Email this article Penerapan Metode Support Vector Machine Dalam Klasifikasi Bunga Iris
Abstract
Abstrak
Data mining adalah proses melatih komputer untuk mengenali suatu pola menggunakan teknik statistika mapun matematika. Salah satu teknik data mining yang sering digunakan adalah klasifikasi, yakni mengelompokkan data ke dalam suatu label menggunakan atribut. Pada klasifikasi, Support Vector Machine (SVM) merupakan salah satu metode yang paling banyak digunakan. Penelitian ini akan memanfaatkan metode SVM dalam melakukan klasifikasi bunga Iris. Data yang diteliti menggunakan sebanyak 150 data dengan menggunakan dua metode data latih, yakni percentage split dan k-fold cross validation. Data diolah melalui tahap pre-processing, lalu diklasifikasi menggunakan metode SVM melalui 2 metode data latih, percentage split sebesar 80% dan k-fold corss validation dengan k=10, perhitungan hasil prediksi menggunakan confusion matrix. Pada metode percentage split diperoleh nilai akurasi sebesar 96,7%, presisi 97,6%, recall sebesar 95,3%, dan F1-score sebesar 96,3%. Pada metode k-fold cross validation diperoleh nilai akurasi sebesar 92,6%, presisi 92,6%, recall sebesar 92,6%, dan F1-score sebesar 92,3%. Dengan demikian metode SVM menggunakan kernel polynomial dengan metode data latih percentage split dapat diimplementasikan ke dalam sistem klasifikasi bunga Iris.
Abstract
Data mining is the process of training a computer to recognize a pattern using statistical and mathematical techniques. One of the data mining techniques that are often used is classification, which is to group data into the label using attributes. In classification, the Support Vector Machine (SVM) is one of the most widely used methods. This research will utilize the SVM method in classifying Iris flowers. The data studied used 150 data using two training data methods, percentage split and k-fold cross validation. The data is processed through the pre-processing stage, then classified using the SVM method through 2 training data methods, percentage split of 80% and k-fold cross validation with k = 10, and calculation of prediction results using a confusion matrix. In the percentage split method, the accuracy is 96.7%, precision is 97.6%, recall is 95.3%, and F1-score is 96.3%. In the k-fold cross validation method, the accuracy is 92.6%, precision is 92.6%, recall is 92.6%, and F1-score is 92.3%. So that the SVM method using a polynomial kernel with the percentage split training data method can be implemented into the iris classification system.
Keywords
Full Text:
PDFReferences
[1]. Eska, J. (2016). Penerapan Data Mining Untuk Prekdiksi Penjualan Wallpaper Menggunakan Algoritma C4.5. JURTEKSI (Jurnal Teknologi Dan Sistem Informasi), 2(2), 9–13.
[2]. Kamagi, D. H., & Hansun, S. (2014). Implementasi Data Mining dengan Algoritma C4.5 untuk Memprediksi Tingkat Kelulusan Mahasiswa. Jurnal ULTIMATICS, 6(1), 15–20.
[3]. Mutrofin, S., Izzah, A., Kurniawardhani, A., & Masrur, M. (2014). Optimasi Teknik Klasifikasi Modified K Nearest Neighbor Menggunakan Algoritma Genetika. Jurnal Gamma, 10(1), 130–134.
[4]. Putra, P., Akim M H Pardede, & Syahputra, S. (2022). Analisis Metode K-Nearest Neighbour ( KNN ) dalam Klasifikasi. 6(1), 297–305.
[5]. Jumeilah, F. S. (2017). Penerapan Support Vector Machine (SVM) untuk Pengkategorian Penelitian. Jurnal RESTI (Rekayasa Sistem Dan Teknologi Informasi), 1(1), 19–25.
[6]. Noble, W. S. (2006). What is a support vector machine?. Nature Biotechnology, 24(12), 1565–1567.
[7]. A.Muis, I., & Affandes, M. (2015). Penerapan Metode Support Vector Machine ( SVM ) Menggunakan Kernel Radial Basis Function ( RBF ) Pada Klasifikasi Tweet. Sains, Teknologi Dan Industri, 12(2), 189–197.
[8]. Ritonga, A. S., & Purwaningsih, E. S. (2018). Penerapan Metode Support Vector Machine ( SVM ) Dalam Klasifikasi Kualitas Pengelasan Smaw (Shield Metal Arc Welding). Ilmiah Edutic, 5(1), 17–25.
[9]. Octaviani, P. A., Wilandari, Y., & Ispriyanti, D. (2014). Penerapan Metode Klasifikasi Support Vector Machine (SVM) pada Data Akreditasi Sekolah Dasar (SD) di Kabupaten Magelang. Jurnal Gaussian, 3(8), 811–820.
[10]. Jacobus, A., & Winarko, E. (2014). Penerapan Metode Support Vector Machine pada Sistem Deteksi Intrusi secara Real-time. IJCCS (Indonesian Journal of Computing and Cybernetics Systems), 8(1), 13.
[11]. Mustika, A., & Affandes, M. (2015). Penerapan Metode Support Vector Machine Dalam Klasifikasi Sentimen Tweet Public Figure. Sentra, 978–979.
[12]. Eldem, A., Eldem, H., & Üstün, D. (2019). A Model of Deep Neural Network for Iris Classification With Different Activation Functions. 2018 International Conference on Artificial Intelligence and Data Processing, IDAP 2018.
[13]. Novelisari, I., Fitriana, R., & Susanti, H. (2020). Analisis Makna Motif Bunga pada Kimono. Jurnal Studi Jepang, 2(1), 1–13.
[14]. Pramaditya, H., & Sugiharto, T. I. (2020). Aplikasi Pembelajaran Augmented Reality Bunga Iris Berbasis Unity. 2517–2525.
[15]. Retnoningsih, E., & Pramudita, R. (2020). Mengenal Machine Learning Dengan Teknik Supervised Dan Unsupervised Learning Menggunakan Python. Bina Insani Ict Journal, 7(2), 156.
[16]. Lachowicz, M. (2019). Decision Tree Approach for IRIS Database Classification. CEUR Workshop Proceedings, 2472, 10–14.
[17]. Handayani, P. K. (2020). Penerapan Principal Component Analysis untuk Peningkatan Kinerja Algoritma Decision Tree pada Iris Dataset. Indonesian Journal of Technology, Informatics and Science (IJTIS), 1(2), 55–58.
[18]. Mentari, M., Sari, E. K. R., & Mutrofin, S. (2014). Klasifikasi Menggunakan Kombinasi Multilayer Perceptron dan Aligment Particle Swarm Optimization. Senastik, 2014(September), 10–11.
[19]. Parapat, I. M., Furqon, M. T., & Sutrisno. (2018). Penerapan Metode Support Vector Machine (SVM) Pada Klasifikasi Penyimpangan Tumbuh Kembang Anak. Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer, 2(10), 3163–3169.
[20]. Normawati, D., & Prayogi, S. A. (2021). Implementasi Naïve Bayes Classifier Dan Confusion Matrix Pada Analisis Sentimen Berbasis Teks Pada Twitter. Jurnal Sains Komputer & Informatika (J-Sakti), 5(2), 697–711.
[21]. Verawati, Y., & Hasibun, M.S. (2021). Perbandingan Data Set Iris dengan Aplikasi Rapid Miner dan Orange Menggunakan Algoritma Klasifikasi. Jurnal Darmajaya, 11(1), 158-163.
Refbacks
- There are currently no refbacks.
