmu pengetahuan, metode SVM kini banyak digunakan di berbagai bidang kedokteran. Faktor penting tersebut adalah usia, jenis nyeri dada, tekanan darah istirahat, kolesterol, kadar gula darah puasa, detak jantung istirahat. Berdasarkan penjelasan di atas, penelitian ini akan mengeksplorasi perbandingan fungsi kernel pada SVM melalui simulasi data dengan jumlah sampel yang berbeda dan menerapkannya pada klasifikasi pasien penyakit jantung.
Tujuan Penelitian
Keunggulan dari penelitian ini adalah diharapkan dapat menjadi referensi bagi penelitian serupa dan menambah ilmu pengetahuan pada penelitian di bidang klasifikasi data khususnya metode support vector machine.
TINJAUAN PUSTAKA
- Definisi Support Vector Machine
- Karakteristik Support Vector Machine
- Kelebihan Support Vector Machine
- Pemillihan Parameter pada Support Vector Machine
- Evaluasi Model
Menurut Nasteska (2017), algoritma pada Gambar 1 membedakan antara data observasi 𝑋 yaitu data pelatihan, dalam banyak kasus data terstruktur diberikan kepada model selama proses pelatihan. Jika data tidak dapat dipisahkan secara linier, Anda dapat menggunakan fungsi kernel SVM. Berbagai analisis empiris menunjukkan bahwa strategi SRM pada SVM memberikan kesalahan generalisasi yang lebih kecil dibandingkan dengan strategi ERM pada jaringan saraf dan metode lainnya.
Kutukan dimensi merupakan salah satu permasalahan yang dihadapi metode pengenalan pola ketika memperkirakan parameter karena jumlah sampel data yang relatif kecil dibandingkan dengan dimensi ruang vektor data. Pada kenyataannya, jumlah data yang diproses terbatas dan mengumpulkan lebih banyak data tidaklah sulit karena kendala biaya dan masalah teknis. Dengan demikian, jika metode “dipaksa” bekerja dengan jumlah data yang relatif kecil dibandingkan ukurannya, maka proses estimasi parameter menjadi sangat sulit.
Metode SVM dapat mengatasi beberapa data yang tidak dapat diklasifikasikan dengan benar (misclassification error) yaitu dengan menggunakan soft margin. Gambar 5 menunjukkan contoh soft margin SVM yaitu data dua dimensi yang tidak dapat dipisahkan. Turunan pertama persamaan (11) terhadap 𝒘, 𝑏 dan 𝜉𝑖 sama dengan nol akan menghasilkan persamaan sebagai berikut :. 15) Berdasarkan penjelasan pada halaman sebelumnya terlihat persamaan (15) dan persamaan (7) terlihat sama.
Sedangkan jika nilai C terlalu kecil maka akan terjadi error yang lebih besar pada data latih dan sebaliknya akan terjadi margin yang besar sehingga dimungkinkan untuk memiliki model yang lebih baik dan kuat. Metode SVM dengan fungsi kernel bertujuan untuk menghubungkan input data pelatihan dengan fitur dan mengidentifikasi dimensi ruang yang lebih luas dari hyperplane sebagai ruang pemisah (Indriani & Muslim, 2019). Fungsi kernel digunakan untuk mengubah data menjadi ruang berdimensi lebih tinggi dan membuat data non-linier dapat dipisahkan secara linier (Herwijayanti, et. al., 2018).
Φ tidak diketahui dan sangat sulit dipahami, sehingga perhitungan perkalian titik dapat digantikan dengan fungsi kernel. Kita tidak perlu mengetahui fungsi nonlinier Φ karena diubah menjadi Φ(𝒙𝑖)Φ(𝒙𝑗), jadi kita hanya perlu mengetahui fungsi kernelnya saja. Derajat atau derajat pada inti polinomial dapat menentukan fleksibilitas hasil klasifikasi, semakin tinggi nilai derajat pada inti polinomial memungkinkan batas keputusan yang lebih fleksibel (Ben-Hur & Weston.
20 Metode SVM akan bekerja dengan benar selama fungsi kernelnya benar, walaupun tidak mengetahui pemetaan yang digunakan (Santosa menyarankan fungsi kernel yang diuji terlebih dahulu adalah fungsi kernel RBF karena dapat memetakan hubungan non linier, RBF adalah lebih kuat terhadap outlier karena fungsi kernel RBF antara (−∞, ∞), sedangkan fungsi kernel lainnya memiliki rentang antara (−1 hingga 1). Selain itu, fungsi kernel RBF juga efektif menghindari overfitting dengan memilih nilai yang tepat untuk parameter C dan γ.
METODOLOGI PENELITIAN
Waktu dan Tempat Penelitian
Data Penelitian .1 Data Simulasi .1 Data Simulasi
- Data Penyakit Jantung
Metode Penelitian
- Metode Penelitian Data Simulasi
24 angina akan menghasilkan data dengan distribusi binomial, sedangkan variabel tipe nyeri dada, EKG istirahat, dan kemiringan ST akan menghasilkan data dengan distribusi multinomial. Sedangkan data tipe kontinyu yaitu variabel usia, tekanan darah istirahat, kolesterol, detak jantung puncak, dan puncak usia, akan dihasilkan data berdasarkan apakah termasuk distribusi gamma. Normalisasi dilakukan dengan menggunakan skala normalisasi dengan membagi setiap nilai dengan nilai terbesar pada data.
KESIMPULAN DAN SARAN
Kesimpulan
Saran
Opinion analysis of movie review using hybrid support method Vector Machine and Particle Swarm optimization, Procedia Engineering. A Practical Guide to Support Vector Classification”, Technical Report, Department of Computer Science and Information Engineering, National Taiwan University, Taipei. A Novel Hybrid Algorithm for Bankruptcy Prediction Using Switching Particle Swarm Optimization and Support Vector Machines.
Analisis Akurasi Perbedaan Fungsi Kernel dan Biaya pada Support Vector Machine Studi Kasus Klasifikasi Curah Hujan di Jakarta. Penerapan Metode Support Vector Machine (SVM) untuk Mengklasifikasikan Kualitas Smaw Welding (Shield Metal Arc Welding).
