Artha, I Putu Mahesa Kama (2019) Optimasi Parameter Support Vector Machine untuk Meningkatkan Akurasi Prediksi Gangguan Spektrum Autisme pada Remaja Menggunakan Algoritma Genetika. Masters thesis, Universitas Pendidikan Ganesha.
![[img]](http://repo.undiksha.ac.id/style/images/fileicons/text.png) |
Text (COVER)
1729101049-COVER.pdf Download (4MB) |
|
Text (ABSTRAK)
1729101049-ABSTRAK.pdf Download (417kB) |
|
Text (BAB 1 PENDAHULUAN)
1729101049-BAB 1 PENDAHULUAN.pdf Download (429kB) |
|
Text (BAB 2 KAJIAN PUSTAKA)
1729101049-BAB 2 KAJIAN PUSTAKA.pdf Restricted to Repository staff only Download (1MB) | Request a copy |
|
Text (BAB 3 METODE PENELITIAN)
1729101049-BAB 3 METODE PENELITIAN.pdf Restricted to Repository staff only Download (1MB) | Request a copy |
|
Text (BAB 4 HASIL PENELITIAN DAN PEMBAHASAN)
1729101049-BAB 4 HASIL PENELITIAN DAN PEMBAHASAN.pdf Restricted to Repository staff only Download (654kB) | Request a copy |
|
Text (BAB 5 PENUTUP)
1729101049-BAB 5 PENUTUP.pdf Restricted to Repository staff only Download (428kB) | Request a copy |
|
Text (DAFTAR PUSTAKA)
1729101049-DAFTAR PUSTAKA.pdf Download (427kB) |
|
Text (LAMPIRAN)
1729101049-LAMPIRAN.pdf Download (1MB) |
Abstract
Pada penelitian ini dilakukan perbaikan prediksi gangguan spektrum autisme (ASD) pada remaja menggunakan klasifikasi support vector machine (SVM) yang dipadukan dengan algoritma genetika (GA). Penggunaan GA diupayakan untuk mengatasi kelemahan SVM yakni kesulitan dalam pemilihan nilai yang optimal untuk parameter. Pengujian dilakukan pada dataset ASD di kalangan remaja yang dipublikasikan di UCI repository. Kernel yang dipilih dalam pengujian meliputi tiga kernel: Dot, Radial, dan Polynomial dengan mengoptimasi nilai parameter C. Hasil pengujian menunjukkan bahwa penggunaan SVM yang dipadukan dengan GA pada kernel Polynomial memiliki tingkat akurasi prediksi tertinggi sebesar 98,57% dan RMSE sebesar 0,219. Akurasi tertinggi kedua diperoleh melalui kernel Radial sebesar 94,29% dan RMSE sebesar 0,357. Sementara itu kernel Dot hanya memiliki akurasi 68,57% dan RMSE sebesar 0,501. SVM + GA dapat meningkatkan akurasi sebesar 5,71% dari SVM standar dan 2,38% dari SVM + grid search. Sedangkan perbedaan ratarata penurunan nilai RMSE sebesar 0,031 dari SVM standar dan mengalami peningkatan 0,003 dari SVM + grid search. Dapat disimpulkan bahwa GA dapat mengatasi permasalahan SVM dalam pemilihan nilai optimal untuk parameter dan menghasilkan akurasi lebih baik dengan RMSE lebih rendah dibandingkan SVM standar dan SVM + grid search (Radial dan Polymonial) untuk dataset berjumlah sedikit yang memiliki 10 atribut dengan nilai biner seperti dataset ASD pada remaja.
| Item Type: | Thesis (Masters) |
|---|---|
| Uncontrolled Keywords: | Gangguan spektrum autisme, support vector machine, algoritma genetika |
| Subjects: | Q Science > QA Mathematics > QA75 Electronic computers. Computer science |
| Divisions: | Pascasarjana > Program Studi Ilmu Komputer (S2) |
| Depositing User: | I PUTU MAHESA KAMA ARTHA |
| Date Deposited: | 24 Oct 2019 03:11 |
| Last Modified: | 24 Oct 2019 03:11 |
| URI: | http://repo.undiksha.ac.id/id/eprint/623 |
Actions (login required)
 |
View Item |