TINGKAT AKURASI KLASIFIKASI JARAK KELAHIRAN DI KAMPUNG KELUARGA BERENCANA (KB) DENGAN METODE SUPPORT VECTOR MACHINE (SVM)

Agung Pratama Putra, Naomi Nessyana Debataraja, Dadan Kusnandar

Abstract


Klasifikasi dengan Support Vector Machine (SVM) dapat digunakan untuk mencari fungsi pemisah (hyperplane) terbaik yang berfungsi sebagai pemisah dua buah kelas data pada ruang input. Tujuan dari penelitian ini adalah menentukan hasil akurasi optimal dari klasifikasi jarak kelahiran dengan menggunakan metode SVM di Kampung KB dengan indikator kelahiran ideal dan kelahiran tidak ideal. Variabel yang digunakan dalam penelitian ini berjumlah 10 variabel, diantaranya adalah jarak antar kelahiran, pendidikan responden, dan umur pertama kali melahirkan. Langkah pertama adalah menentukan variabel dependen dalam hal ini adalah variabel jarak antar kelahiran, selanjutnya membagi kelompok data training 80% dan data testing 20%. Dilanjutkan dengan melakukan proses analisis SVM untuk menentukan fungsi Kernel terbaik dengan menggunakan fungsi Kernel Linear, Kernel Radial Basis Function (RBF) dan Kernel Polynomial pada data training, selanjutnya fungsi Kernel terbaik digunakan untuk mengklasifikasi data testing. Hasil penelitian menunjukkan ketetapan klasifikasi SVM pada data training dengan menggunakan fungsi Kernel linear sebesar 74,026%, Kernel RBF sebesar 100%, dan Kernel Polynomial sebesar 83,117%. Pada data testing hasil ketetapan klasifikasi dengan menggunakan fungsi Kernel RBF sebesar 100%.

Kata Kunci: Jarak Kelahiran, Data Training, Data Testing, Fungsi Kernel.

 


Full Text:

PDF

Refbacks

  • There are currently no refbacks.