Perwita, Astris Dyah (2014) Uji Kinerja Penggabungan Algoritma Support Vector Machine Dan Simulated Annealing Pada Permasalahan Klasifikasi Pola. Other thesis, Insititut Teknologi Sepuluh Nopember.
![]() |
Text
5110100178-Undergraduate_Thesis.pdf Download (2MB) |
Abstract
Analisis dan pengenalan pola merupakan salah satu metode yang bertugas untuk mengenali pola yang ada pada data dan memegang peranan penting terhadap permasalahan kecerdasan buatan dan ilmu komputer. Salah satu contoh dari permasalahan pengenalan pola adalah klasifikasi data biomedik seperti data Hepatitis dan Breast Cancer. Data biomedik ini membutuhkan akurasi yang tinggi karena hasil keputusan yang diambil merupakan sebuah keputusan yang menyangkut kesehatan seseorang. Pada Tugas Akhir ini, akan diterapkan metode Support Vector Machine untuk menyelesaikan klasifikasi pada permasalahan pengenalan pola khususnya data biomedik. Metode SVM akan digabungkan dengan algoritma Simulated Annealing sebagai algortima pemilihan parameter SVM. Tugas Akhir ini juga mengimplementasikan metode pembobotan kernel Gradient Descent untuk memperbaiki akurasi. Penggabungan metode SVM, SA, dan pembobotan kernel pada data uji akan menghasilkan akurasi hingga 98,75%. Berdasarkan hasil uji coba, penggabungan metode SVM, SA, serta pembobotan kernel dapat memaksimalkan akurasi klasifikasi.
==============================================================================================================================
Analysis and pattern recognition is one of the methods assigned to recognize the data pattern and plays an important role in artificial intelligence and computer science problem. One example of the problem is pattern recognition in biomedical data classification such as data Hepatitis and Breast Cancer. The biomedical data requires high accuracy since the results of the decision will affect someone’s health. In this final project, Support Vector Machine method will be applied to solve classification problems for some dataset, especially in biomedical pattern recognition. SVM methods will be combined with Simulated Annealing algorithm as SVM algorithm parameter selection. The final project also implements the Gradient Descent method as kernel weighting method to improve the accuracy. Hybrid of SVM method, SA, and weighted kernel on the test data will generate up to 98.75% accuracy. Based on the test results, the hybrid of SVM method, SA, as well as the weighted kernel can maximize classification accuracy.
Item Type: | Thesis (Other) |
---|---|
Additional Information: | RSIf 006.312 Per u |
Uncontrolled Keywords: | Klasifikasi, Support Vector Machine, Simulated Annealing, Optimasi Parameter, Classification, |
Subjects: | Q Science > QA Mathematics > QA76.9.D343 Data mining. Querying (Computer science) |
Divisions: | Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55201-(S1) Undergraduate Thesis |
Depositing User: | Mr. Marsudiyana - |
Date Deposited: | 01 Nov 2023 06:59 |
Last Modified: | 01 Nov 2023 06:59 |
URI: | http://repository.its.ac.id/id/eprint/105029 |
Actions (login required)
![]() |
View Item |