Optimasi Parameter Pada Support Vector Machine Menggunakan Pendekatan Metode Taguchi Untuk Data High-Dimensional

Prangga, Surya (2017) Optimasi Parameter Pada Support Vector Machine Menggunakan Pendekatan Metode Taguchi Untuk Data High-Dimensional. Masters thesis, Institut Teknologi Sepuluh Nopember.

[img] Text
1315201017-Master-Theses.pdf
Restricted to Repository staff only

Download (2MB) | Request a copy

Abstract

Support vector machine (SVM) merupakan salah satu metode unggulan dari machine learning yang memiliki hasil yang baik dalam hal klasifikasi dan prediksi. Prinsip dari metode SVM adalah melatih sekumpulan data klasifikasi dengan suatu algoritma untuk menghasilkan model klasifikasi yang dapat membantu dalam memprediksi kategori dari data baru. SVM memiliki banyak kelebihan dalam hal klasifikasi, namun masih terdapat beberapa kendala diantaranya dalam pemilihan parameter optimal dari SVM. Adapun pengaruh dari pemberian parameter optimal dapat meningkatkan nilai akurasi klasifikasi. Oleh karena itu, penggunaan metode pemilihan parameter optimal seperti grid search, Taguchi dan sebagainya perlu digunakan untuk memperoleh parameter optimal. Permasalahan lainnya terkait dengan banyaknya jumlah fitur yang menyebabkan proses komputasi menjadi kurang efisien sehingga perlu dilakukan pemilihan fitur terbaik. Pada penelitian ini, metode pemilihan parameter yang digunakan adalah metode Taguchi sedangkan metode pemilihan feature-nya menggunakan FCBF yang diterapkan pada data high-dimensional. Hasil yang diperoleh menunjukkan bahwa pemilihan parameter optimal dengan menggunakan pendekatan metode Taguchi memberikan tingkat akurasi yang meningkat secara signifikan dan waktu proses komputasi lebih efisien jika dibandingkan dengan menggunakan metode grid search. ======================================================================================= Support vector machine (SVM) is one of superior machine learning method with great results in classification and prediction. The principle of SVM is as follows: given set of classified data is trained by algorithm to obtain a set of classification models which can help to predict the category of newdata. SVM has some advantage in terms of classification, however still has problems that must be considered, one of them is related to select the optimal parameter of SVM. Effect giving optimal parameters can improve the classification accuracy. Hence, the uses of selection method of optimal parameter as grid search and Taguchi approach is needed to be applied to obtain optimal parameters. In addition, computing process becomes less efficient is caused by large number of features so best feature selection also needed to do. In this research, Method that used to select the optimal parameter is Taguchi Method while for feature selection is FCBF where will applied in high-dimensional data. The results show that selection of optimal parameters were obtained by using Taguchi approach is significantly increase the accuracy rate and make more efficient for computing process when compared by using grid search method.

Item Type: Thesis (Masters)
Uncontrolled Keywords: Support Vector Machine; Metode Taguchi; Data High-dimensional; Taguchi Approach, High-dimensional Data
Subjects: H Social Sciences > HA Statistics
Z Bibliography. Library Science. Information Resources > Z665 Library Science. Information Science
Divisions: Faculty of Mathematics and Science > Statistics > (S2) Master Theses
Depositing User: - SURYA PRANGGA
Date Deposited: 11 Apr 2017 07:24
Last Modified: 22 Dec 2017 02:43
URI: http://repository.its.ac.id/id/eprint/3559

Actions (login required)

View Item View Item